1. 서 론
해양데이터는 해양에서 발생하거나 관측되는 다양한 정량적·정성적 정보를 포괄하는 개념으로, 해양환경, 기상, 선박, 관제 등 여러 요소에 대한 정보를 포함한다. 이러한 데이터는 해양 공간에서의 물리적 조건과 운용 상황을 종합적으로 반영하며, 해양 상황의 이해, 분석, 예측 및 의사결정 지원을 위한 핵심 기반 자료로 활용된다. 특히 해군과 해경에서 수집하거나 운용하는 해양데이터는 감시, 정찰, 경비, 통항 관리 등 다양한 임무 수행에 필수적인 자원이다. 이처럼 중요한 임무를 효과적이고 정확하게 수행하기 위해서는 해양데이터를 분석하고 활용하는 기술이 확보되어야 한다. 그러나 군사적·보안적 특성상 해당 데이터는 외부에 공개되거나 실시간으로 제공되기 어렵기에, 외부 기관이 이를 기반으로 기술을 개발하고 검증하는 데 한계가 있다. 이에 따라 실제 운용 상황을 간접적으로 재현한 분석활용기술을 개발하고 그 효용성과 성능을 평가하는 데 시뮬레이션 기반 개발 방법을 고려할 수 있다.
그러나 대부분의 기존 시뮬레이션은 전체 시스템을 하나의 통합된 모델로 구현하는 방식에 의존하고 있으며, 이는 다양한 운용 조건을 반영하는 데 한계를 지닌다. 복잡한 실제 상황을 재현하기 위해서는 방대한 양의 입력 데이터를 필요로 하며, 시나리오 구성 역시 특정 조건에 제한되어 결과의 일반성과 신뢰도 확보가 어렵다. 이러한 문제를 해결하기 위해서는 선박, 교통류, 수로환경 등 주요 구성 요소를 개별적으로 모델링하고, 이들 간의 상호작용을 유기적으로 연동할 수 있는 모듈형 시뮬레이션 구조가 요구된다. 이와 같은 구조는 요소별 데이터가 제한적일 경우에도, 해당 모델을 실제 데이터 기반의 모듈이나 물리적 장치로 대체하여 시스템 전체의 유효성을 유지할 수 있는 장점을 가진다. 이를 실현하기 위해서는 구성 요소 간의 상호 운용성을 보장할 수 있는 공통 모델링 표준이 반드시 필요하다.
FMI(Functional Mock-up Interface)는 복합 시스템 모델의 교환 및 공동 시뮬레이션을 위한 대표적인 표준으로, 2008년 유럽 MODELISAR 프로젝트를 통해 처음 제안되었다(Blochwitz, 2011). 이 표준은 다양한 개발 환경에서 생성된 모델을 상호 연동 가능한 형식으로 통합할 수 있도록 정의되며, 모델의 구조, 입출력, 상태 정보를 포함한 메타데이터를 포괄한다. FMI 기반으로 생성된 FMU(Functional Mock-up Unit)는 특정 기능을 수행하는 구성요소를 블랙박스 형태로 구현한 독립 실행형 단위 모델로, 다양한 시뮬레이션 환경에 손쉽게 삽입하고 재사용할 수 있다. 이러한 구조는 이기종 모델 간의 결합뿐 아니라, 구성요소별 독립적 개발, 유연한 시나리오 설계, 반복 실험 등의 요구에 효과적으로 대응하는 장점을 제공한다.
