전투기 조종사 AI 개발을 위한 머신러닝 적용 현황 및 방향 > E-저널 2020년 ISSN 2465-809X(Online)

 

▶E-저널 2020년 ISSN 2465-809X(Online) 목록

E-저널 2020년 ISSN 2465-809X(Online)

제 46호(8-9월) | 전투기 조종사 AI 개발을 위한 머신러닝 적용 현황 및 방향

페이지 정보

Written by 김정윤 작성일20-08-25 13:41 조회1,848회 댓글0건

본문

전투기 조종사 AI 개발을 위한 머신러닝 적용 현황 및 방향 


한길C&C, M&S연구소장, 이사
공학박사 
김정윤


서론


  인공지능(AI)은 특히 인터넷 상에서 우리의 생활에 이미 막대한 영향을 끼치고 있고, 그 영향은 앞으로도 계속 증가할 것이다.[Internet Society, 2017]   인공지능 개발을 위한 수단으로서 머신러닝은 의심할 여지없이 요즘 시대에 가장 각광받는 기술이다. 이러한 머신러닝을 활용할 때 가장 중요한 전제조건은 어떻게 학습데이터를 확보하느냐이다.  머신러닝은 결국 이 데이터로부터 의미를 뽑아내는 것이며, 데이터 샘플로부터 통계적 추론이 가능하다.[edureka, 2019]  그런데, 현재 진행되고 있는 AI 관련 국방 연구과제를 보면 이런 전제가 면밀히 고려되고 있는지 의심스러운 측면이 있다. 

  군 관련 사업관리기관과 국방연구기관에서 연구를 수행할 때, 잘못된 전제를 세우고 연구를 진행하는 경우가 있고, 성숙되지 않은 단순 연구결과를 잘못된 장소, 즉 실제 활용이 가능해야 하는 체계에 적용하려는 우를 범하기도 한다. (※ 사업관리기관과 국방연구기관, 소요군의 정식명칭은 본 글에서 명시하지 않겠다.)   우선 필자가 경험한 그러한 사례를 소개한다.  2015년, 사업관리기관이 소요군 요청에 따라 항공교전모델 사업을 제안요청했는데, 당연히 실제 소요군에서 활용하기 위한 모델이었다.  그런데 사업관리관은 그 이전에 국방연구기관에서 수행한 공중전모델 연구결과를 재활용하도록 제안요청을 했다. (※ 항공교전모델과 공중전모델 역시 정식명칭이 아니다.)  그러나 초보적 개념의 좁은 부분만 반영된 공중전모델 연구결과에는 항공교전모델이 필요로 하는 재활용이 가능한 부분이 거의 없었다.  항공교전모델은 넓은 영역의 실제 개념이 반영되어야 하고, 그래야 실제로 소요군이 활용할 수 있기 때문이다.   그 사업의 사업비는 공중전모델 연구결과의 재활용을 전제로 했기 때문에 과소 산정되어 있었고, 결과적으로 사업수행 과정에서 사업비가 초과되고 납기도 지연되어 업체가 큰 피해를 보았다. 


 

e65419ab04cb2919e45f88338523051e_1598330

 

 

  이 사례는 의미하는 바가 매우 크기 때문에 좀 더 자세히 설명하겠다.  항공교전모델 연구에서 교전모델은 전술교리 논리부분 모델링(논리모델)과 무기체계 물리 모델링(물리모델)이 핵심적이다.  논리모델은 전술교리 논리부분으로서 우리 군의 전술와 북한의 전술, 모의개체의 교전규칙(Rule of Engagement)과 같이 인간의 판단을 모델링한 것이며, 무기체계 물리모델은 각 항공기와 미사일, 유도폭탄같은 무기체계의 제원을 바탕으로 물리적 특성을 모델링한 것이다.  그런데, 국방연구기관에서 한 공중전모델 연구는 소요군과 협조가 잘 안되었는지 전술교리 논리부분은 아예 없는 수준이고, 물리적 특성도 항공기의 동역학 특성만 기본적인 수준으로 반영되어 있을 뿐, 공중교전에서 필수적으로 고려되어야 하는 항공기와 미사일의 기종별 제원(최대G, 최대속도 등) 차이에 의거한 기동특성의 우열을 포함해서 수많은 고려항목들이 전혀 반영되지 않았다.  예를 들어, 비잉여마력(specific excess power)이란 특성이 있다.  이는 항공기가 가진 마력과 조종사가 시도하려는 기동에 필요한 마력과의 차이를 항공기 중량으로 나눈 값으로, 항공기가 공중전 상황에서 보다 유리한 고도와 속도를 차지하기 위해서는 클수록 유리하다.  즉, 더 강력한 엔진을 가진 항공기는 이 값이 더 큰데, 더 여유 있게 기동할 수 있다는 의미다.  이런 내용들이 고려되지 않으면 전술적 가치는 없다.  아마도 비밀자료라 소요군에서 공개하지 않았을 것이다.  국방연구기관이 수행한 연구는, 차기 연구를 위한 기초기술 확보에는 성공했을지 모르겠지만, 실제 운용을 위한 체계 재활용 목적에서 봤을 때 그다지 가치가 없었다.  연구에서 구현한 시각적 효과라든지 개체의 일반적인 물리적 특성도 <그림 1>처럼 상용 게임들이 훨씬 더 정밀하게 구현하고 있으므로 별 가치가 없다.