본 연구의 목적은 제한된 군경 해양데이터 운용 환경에서 활용 가능한 해상교통 시뮬레이션 모델의 기반을 마련하는 데 있다. 해상교통 시뮬레이션은 다양한 요소들로 구성될 수 있으나, 본 연구에서는 시뮬레이션의 핵심이자 상호작용의 근간이 되는 선박의 자율적인 기동과 해양 환경의 동적 변화를 모사하기 위해 선박항해 모델과 수로환경 모델을 각각 자율성을 갖춘 에이전트 형태로 설계하였다. 선박항해 에이전트는 시뮬레이션 상의 선박이 주변 정보를 바탕으로 자율적으로 항로를 결정하고 충돌을 회피하는 의사결정을 수행하는 기능적 단위이며, 수로환경 에이전트는 수심, 조류, 조위 등 해양 환경 요소를 공간·시간적으로 모사하여, 선박항해 에이전트에 환경 정보를 동적으로 제공하는 모듈이다. 제안된 에이전트 모델은 FMI 표준 기반의 FMU 형태로 패키징되어, 이기종 시뮬레이션 플랫폼 간의 유연한 통합을 가능하게 한다. 이러한 구조는 실시간 데이터 확보가 어려운 군경 운용 환경에서 시나리오 기반의 분석 및 기술 검증을 위한 유효한 시뮬레이션 수단으로 기능할 수 있다.
본 논문의 구성은 다음과 같다. 제2장에서는 해상교통 시뮬레이션 관련 선행 연구와 FMI 표준의 기술적 배경을 다루고, 제3장에서는 시뮬레이션 모델의 요구사항을 도출한다. 제4장에서는 이를 바탕으로 에이전트 기반 시뮬레이션 모델의 설계 방안을 제시하며, 마지막으로 제5장에서는 본 연구의 결론과 향후 연구 방향을 제안한다.
2. 선행 연구 및 기술적 배경
2.1 해상교통 시뮬레이션 선행 연구
해상교통 시뮬레이션은 항로 설계, 통항 안전성 평가, 정책 효과 분석 등 다양한 해양교통 관리 분야에서 핵심적인 도구로 활용되고 있다. 특히 실제 해역에서 발생할 수 있는 위험 상황을 가상 환경에서 재현하고, 다양한 변수에 따른 정량적 분석을 수행함으로써, 효율적이고 안전한 해상교통 체계를 설계하는 데 기여해왔다. 이에 따라 국내에서도 해역의 특성과 통항 조건을 반영한 시뮬레이션 기반의 연구가 활발히 이루어지고 있으며, 본 절에서는 주요 연구 사례를 중심으로 해상교통 시뮬레이션의 적용 방식과 기술적 한계를 살펴본다.
Park et al.(2003)은 다양한 통항방식이 선박 조종자의 부담에 미치는 영향을 비교하기 위해 해상교통류 시뮬레이션을 수행하였으며, 환경스트레스 모델을 활용하여 각 시나리오를 정량적으로 평가하였다. 또한 Park et al.(2005)은 해상교량 설계 시 고려해야 할 교통안전 요소를 도출하기 위해, 주교각폭, 선박 크기, 교통량 등의 변수에 따라 해상교통류 시뮬레이션을 수행하고 그 영향을 분석하였다.
Seong(2014)은 해상교통 시뮬레이션을 통해 다양한 교통량과 선박 크기별 구성 비율에 따른 항로 내 교통 흐름을 재현하고, 환경스트레스 모델을 활용하여 항로폭에 따른 운항 위험도를 정략적으로 분석함으로써 교통량과 항로폭 간의 관계를 도출하고 기존 설계기준과 비교하였다. Kim and Lee(2020)는 배속 시뮬레이션을 활용해 선종과 환경 조건을 고려한 최소 항로 폭을 정량적으로 분석하고, 이를 통해 국내 항로 설계기준 개선의 필요성과 대형 선박의 통항 안전성 확보 방안을 제시하였다. Park and Han(2023)은 준실시간 해상교통 정보를 반영할 수 있는 시뮬레이션 시스템을 개발하고, 이를 활용해 복잡한 연안 교통 환경에서 자율운항 알고리즘을 시뮬레이션 기반으로 검증할 수 있음을 확인하였다.
이들 연구는 해상교통류 시뮬레이션을 활용하여 정책 평가, 항로 설계, 충돌회피 알고리즘 검증 등 다양한 목적에 기여하였으나, 대부분 선박의 흐름을 밀집도, 교차 빈도, 통항량 등과 같은 정적 지표로 표현하는 데 중점을 두어, 실제 해상교통에서 발생하는 선박 간 상호작용이나 자율적인 기동 반응과 같은 동적 특성은 충분히 반영되지 못하였다. 또한, 항로 경로와 속도 등 주요 입력이 사전에 고정되어 있어 환경 변화나 주변 선박의 행동에 따른 유연한 대응이 어려우며, 구성요소의 모듈화나 시스템 간 연동, 재사용성 확보 측면에서도 기술적 제약이 존재한다.
이러한 한계 속에서 Kim et al.(2020)은 해상교통 시뮬레이션에 항해사의 충돌회피 행동을 반영한 에이전트 모델을 적용하려는 시도를 하였다. 이 연구는 설문조사를 통해 수집된 데이터를 기반으로 항해사의 판단 기준과 회피 행동을 조우 상황별 인지 및 반응 특성으로 모형화하고, 에이전트 기반의 항해행동 모델을 설계하였다.
다만, 이 연구는 항해사 행동에 대한 단일 에이전트 수준의 모델링에 중점을 두었으며, 선박의 동역학, 해양환경 요소, 주변 선박과의 상호작용 등 해상교통 흐름을 구성하는 요소들과의 통합적 연계는 제한적이었다. 이러한 점에서 실제 해상교통의 복잡성과 상호작용을 반영할 수 있는 에이전트 기반 통합 시뮬레이션 모델에 대한 추가적인 연구가 필요하다.
2.2 FMI 표준과 기술적 배경
복합적인 물리 시스템의 통합 시뮬레이션에서는 기계, 유압, 제어, 전기 등 다양한 도메인의 구성 요소가 서로 다른 모델링 도구와 언어로 개발되는 경우가 많아, 이기종 모델 간 연동과 통합이 시뮬레이션 정확도와 개발 효율성에 중요한 영향을 미친다. 이러한 문제를 해결하고 모델의 재사용성과 상호 운용성을 확보하기 위해 제안된 표준이 FMI이며, 이는 유럽 MODELISAR 프로젝트에서 개발되어 시뮬레이션 모델의 구조를 정의하고 플랫폼 독립적인 모델 교환과 공동 시뮬레이션을 가능하게 한다(Blochwitz et al., 2011).
이 표준은 FMI 2.0으로 확장되어 MAP(Modelica Association Projects)의 관리 하에 다양한 도구와 산업 분야로 확산되고 있다(Blochwitz et al., 2012). FMI는 각 시스템 구성 요소를 FMU로 패키징하여 공유하도록 설계되어 있으며, FMU는 modelDescription.xml, 플랫폼별 실행 파일, 외부 리소스 및 문서가 포함된 ZIP 기반의 압축 파일 형식이다. 마스터 시뮬레이터는 FMI API를 통해 FMU를 로드하고 초기화하며 상태를 갱신할 수 있으며, 모델 내부 구조를 공개하지 않고도 실행이 가능하도록 구성되어 있다(Junghanns et al., 2021). FMU는 기능에 따라 Model Exchange와 Co-simulation 방식으로 구분된다. 전자는 자체 솔버(Solver) 없이 마스터 알고리즘이 시간 해석을 주도하는 구조이며, 후자는 FMU 내부에 자체 솔버를 포함하여 독립적으로 계산을 수행하여, 이기종 모델 간의 시간 동기화에 유연성이 있다. 특히 FMI 3.0에서는 데이터 교환 효율성과 이벤트 관리 기능이 강화되어 복잡한 물리 현상의 동적 재현 가능성이 더욱 확장되었다(Junghanns et al., 2021).
FMI는 다양한 산업 분야에서 실제로 활용되고 있다. Seo et al.(2015)은 이기종의 시뮬레이션 도구에서 각각 모델링된 휠로더의 기구학 시스템과 유압 시스템을 FMU로 구현하고, FMI 기반 Co-simulation을 통해 시스템 레벨 통합 해석을 수행하였다. Paek and Park(2015)은 관절형 로터 시스템의 공력 모델과 기계 시스템 모델을 각각 FMU로 생성한 뒤 연동하여, 항공 시스템에서 FMI의 적용 가능성을 검토하였다. Lee et al.(2022)은 오픈소스 모델링 도구에서 생성한 차량 동역학 모델을 FMU로 변환하고, 이를 Unity 기반 가상 시각화 환경과 연동하여 시뮬레이션 인터페이스를 구현하였다. 또한 Schweiger et al.(2018)은 산업 및 학계 사용자들을 대상으로 한 실증 조사를 통해, FMI의 채택 배경과 기술적 장점, 도입상의 장애 요인, 그리고 표준 개선에 대한 요구 사항을 정리하였다. 이 연구는 FMI가 다양한 산업 분야에서 실질적으로 활용되고 있음을 보여주며, 향후 표준의 발전 방향도 함께 제시하고 있다.