  결국 공중전모델은 인터넷에 공개되어서 찾을 수 있는 단순제원만으로 게임기 수준으로 개발된 연구결과였는데, 국방연구기관은 향후 개발될 실제 교전모델의 핵심기술을 개발했다고 선언한 상태였고, 이를 재활용할 수 있다고 전제를 세워놓았다.  결국 전문성이 떨어지는 사업관리기관이 국방연구기관의 연구결과를 재활용할 수 있을 것으로 오판한 것이다.

  이 한 사례로 국방연구기관의 실태를 파악할 수 없겠지만, 이와 유사한 사례가 반복되는 것 같아 안타까운 심정으로 이 글을 쓴다.  2019년 말 국방연구기관에서 조종사 AI모델 연구를 제안요청했다.  내용은 무인전투기에 적용될 수 있는 AI모델을 연구하는 것이었다.  핵심 개발내용은 전술교리가 반영된 교전모델을 개발하는 부분, 개발된 교전모델로 AI를 학습시키는 부분, 실제 조종사가 AI를 학습시키는 부분, 실제 교전데이터(log)로부터 학습베이스를 구축하는 부분, 네 가지로 볼 수 있다.  언뜻 보기에는 방향이나 내용에 큰 문제가 없어 보이나 머신러닝의 필수 요건인 학습데이터를 확보해야 한다는 전제조건 측면에서 비현실적이며, 소요군과의 협조가 미흡한 부분이 보인다.  본 글은 이 제안요청에서 요구하고 있는 학습데이터 확보방법이 현실성이 없다는 점을 지적하고자 한다.


본론


머신러닝의 사전조건

  인공지능(AI, Artificial Intelligence)과 머신러닝(ML, Machine Learning)은 4차 산업혁명에서 가장 핵심이다.  우리 사회의 모든 분야가 이와 관련된 내용으로 들썩이고 있고, 사라질 직업, 새로 생길 직업과 같이 현대인들에게 고민거리와 희망을 안겨주기도 하며, 웬만한 분야에 스마트라는 단어가 붙으면 인공지능과 관련된 내용이다.  인터넷 번역, 스마트 팩토리, 스마트폰, 스마트 에너지 및 인프라, 자율주행 자동차, 사이버보안 관리, 컴퓨터 비전 그리고 음성 인식 등 다양한 분야에서 AI는 이미 핵심적 역할을 하고 있다.  데이터 마이닝(data mining)도 인공지능(AI)과 머신러닝(ML)처럼 기본적으로 같은 토대에 있지만 각각의 정확한 의미를 우선 알아보자.

  데이터 마이닝은 다양한 관점에서 데이터를 분석해 의미 도출하는 기법이다. 방대한 데이터 속에 숨어 있던 패턴과 상관성을 통계적으로 식별하는 데이터 마이닝은 숫자가 아닌 데이터도 처리한다.  예를 들면 프로축구 선수들의 패스, 어시스트, 골 등 숫자로 표현되는 데이터 외에도 게임 중 행하는 동작이나 역할들까지 선수의 가치로 환산해서 연봉 책정의 기준으로 삼는다.[이준정, 2018]  

  데이터 마이닝은 연관(association), 회귀(regression) 및 분류(classification)라는 세 가지 유형이 있다. 연관 분석은 주어진 데이터 세트에서 연관규칙을 발견하는 것, 회귀 분석은 독립 변수 분석을 통해 종속 변수가 무엇인지 밝혀내는 것, 분류란 개체들을 여러 등급으로 나누는 모델이다. 데이터 마이닝의 결과는 입력된 데이터에 의해 결정된다.  그런데 여기서, 부정확한 데이터는 그릇된 결과를 낳기도 하며 과거 데이터의 추세에 의존한다는 점에서 한계가 있다. 지나간 사건을 기반으로 미래추세를 진단하는데 기존에 없던 새로운 요소가 추가되면 추세를 알 수 없다.

  머신러닝도 과거 자료를 기반으로 결과를 예측하는 기법으로, 데이터 마이닝이나 기타 학습 알고리즘을 사용한다.  지식을 추출하고 이를 경험기반으로 삼아 비슷한 상황의 미래 사건의 결과를 예측하는 목적이다.  머신러닝은 데이터 마이닝의 데이터의 패턴을 발견하는 핵심 알고리듬을 포함하는 개념이다. 그러나 데이터 마이닝과 달리 머신러닝은 자체 알고리듬으로 데이터 모델의 매개 변수를 자동으로 학습한다. 이 알고리듬은 시간이 경과함에 따라서 경험을 축적하면서 결과가 보다 더 정확해진다.  머신러닝에는 지도학습(Supervised learning), 비지도학습(Unsupervised Learning) 그리고 강화학습(Reinforcement Learning)과 같은 기법이 있다.  

  지도학습은 입력 데이터와 원하는 결과를 제공하면서 학습시키는 방법이다.  예를 들어 고양이 인식학습에서 수천 장의 고양이 이미지들을 보여주면서 모두 고양이라 알려주고, 동시에 개의 이미지도 보여주면서 이것은 고양이가 아니고 개라고 알려주는 방식이다. 입력된 이미지가 많을수록 인식정확도는 높아진다. 이 방법은 많은 학습 데이터가 필요하며 학습과정에 사람이 일일이 맞는지 확인해 주어야 하므로 시간이 많이 걸린다. 특히 알고리듬은 학습된 범위를 벗어날 수 없다.