이와 같이 FMI는 다양한 도메인에 걸친 통합 시뮬레이션을 지원하며, 단순한 모델 교환을 넘어 실제 운영 환경과의 연계 가능성 측면에서 구조적 유연성을 제공한다. 특히 실시간 데이터 확보가 제한되거나 보안상 제약이 존재하는 환경에서는, 데이터의 세부 내용이 제공되지 않더라도 그 구조적 특성과 입출력 인터페이스 정의 등을 기반으로 각 구성 요소를 독립된 단위로 구현할 수 있다는 점에서 효과적인 접근 방식이 될 수 있다.
이러한 구조는 군경 해양데이터 기반 분석·활용기술 개발에 특히 유용하게 적용될 수 있다. 실제 개발 과정에서는 외부로부터 제공받을 수 있는 데이터의 범위가 제한되며, 세부 내용 없이 구조 정보와 입출력 형식만 확보 가능한 상황이 많다. 이러한 한계 속에서, 개발 대상 기술의 핵심 요소를 FMU 형태로 구현하고 이를 통합 시뮬레이션으로 구성함으로써, 초기 단계의 기능 검증 및 분석이 가능하다. 이후 해당 시스템은 군경 내부로 이관되어, 실제 데이터를 FMU에 연동하거나 관련 하드웨어와 연결함으로써 실환경 기반의 정밀한 검증과 운용으로 확장할 수 있다. 이처럼 FMI는 시뮬레이션뿐만 아니라 실증 적용까지 연계 가능한 구조를 제공하므로, 보안상 제약이 존재하는 해양데이터 환경에서의 분석·활용기술 개발에 적합한 기술적 기반이 될 수 있다.
3. 해상교통 시뮬레이션 모델 요구사항 도출
3.1 시뮬레이션 환경 특성 및 제약사항
군경 기관이 보유한 해양데이터를 활용한 기술 개발 환경은 국가 안보 및 해상 안전 임무의 특성상, 데이터 활용 전반에 걸쳐 민간 분야와 차별화되는 고유한 특성 및 제약사항을 지닌다. 이는 해양데이터 분석활용기술 개발을 위한 시뮬레이션 환경 설계 시 필수적으로 고려해야 할 핵심 요소이며, 주요 특성 및 제약사항은 다음과 같다.
(1) 데이터 및 장비 정보 접근의 제한성
군사적·보안상의 이유로 실시간 선박 위치 정보, 상세 해양환경 정보, 관련 장비의 세부 특성 등 기밀에 해당하는 정보는 외부에 공개되거나 실시간으로 공유되지 않는다. 이러한 정보 접근의 제한성은 외부 기관의 시뮬레이션 모델 개발 및 검증에 심각한 제약을 야기한다. 따라서 시뮬레이션은 기밀 정보 없이도 일반적인 모델을 생성하여 운용할 수 있는 유연성을 요구하며, 개발된 모델은 실제 운용 환경으로 이관된 후 군경 내부에서 실제 장비 정보를 자체적으로 입력하여 활용할 수 있는 구조를 지녀야 한다.
(2) 실환경 기반 검증의 어려움 및 모의 환경 의존성
실제 해상에서 군경 작전과 관련된 다양한 시나리오, 특히 위험하거나 극비 상황을 직접 재현하고 실험하는 것은 막대한 비용, 시간, 안전 및 보안 문제로 사실상 불가능하다. 비정상적인 선박 행동이나 특정 기상 조건 하의 복잡한 통항 상황 재현 또한 현실적으로 어렵다. 이러한 제약으로 인해 시뮬레이션은 현실적 한계를 극복하고 기술의 효과성 및 안정성 확보를 위해 가상 환경에서의 정밀한 모사와 반복적인 실험 기능을 필수적으로 제공해야 한다.
(3) 이기종 시스템의 독립적 개발 및 통합의 복잡성
군경 시스템은 일반적으로 다양한 이기종 장비와 소프트웨어로 구성되며, 각 구성 요소가 독립적인 개발 환경에서 구축되는 경우가 많다. 이러한 시스템 간의 효율적인 연동과 통합은 전체 시스템의 성능과 운용 효율성을 결정짓지만, 표준화되지 않은 인터페이스로 인해 기술적 난이도가 높다. 따라서 시뮬레이션은 각 모델이 개별적으로 개발되어도 무방하며, 모의된 장비 모델에 실제 장비를 연결하여 사용하더라도 원활히 운용될 수 있도록 높은 수준의 상호 운용성을 확보해야 한다. 이는 실제 장비의 스펙을 모르는 상황에서 일반적인 장비 특징을 토대로 모사한 모델에 실제 장비를 부착하여도 운용에 문제가 없어야 함을 의미한다.
3.2 모델 설계 주요 요구사항 도출
3.1절에서 분석된 해양 시뮬레이션 환경의 특성 및 군경 운용 환경의 제약사항을 바탕으로, 제안하는 해상교통 시뮬레이션 모델이 충족해야 할 핵심 요구사항을 도출하였다. 현실적인 해상교통 시스템 모사 및 분석을 위해서는 선박 자체의 기동 및 의사결정과 더불어 항해에 직접적인 영향을 미치는 해양환경 요소를 필수적으로 고려해야 한다. 특히 복잡한 해상교통 시스템을 효율적으로 모델링하고 분석하기 위해, 본 연구에서는 핵심적인 상호작용 주체인 '선박'과 그 운항에 필수적인 '해양환경'에 초점을 맞추었다. 따라서 본 연구에서는 해상교통 시뮬레이션을 구성하는 핵심 요소인 선박항해 에이전트와 수로환경 에이전트를 중심으로 모델을 설계하며, 이들이 충족해야 할 개별 요구사항을 구체화하였다.
3.2.1 선박항해 에이전트 모델
선박항해 에이전트는 시뮬레이션 내에서 각 선박의 자율적인 행동과 상호작용을 모사하기 위한 핵심 요소이다. 3.1절에서 언급된 해상 환경의 동적 상호작용 특성 및 기존 시뮬레이션의 한계를 극복하고 현실적인 해상교통 환경을 반영하기 위해, 선박항해 에이전트는 다음 요구사항을 충족해야 한다.
(1) 자율 항해 및 경로 추종
선박항해 에이전트는 외부로부터 입력된 전역(Global) 경로를 기준으로 자율적인 항해 임무를 수행해야 한다. 이는 단순히 정해진 궤적을 따르는 것을 넘어, 시뮬레이션 중 변화하는 환경이나 상황에 능동적으로 반응하며 경로를 안정적으로 유지하거나 조정하는 기능을 포함해야 한다. 궁극적으로 지정된 목적지까지의 항로를 효과적으로 추종해야 한다.
(2) 실시간 충돌 위험 인지 및 회피
에이전트는 자선과 주변 선박들의 실시간 위치, 속력, 침로 정보는 물론, 수로환경 정보를 종합적으로 분석하여 잠재적인 충돌 위험을 인지해야 한다. 충돌 위험이 감지될 경우, 국제해상충돌예방규칙(COLREGs)과 같은 해상교통 규칙을 준수하며 안전한 회피 경로를 실시간으로 생성하고, 해당 경로를 따라 조종을 수행하여 위험을 회피해야 한다. 위험 해소 시에는 원래의 전역 경로로 복귀하는 능력 또한 갖추어야 한다.
(3) 동적 조종 특성 반영
시뮬레이션 내 선박의 기동은 단순한 위치 이동을 넘어, 실제 선박이 가진 동역학적 특성을 현실적으로 반영해야 한다. 이는 선박 조종 시 관성, 전진 거리, 선회 반경 등 실제 조종 성능을 모사하여 시뮬레이션의 현실성을 높여야 함을 의미한다.