  비지도학습에선 입력 데이터에 식별(표식)이 없다.  데이터의 의미를 정확히 모르는데, 프로그램이 자체적으로 데이터 속의 패턴을 찾아내고 의미를 추론해야만 한다. 예를 들면 고양이 이미지 수백만 장이 아무런 식별 없이 입력으로 주어졌다고 가정해 보자. 프로그램은 이 이미지와 비슷한 이미지가 나오는 웹 페이지들을 수없이 조사해서 같이 연결되어 있는 단어들을 간추려 이 이미지가 고양이이라는 단서를 찾을 수 있다. 즉 지도하지 않아도 고양이라는 이미지의 특징을 스스로 인식하게 되고, 차츰 고양이를 찾을 수 있게 된다. 시작단계에서 오류가 많을 수도 있고 결과가 별 가치가 없을 수도 있다. 물론 이 학습으로 목표했던 결과를 얻지 못할 수도 있지만, 반면에 예상치 못한 경향을 발견해 낼 수도 있다.

  강화 학습은 일종의 인센티브를 부여하는 방식인데, 경험과 시행착오를 통해서 얻어진 데이터를 기반으로 모델을 지속적으로 개선한다. 얻어진 성과의 크기에 등급을 매겨서 긍정적 또는 부정적인 점수를 부여하는데, 이 알고리듬이 긍정적인 점수를 높이려면 입력치에 대한 시스템의 반응을 지속적으로 모델에 피드백해야 한다.  새로운 작업이나 분류를 조금씩 증분하는 방식으로 미세한 변화를 시도하면서 자체적으로 데이터를 생성하고 이를 징검다리 삼아 또 다른 증분 단계로 옮겨가는 방식으로 누적된 변화를 시도한다.  그렇게 하면 새로운 기대하지 않았던 효과가 발견되곤 한다.  다만, 실제 적용하기가 힘들고 개발자의 전문성이 높아야만 가능하다고 알려져 왔다. 하지만 구글 딥마인드(DeepMind)가 알파고를 강화학습법으로 훈련시켜 성공했듯이 큰 가능성을 보이고 있다. [이준정, 2018] 

  인공지능을 통해서 기존의 데이터를 바탕으로 미래에 어떤 일이 일어날지 예측할 수가 있다. 나아가서 인공지능이 전혀 예상하지 못한 연관관계를 예측해 주길 바란다.  이런 특성은 산업의 생산분야에서의 오류와 원인진단, 전문가집단의 판단에 대한 조력, 군사분야의 지휘관 판단 등 많은 분야에서 큰 도움을 줄 수 있다.

  그런데, 지도학습이든, 비지도학습이든, 또는 강화학습이든 전제조건은 제대로 된 학습데이터가 주어져야 한다는 것이다. [Internet Scociety, 2017]은 이러한 전제조건을 다음과 같이 표현한다.

  “Data Quality and Bias. In machine learning, the model’s algorithm will only be as good as the data it trains on – commonly described as “garbage in, garbage out.” - (머신러닝에서 모델 알고리듬의 유효성은 오직 학습데이터의 품질과 오류에 의해 결정되며, 달리 표현하면 “쓰레기를 넣으면 쓰레기가 나온다.”)

  <그림 2>는 신경망 머신러닝 개념인데, 왼쪽의 학습데이터(Input Unit)에 따라 나머지 가중치(weight)와 결과(Output Unit)가 결정된다.  지도학습에 있어서 잘못된 식별자가 붙은 데이터가 있거나, 비지도학습에서 분량이 한정된 데이터밖에 없거나, 강화학습에서 제대로 된 인센티브를 주지 못하거나 한다면 결과적 인공지능 알고리듬이 할 수 있는 일은 엉터리고 잘못된 결과밖에 주지 못한다.   지금 국방연구기관이 제안요청한 내용에는 모호한 데이터 확보방안이란 측면과 항공전에 대한 인식결여라는 두 가지 문제점이 있으며, 따라서 연구결과가 잘못될 것 같은 걱정에서 지적해보고자 한다.


 

e65419ab04cb2919e45f88338523051e_1598330

 

 

제안요청에서의 모호한 데이터 확보 방안

  작년 말, 국방연구기관에서 AI 조종사 개발을 위한 연구과제를 제안요청했다. [ADD, 2019] 

 “인공지능 공중교전 기술 연구에서 AI 조종사를 개발하기 위하여 AI 조종사 모델 데이터 학습 및 교전 수행을 위한 훈련용 통합 시뮬레이션 소프트웨어 개발을 목표로 한다. 이를 위해서는 높은 충실도의 다양한 교전 시나리오의 반복 수행으로 학습 데이터를 생성하고 생성된 데이터를 학습할 수 있는 개발 환경이 필요하며, 인간 조종사가 전투기 시뮬레이터 운용을 통해 학습 데이터 생성 및 AI 조종사와 교전 수행을 할 수 있는 전투기 시뮬레이션 모델 개발이 필요하다. 또한, 학습된 AI 조종사 모델을 활용하여 교전 시뮬레이션을 수행하고 운용통제 및 교전결과를 분석 할 수 있는 교전 훈련용 통합 시뮬레이션 환경이 필요하다.”

  제안요청 본문에 연구가 다루어야할 범위로 가시권 내(WVR) 공대공 교전으로 한정하고 있고, 레이더, RWR, IRST에 대한 모의모델과 EO/IR 영상 모의모델을 개발한 후 이 모의모델로부터 입력되는 정보를 AI 조종사 탐지정보로 삼을 것을 명시하고 있으며, 임무/과업/전술/기동 자료를 기반으로 AI 조종사가 반응하게끔 되어 있다.  이 내용은 머신러닝의 학습데이터에 해당한다.

 

 

e65419ab04cb2919e45f88338523051e_1598330

 


  <그림 3>은 제안요청서의 과제개념도인데, 그 내용을 정리하면 다음과 같다.  Ⓑ: 공대공 교전모델(비행시뮬레이션, 탑재장비 등), Ⓓ와 Ⓒ: 규칙기반 AI모델 (임무/과업/전술), Ⓔ: 학습기반 AI모델(학습데이터)를 개발한 후, Ⓐ: 두 AI 모델이 교전모델 위에서 동작하도록 하며, Ⓒ: 학습모델이 규칙기반 AI모델에 의해 학습이 이루어지도록 한다. Ⓐ 여기에 더해 실제 조종사가 외부에서 연동되는 시뮬레이터를 활용하여 학습모델을 학습시키기도 한다.  핵심이 학습모델인데, 지도학습과 강화학습 두 가지 방법을 기반으로 한다.  

  앞서 언급했듯이, 학습모델을 포함하는 머신러닝의 성공을 위한 전제조건은 실효적인 학습데이터의 확보이다.  그런데, 제안요청서에서 요구하는 데이터 확보방안이 모호하다. 물론 제안사가 그 방안을 제시해야 하지만, 제안사가 독자적으로 할 수 있는 방법에는 한계가 있기 때문에 국방연구기관이 확보할 수 있는 것이 무엇이 있는지, 그래서 제안사가 활용할 수 있는 방안이 어떤 것인지도 제안요청서는 제시해야 한다.  유효한 데이터는 사실상 보안자료이기 때문에 이를 어떻게 확보해줄 건지, 소요군과 어떻게 협조할 건지 구체적인 방안 제시가 없다.  결국 국방연구기관은 소요군에 관련 자료를 요청해야 할 것이지만, 필요한 자료가 무엇인지 제대로 식별된 것 같지도 않아 소요군은 구체적으로 뭘 제공해야할지 난감해할 것이다.  식별되었다 해도 소요군 입장에서는 그러한 자료를 면밀하게 분류하여 제공해 줄 수 인력에 여유가 있을 지도 모르겠다.  제대로 된 연구를 하려면, 그러한 부분까지 연구의 구성요소로 포함해야 하고, 그렇게 하기 위해서는 소요군과 합동으로 과제를 진행했어야 한다.

  문제점들을 좀 더 자세히 살펴보면, 첫째, 공대공 교전모델을 개발하기 위해서는 항공 동역학에 적용될 각 항공기의 제원과 미사일의 제원, 탑재장비의 성능정보, 회피장비의 작동규칙, 공대공 피해효과 자료 이런 것들이 필요한데, 확보방안이 없다.  많은 부분은 인터넷에서 비슷한 자료를 확보할 수 있지만 핵심적인 내용은 물론 비밀자료이고, 그 내용도 방대하다.  이 연구기간 내에 이러한 방대한 자료를 정리하거나 비밀내용을 확보할 시간적 여유가 있을지, 협조는 가능할지 불명확하다.   둘째, 규칙기반 AI를 개발하기 위해서는 항공임무별 규칙과 다양한 전술기동 절차, 교전규칙 등 교범을 모두 정리해야 하는데 마찬가지로 그럴 방법이 없다.  이 역시 엄청난 작업과 시간이 필요하며 일부 내용은 비밀일 것이다.  셋째, 학습기반 AI를 개발하기 위해서는 학습데이터가 필요한데 시뮬레이션 또는 실교전 데이터로그를 명시하고 있다. 아마도 전술개발훈련 비행전대의 ACMI자료를 염두에 두는 것 같다.  이것 역시 ACMI 자료의 분석, 분류, 식별(표식부여)과 같은 노력이 필요하고 학습데이터로 활용하기 위한 전처리 과정을 거쳐야 한다.  아마도 AI 전문업체가 연구를 진행한다면 방안을 제시할 것이다.  그나마 유일하게 가능성이 보이는 방법이지만 이 자료 역시 비밀이기 때문에 사전에 소요군과 충분한 협조가 이루어져야 한다.  그런데, 마지막으로, 넷째, 실제 조종사가 시뮬레이터로 학습, 실험, 훈련을 한다는 방안은, 머신러닝을 위한 학습이라면 현실성이 없다.  양성과정이 매우 값비싼 조종사가 그렇게 한가할 리 만무하고, 한 두 명의 조종사가 학습시키는 것으로 유효한 학습이 될 리가 없다.  머신러닝은 수많은 사례가 누적된 방대한 데이터를 기반으로만 성립될 수 있다.  수많은 조종사가 오랜 기간 시뮬레이터를 붙들고 수 백회를 학습을 시켜야 어느 정도 효과가 날 것이지만, 항상 바쁜 소요군에게 그러한 여력이 있을지 불확실하다.  즉, 인간의 수작업으로 유효한 학습효과가 나올 리가 만무하다.  차라리 셋째의 전술개발훈련 비행전대에서 축적된 자료를 활용하는 방안이 현실성이 있고 이에 집중해야 한다. 