3.2.2 수로환경 에이전트 모델
수로환경 에이전트는 선박의 항로 계획 및 충돌 회피 기능에 영향을 미치는 해양의 물리적 환경 요소를 모사하고 제공하는 역할을 수행한다. 3.1절에서 분석된 해양 환경의 동적 특성과 현실 반영의 필요성에 따라, 수로환경 에이전트는 다음 요구사항을 충족해야 한다.
(1) 시공간적 해양환경 정보 제공
수로환경 에이전트는 시뮬레이션 시간과 선박의 위치에 따라 해당 지점의 수심, 조류, 조위 정보 등 주요 해양환경 데이터를 실시간으로 정확하게 계산하고 제공해야 한다. 이는 해양환경이 고정된 값이 아니라 시공간적으로 변화하는 동적 특성을 지님을 반영해야 한다.
(2) 항행 지형 및 제한 구역 반영
전자해도에 포함된 육상, 해안선, 항행 제한 구역, 위험 지형, 항행 보조 시설 등 선박의 항로 설정 및 안전 운항에 필요한 공간적 제약 조건을 정밀하게 반영하고, 이 정보를 선박항해 에이전트와 같은 요청자에게 제공해야 한다. 이는 시뮬레이션 환경의 현실성과 안전성 판단의 기반이 되어야 한다.
4. 에이전트 기반 시뮬레이션 모델 설계
제3장에서 도출된 해상교통 시뮬레이션의 핵심 요구사항을 바탕으로, 본 장에서는 해상교통 시뮬레이션의 핵심 요소인 선박과 수로환경을 자율성을 지닌 에이전트로 모델링한다. 또한, 각 에이전트 간 상호작용을 모사할 수 있는 에이전트 기반 시뮬레이션 구조를 설계한다. 각 에이전트는 실제 해상 상황을 반영하여 항해 의사결정 및 해양환경 정보 모사 기능을 수행한다. 나아가, FMI 표준 적용 가능성을 고려하여 FMU 형태로 패키징하고, 이기종 시뮬레이션 플랫폼 간 통합 연계도 염두에 두고 설계하였다. 이를 통해 복잡한 해상 운용 조건에서도 각 요소를 독립적으로 개발·반복 실험할 수 있으며, 실제 장비와의 연계 등 다양한 응용이 가능한 모듈형 시뮬레이션 환경을 마련할 수 있다.
4.1 선박항해 에이전트 모델 설계
선박항해 에이전트는 시뮬레이션에 참여하는 각 선박이 자율적으로 항해 의사결정을 수행할 수 있도록 설계된 기능 모듈이다. 해당 에이전트는 외부로부터 입력된 전역 경로를 따라 항해하도록 구성되어 있으며, 항해 중 충돌 위험이 감지될 경우 자율적으로 회피 경로를 실시간으로 생성한다. 이후 생성된 회피 경로를 따라 항해를 수행하며, 위험이 해소되면 기존 전역 경로로 복귀하여 목적지까지의 항로를 계속 추종한다. 본 연구에서는 먼저 단일 선박의 자율 항해 방식에 대한 설계를 바탕으로, 다중 선박 간 상호작용 처리 기능을 확장하여 제시하였다.
Fig. 1은 선박항해 에이전트의 기능적 구성을 나타낸 것이다. 본 에이전트는 계획 경로 추종(Planned path following)과 회피 경로 생성(Local path planning) 기능으로 구성되며, 통합 인터페이스(Integration interface)를 통해 수로환경 정보(Hydrographic environment), 선박 제원(Ship’s particulars), 선박 동적 상태(Ship’s dynamic state), 전역 경로 계획(Global path plan) 등 항행 관련 데이터를 입력받는다. 수신하는 데이터는 그 특성에 따라 일회성으로 제공되거나, 시뮬레이션 시간에 따라 주기적으로 갱신된다. 에이전트는 입력된 정보를 바탕으로 항해 상황을 실시간으로 인지하고, 각 기능을 순차적 또는 반복적으로 작동시켜 자율 항해를 수행한다.