  이상의 내용이 <그림2>의 개념도에 내포되어 있는 문제점이다.  그런데 더 심각한 것은 제안요청서의 항공전에 대한 이해부족에 있다.  그 중 몇 가지를 살펴보자.


항공전에 대한 이해부족에서 기인한 제안요청

  제안요청에는 항공전에 대한 이해부족에 따른 두 가지 문제점이 보인다.  첫 번째, 교전모델에서 WVR(Within Visual Range, 가시권 안) 공대공 상황의 AI조종사가 전장상황을 인식하는 수단(교전탐지 센서)으로써 레이더와 RWR(Radar Warning Receiver), IRST(Infrared Search and Track) 세 가지를 지목하고 있다는 점이다. 두 번째는 AI 조종사 시각 인식모델 학습입력으로서 EO/IR (Electro-Optic/Infrared) 카메라 영상을 상정하고 있다는 점이다.

  일단 위의 두 가지 문제점을 이해하기 위해서는 항공작전에 대한 개략적인 이해가 필요하다.  공대공작전은 조기경보기나 MCRC에 의해 표적이 포착되면서 시작된다.  이때는 원거리이므로 당연히 BVR(Beyond Visual Range, 가시권 밖) 상황이다.  여기서 표적을 탐색하고 포착해서 추적하는 것은 레이더이고, 표적이 접근하면서 점점 가까워지면 광학 기반 탑재장비로도 포착할 수도 있다.  광학기반 탑재장비가 바로 IRST이다. IRST는 레이더와 비슷하게 표적상공을 탐색해서 표적의 적외선 영상을 포착하는 것으로, 레이더처럼 방해전파에 영향을 받지 않기 때문에 전자전에 의해 교란되지 않는 장점이 있다.  그러나 레이더처럼 반사파를 활용할 수 없기 때문에 표적과의 거리를 식별할 수 없는 단점이 있는 장비이다.  어쨌든 원거리에서 이러한 수단으로 표적이 포착되고 적기라는 것이 식별되면 장거리 공대공 미사일을 발사한다.  반대로 표적기가 아군을 향해 탐색하고 추적하면서 미사일을 발사할 수도 있다.  여기까지는 육안으로 식별되지 않는 가시권 밖 상황이기 때문에 BVR 교전이라고 한다.  그런데, 표적이 BVR 교전에서 살아남아 눈에 보이는 상황까지 접근했다고 가정하자.  이때는 일명 도그파이팅이라는 근접기동이 이루어지며, 주로 사이더와인더같은 단거리 공대공 미사일을 발사하거나 미사일이 소진되고 더욱 더 가까워지면 기총으로 승부를 걸게 된다.  이 상황이 조종사 육안에 의지하는 WVR (가시권 안) 교전이다.  BVR이든 WVR이든 발사되는 미사일은 레이더 유도 또는 적외선 유도방식인데, 각각 채프와 플레어로 교란되면 미사일의 명중률은 떨어진다.  

  첫 번째 문제는, 이러한 일반적 공대공 상황을 비추어 봤을 때, WVR 상황인데 BVR에서 활용하는 레이더와 IRST를 교전상황을 인식(Situation Awareness)하는 센서로 상정했다는 것이다.  또한 RWR은 적 레이더와 레이더 유도 미사일의 레이더파를 탐지하는 것인데 이 역시 조종사가 눈으로 날아오는 미사일을 발견하는 것이 아니므로  WVR과 연관성이 없다.  현직 조종사들의 의견은, 현대 또는 미래 항공전에서는 WVR교전 상황이 발생할 가능성이 낮다고 한다.  대부분의 교전은 BVR 상황에서 발생하는 것으로 보고, 이를 위해 레이더파 센서인 레이더와 RWR, 적외선 센서인 IRST, MWS(Missile Warning System)들의 성능이 크게 발전했고 계속 발전하고 있으며, 또한 공대공무장도 BVR 교전에 특화된 AIM-120을 비롯해서 AIM-9X와 같이 과거에는 WVR을 위한 단거리 적외선 유도미사일까지 전(全)방향 발사가 가능토록 개선되는 등, BVR 상황에 오히려 어울리는 성능을 가지고 있다.  전(全)방향 발사가 가능하다는 것은 표적을 육안으로 보고 급격한 기동으로 꼬리를 쫓아갈 필요성이 크게 줄었다는 것이다.  그렇다고 WVR 교전이 필요 없다는 의미는 아닐 것이다.  따라서 대비는 해야겠지만, 굳이 중요성이 떨어지는 부분을 연구대상으로 삼아야 했을까 하는 의문이 있고, 하기로 했으면 제대로 된 WVR 상황을 상정해야 하지 않나 하는 것이 필자의 주장이다.



 

e65419ab04cb2919e45f88338523051e_1598330

 


  두 번째 문제는, WVR에서 조종사 육안 판단을 EO/IR 카메라 영상을 상정하고 있다는 것은 첫 번째 문제보다 더한 항공전투에 대한 이해부족을 드러낸다.  <그림 4>에서처럼 EO/IR은 전기광학/적외선(Electro-Optic/Infrared) 시스템으로서 일종의 망원경같은 구조를 가지고 있다. 주로 지상의 구조물이나 전차와 같은 표적을 포착하여 영상으로 확인하고 레이저유도 폭탄이나 미사일을 유도하는 공대지 공격목적으로 활용된다.  미리 해당 표적의 위치를 알고 있는 상황에서 그 위치로 EO/IR을 향하게 해서 표적을 식별한다.  이런 EO/IR을 WVR 교전에 활용한다는 것은, 망원경을 눈에 달고 경기에 임하는 권투선수와 같은 상황이 되는 것이다.  최신예기의 경우에는 EO/IR의 최신형이라 볼 수 있는 타이거아이(Tiger-Eye)가 IRST 능력이 있지만, 이것도 BVR 상황에서 활용한다.  앞서 설명했지만, IRST는 레이더 대체용이지 육안을 대체하는 것이 아니다.  


 

e65419ab04cb2919e45f88338523051e_1598330

 

 

AI 조종사 모델 개발 방안 제안

  미래 전장에서는 무인기의 비중이 점점 커질 것이다.  이미 무인 정찰기와 공대지 공격기는 기존 정찰기와 공격기의 영역을 상당히 커버하고 있고, 그 영역은 점점 커질 것이다.  공대공을 위한 무인전투기도 선진국에서는 개발 중인데, 우리도 손 놓고 있을 수는 없다.  제안요청에도 명시하고 있듯이 향후 무인기 적용을 염두에 두고 있다한다.  그렇다면 AI 조종사 모델은 어떻게 개발해야 할 것인가?

  <그림 5>에는 공대공 교전에서 실제 조종사가 활용하는 정보, 사용하는 무장, 그리고 기동 종류를 WVR과 BVR로 구분해서 요약하고 있다.  AI 조종사 모델은 이 요약을 바탕으로 이루어져야 한다.  무인기를 목표로 모델을 개발한다면, 이 그림에서 육안을 빼면 된다.  육안센서를 뺀다는 것은 WVR과 BVR 구분이 없어짐을 뜻한다.  그 이유를 이해하기 위해서는 다음 사항을 살펴볼 필요가 있다.

  제안요청을 보면 학습기반 AI 모델이 영상을 통해 시각인식(육안센서 작동)이 이루어지는 것으로 보고 있다.  WVR 상황에서 인간 조종사가 콕핏 바깥에 보이는 상황을 눈으로 보면서 반응을 하는 것을 생각한 것으로 보인다.  제안요청에 명시된 “EO/IR 영상을 생성.. 근접교전 시 표적탐지를 위한 AI 조종사 시각인식..”이란 내용은 현실과 동떨어진 내용임을 앞에서 설명했는데, EO/IR이 아니라 조종사 육안탐지를 모델링한다면 어느 정도 맞지 않을까 생각할 수 있다.  그러나 답은 그것도 아니다.  주변환경에 대해 이미지인식을 통해서 상황을 판단한다는 의도 자체가 무인기에 특성에 대한 이해를 하지 못하고 있다는 것이다.    

  무인기를 위한 AI 조종사 모델을 개발하고자 할 때 기본적으로 이해해야 하는 점은 육안센서가 필요 없다는 것이다.  WVR 상황과 같은 근접기동전을 펼치든, BVR과 같은 원거리 전술을 펼치든 이미지인식이 관여될 여지가 전혀 없다.  인간이라면 주변상황을 탐색하기 위해 육안에 집중적으로 의지하겠지만, 기계라면 훨씬 원거리에서 탐색이 가능하고, 보다 더 정확한 레이더와 광학장비가 있기 때문에 원거리든, 근거리든 제안요청에서 명시하고 있는 육안탐색(이미지 인식)의 개념은 필요 없다.  요즘 자동차에 설치된 360°레이더처럼 무인기에 전방을 향한 메인 레이더 외에 RWR과 유사한 소형 레이더를 측방 및 후방에 설치할 수 있다.  


 

e65419ab04cb2919e45f88338523051e_1598330

 


  그런데, 무인전투기의 360°레이더가 있어도 이 레이더는 근접전에서만 활용하면 된다.  왜냐하면 지금도 그렇지만 미래 공중전에서는 참여 전투기들이 모두 데이터링크를 통해 연결될 것이다.  원거리에서부터 포착된 표적에 대한 위치, 방향, 속도와 같은 정보는 조기경보기에 의해 입체적으로 식별되어 데이터링크에 가입되어 있는 참여 전투기에 공유될 것이다.  또한 조기경보기, 또는 편대 내 최신항공기의 레이더로부터 적아식별 정보를 통보받을 것이고, 더 나아가 광학장비를 포함한 IR 이미지 센서를 통해 원거리에서 적기 기종까지 파악될 것이다.  따라서 무인기는 주로 자신의 전방을 향한 메인 레이더로 표적을 추적하다가 거리에 따라 적절한 미사일을 발사하면 된다(Shot Plan).  무인기는 사람이 탑승하지 않기 때문에 인간이 견디기 힘든 9G 이상의  급기동이 가능하다.  무인기가 발사한 미사일로부터 생존한 표적에 대해서는 무인기의 압도적인 기동성으로 근접전에 돌입하면 되며, 근접전 거리라면 360°레이더로도 충분히 표적 위치파악이 가능할 것이다.

  요약해서 설명하자면, 인간 조종사는 오랜 기간의 훈련을 통해 숙달된 직관으로 눈에 보이는 광경(육안탐지)을 파악하지만, AI 조종사 모델은 자체 레이더나 데이터링크를 통해 받아들인 표적의 입체적인 위치정보를 활용해 표적위치를 파악한다.  따라서 AI 조종사 모델은 이미지인식 기능이 있을 필요가 없다.  레이더로 포착된 표적의 정확한 적아식별은 광학장비(IRST)를 통해 확인할 수도 있다.  즉, 전투에 돌입한 무인기나 또는 멀리 있는 다른 항공기에서 탑재 광학장비로 포착한 이미지를 조기경보기나 무인기를 통제하는 유인 전투기에 전송하고 사람이 확인하면 된다.  그러니 근접전이든, 원거리 전투든 표적을 파악하는데 무인기 자체가 이미지인식을 할 필요가 없는 것이다.  다시 말해, WVR과 BVR 구분이 필요 없다.

  AI 조종사 모델은 조종사 육안을 제외한 일반 전투기에 달린 모든 센서로부터 들어오는 정보를 학습하면 된다.  무인전투기 개발방안이 360°레이더같은 센서가 추가되어 포함된다면 여기서 들어가는 입력정보를 통해 후방이나 측방의 위치를 파악하고 있다고 간주하고 기존에 확보된 학습정보를 통해 학습을 시키면 근사적으로 효과있는 AI 조종사모델이 개발될 수 있을 것이다.  <그림 7>은 AI 조종사모델의 학습대상 정보 종류를 도식화한 것이다.


 

e65419ab04cb2919e45f88338523051e_1598330

 



  약간 다른 시각에서 보자면, 공중전에서 인간이 갖는 한계를 무인기가 고려할 필요가 없다는 점이다.  앞서 설명한 인간이 버틸 수 있는 하중배수인 9G라는 한계를 무인기는 극복한다는 점뿐만 아니라, 인간 조종사가 WVR에서 육안탐지에 의존하는 직관적 상황인식(SA)이 무인기에서는 불필요하다는 것이다.  인간의 입장에서 직관적이란 빠른 시간에 무언가를 결정내릴 수 있는 능력이지만 또한 빠른 결정일수록 오류의 가능성도 높아진다는 것을 의미한다.  시급을 다투는 상황에서 있을 수 있는 작은 오류는 공중전의 승패에 결정적인 요인이 된다.  그러나 무인기는 다양한 센서로부터 입력된 정보의 조합에 따라서 인간과 비교할 수 없이 빠른 속도로 거의 오류도 없고, 당황함도 없이, 침착하게 기계적인 판단을 내릴 것이다.


결론

  머신러닝은 오직 학습데이터의 품질에 의해 결정되며, 머신러닝에 쓰레기를 넣으면 쓰레기가 나온다.  무인기 개발을 목적으로 하는 AI 조종사 모델을 머신러닝으로 개발한다면 필수적으로 유효한 학습데이터가 필요하다.  그러나 현재 국방기관이 머신러닝을 개발하기 위해 채택하고 있는 방법은 실제 전장상황을 고려하지 못한 학습데이터를 이용하려 하고 있다.  그 결과는 당연히 비현실적이고 유효하지 않은 AI 모델로 나타날 것이다.  제대로 된 무인기를 개발하기 위해서는 미래의 무인기가 어떠한 센서를 활용할 것인지, 그래서 이 센서들로부터 확보되는 입력정보를 어떻게 학습데이터로 활용할 것인지, 이런 고민이 필요하다.  현실성 없는 실제 조종사의 육안탐지 과정을 AI 모델로 개발하고자 하는 시도는 무인기와 실제 조종사의 차이, 실제 조종사가 필연적으로 가지고 있는 한계에 대한 이해가 부족한 탓이다.  시급히 이런 문제점을 파악하고 유효한 AI 모델이 개발될 수 있도록 다양한 전문가들과의 협의가 필요하다고 본다.

  국방연구기관이 무기체계 개발을 통해 우리의 국방력 향상에 핵심적인 성과를 내고 있음을 부인할 수는 없다.  그렇다고 시도하는 모든 연구가 완벽할 수도 없다.  완벽하지 않다보니 필연적으로 문제점이 있는 부분이 발생하는데, 그런 부분을 그냥 지나쳐서는 안 된다.  문제점이 무엇인지 분명히 하고 가급적 그러한 문제점이 반복되지 않도록 하는 것이 중요하다.  



사사(謝辭, Acknowledgment)

  본 내용은 “산업통상자원부”의 산업기술혁신사업의 일환으로, 한국산업기술평가관리원(KEIT)이 지원하여 수행중인 과제“(10077260) 고도장비 정비교육을 위한 증강현실 및 머신러닝 적용 교육훈련 플랫폼 기술”에서 식별한 내용을 바탕으로 하였다.


참고문헌

● [이준정, 2018] 이준정, “인공지능, 기계학습, 데이터 마이닝 – 무엇이 다른가?” 삼성디스플레이 뉴스룸, 2018, 1.2.

● [ADD, 2019] 국방과학연구소, “제안요청서 : AI 조종사 개발을 위한 학습/훈련용 시뮬레이션 소프트웨어 개발,” 2019. 10.

● [edureka, 2019] edureka,‘What Are The Prerequisites For Machine Learning?’https://www.edureka.co/blog/prerequisites-for-machine-learning/, 2019. 8.6.

● [Internet Society, 2017]  Internet Society, “Artificial Intelligence and Machine Learning: Policy Paper,” Internet Society ISOC-AI-Policy-Paper, April. 27. 2017.

● [Tsang, 2016] E.Tsang, “Artificial Neural Network,” Slideplayer.com, 2016, 1.22. 

댓글목록

등록된 댓글이 없습니다.

Total 51건 1 페이지
공지 제 48호(12-21.1월) Written by 이원희 | 01-07 | 2113 최근 북한 열병식의 군사적 의미 인기글
최근 북한 열병식의 군사적 의미 충남대학교 교수 이원희 1. 서론 열병식(閱兵式, Military parade)은 ‘정렬한 군대의 앞을 지나면서 검열하는 의식’이라는 의미로 관병식(觀兵式)의 하나이며, 관병식은 열병식과 분열식으로 이루어진다. 자국의 군사력 과시를 목적으로 하는 열병식은 군국주의나 전…
공지 제 48호(12-21.1월) Written by 최기출 | 01-07 | 1867 한반도 평화체제는 북핵 폐기가 전제되어야 한다 인기글
한반도 평화체제는 북핵 페기가 전제되어야 한다 예비역 해군중장 정치학 박사 최기출 ​ ​Ⅰ. 서 언 문 대통령은 2017년 7월 ‘베를린 구상’을 밝힌 후, 문 정부는 남북 간 적대관계와 전쟁 위협을 해소하고, 한반도에 완전한 비핵화와 항구적 평화를 정착하기 위한 ‘한…
공지 제 48호(12-21.1월) Written by 이세영 | 01-07 | 1884 이순신 장군과 국가방위(國家防衛) 인기글
이순신 장군과 국가방위( 國家防衛) 건양대학교 군사학과 교수 이세영 I. 이순신 장군의 국가방위사상(國家防圍思想) 우리들은 흔히 이순신의 장군을 역사를 초월한 불멸의 리더 ​1) 라고 부른다. 역사를 초월했다는 것은 지금까지 인류 역사에 기록된 그 어떤 인물보다 뛰어나고…
공지 제 48호(12-21.1월) Written by 조덕현 | 01-07 | 1999 러일전쟁 해전에 관한 연구 인기글
러일전쟁 해전에 관한 연구 한국해양전략연구소 조덕현 1. 전쟁의 배경 : Cause 러일전쟁Russo-Japanese War, 1904년 8월~1905년 5월은 부동항 획득과 남진정책을 추구하던 러시아와 대륙침략을 도모하던 일본이 한국과 만주의 이권을 둘러싸고 전개한 전쟁이었다. 따라…
공지 제 48호(12-21.1월) Written by 김종서 | 01-07 | 3083 군의 갈등관리와 조직 효과성 향상방안 인기글
군의 갈등관리와 조직 효과성 향상방안 -해군 초급간부와 병사들의 갈등관리를 중심으로- 충남대학교 국가안보융합학부 김종서 교수 Ⅰ 서 론 인간이 살고 있는 사회에서 갈등은 항상 발생 할 수 밖에 없는 것이며 인간의 삶은 갈등의 연속이라고 할 수 있다. 갈등은 가치관, 사고방식, 신념 등의 개…
공지 제 47호(10-11월) Written by 이승준 | 11-10 | 2045 영국의 역사가 한국에게 주는 시사점 (군의 역사를 중심으로) 인기글
영국의 역사가 한국에게 주는 시사점 -군의 역사를 중심으로- 충남대학교 국가안보융합학부 겸임교수 이승준 ​ ​ Ⅰ. 서 론 섬나라인 영국은 역사적으로 볼 때 바다를 통해 국가발전을 추구하여 왔다. 그 과정에서 왕실해군(Navy Royal)을 건설하고 이를…
공지 제 47호(10-11월) Written by 라미경 | 11-10 | 1889 스발바르조약 100주년, 그 함의 인기글
스발바르조약 100주년, 그 함의 배재대학교 교수 라미경 ​ ​ 1. 들어가기 2020년 올해는 스발바르조약이 체결된 지 100주년이 되는 해이다. 스발바르조약 ​1) 은 1920년 2월 9일 UN의 전신인 국제 연맹 참가국 14개국 ​2) (현재 46개국 가입, 대한민국은 201…
공지 제 47호(10-11월) Written by 빅재필 | 11-10 | 3126 통계로 본 군의 안전사고 유형과 범주 인기글
통계로 본 군의 안전사고 유형과 범주 충남대학교 국방연구소 교수연구원 박재필 ​ ​ 군은 부여된 역할과 사명을 수행함에 있어 사고의 위험에 노출되어 있기 때문에 안전사고 예방을 위한 각별한 지휘관심과 노력이 요구된다. 안전사고는 종류와 피해의 정도에 관계없이 군 장병의 사기저하는 물론 …
게시물 검색

HOME  |   BOOKMARK  |   BACK  |   CONTACT US  |   ADMIN
TOP
주소 : 대전광역시 유성구 대학로 99 (국가안보융합학부 1103호) / 대표전화 : 042-821-6082 / 팩스번호 : 042-821-8868 / 이메일 : lcljh2009@cnu.ac.kr
Copyright © 한국해양안보포럼. All rights reserved.[본 사이트는 개인정보 수집을 하지 않습니다.]