시뮬레이션이 시작되면, 선박항해 에이전트는 수신된 전역 경로 계획을 기반으로 계획 경로 추종 기능을 수행하여 지정된 항로를 따라 항해를 시작한다. 항해 중 주변 선박과의 충돌 위험이 감지되면, 회피 경로 생성 기능이 활성화되어 선박의 조종 특성(Ship maneuvering Characteristics)과 국제해상충돌예방규칙(COLREGs)을 복합적으로 고려한 회피 경로를 산출한다. 이후 선박은 생성된 회피 경로를 따라 항해하며, 충돌 위험이 해소되면 다시 전역 경로로 복귀하여 항해를 지속한다.
Fig. 2는 이러한 선박항해 에이전트의 기능 수행 흐름을 전자해도 기반의 시뮬레이션 환경에서 시작적으로 나타낸 예시로, 출발지에서 목적지까지 항해하는 동안 발생할 수 있는 충돌 상황과 회피 기동의 전 과정을 순차적으로 보여준다.
(a) Planned path following: 외부에서 입력된 전역 경로(초록색 점선)를 기반으로 초기 항로를 따라 항해를 시작한다. 항로는 해도 상 수심 조건을 고려하여 설정되며, 선박은 이를 추종한다.
(b) Collision risk recognition: 항해 도중 주변 선박(검은색 선박)과의 충돌 위험도를 평가하여, 충돌 가능성을 판단한다.
(c) Local path planning: 충돌 위험이 감지되면, 충돌 회피를 위해 선박의 조종 성능과 COLREGs를 고려하여 회피 가능한 대체 경로를 생성한다. 회피 경로는 전역 경로와 분기된 새로운 항로(주황색 점선)로 시각화된다.
(d) Planned path following and local path re-planning: 생성된 회피 경로를 따라 선박이 안전하게 기동한 뒤, 충돌 위험이 해소되면 다시 전역 경로로 복귀하여 항해를 지속한다.
선박항해 에이전트에 적용된 선박의 조종 운동 특성은 현실적인 선회 반응을 반영할 수 있도록 1차 미분방정식 기반의 동역학 모델인 Nomoto 모델을 바탕으로 설계되었다. 식(1)의 Nomoto 모델은 선박의 선회 반응 특성을 1차 미분방정식으로 근사한 것으로, 간결한 수치 계산 구조를 유지하면서도 현실적인 조종 응답 특성을 반영할 수 있는 장점이 있다(Nomoto et al., 1957).
여기서, r은 선박의 선회율, δ는 조타각, K 및 T는 조종성능지수를 의미한다. 본 연구에서는 일반적인 함정 모델의 조종 성능을 기준으로 초기 계수를 설정하였으며, 해당 모델은 위치, 속도, 침로 등의 상태변수와 선회율, 조타입력 등의 제어변수로 구성된다. 또한 선박 객체 구조는 향후 다양한 선종 및 환경 조건의 확장을 고려하여 모듈화된 형태로 구현되었다.
경로 결정은 강화학습 기반의 정책 결정 알고리즘을 통해 이루어진다. 본 연구에서 설계된 시뮬레이션 환경은 연속적인 상태 및 행동 공간, 부분적인 정보 인식, 그리고 주변 선박과의 상호작용으로 인해 예측이 어려운 상황이 반복되는 특성을 가진다. 이러한 환경에서는 안정적인 수렴성과 높은 탐색 효율을 동시에 보장할 수 있는 정책 학습 알고리즘이 요구된다. SAC(Soft Actor-Critic) 알고리즘은 확률적 정책 기반의 off-policy 강화학습 기법으로, 식(2)에서 제시하는 보강 기대 보상 함수를 최대화하는 정책을 학습하도록 설계되었다(Haarnoja et al., 2018).
여기서, J(π)는 정책 에 대한 기대 보상 함수이며, r(st,at)는 상태 st에서 행동 at를 선택했을 때의 보상, H(π(·|st))]는 정책의 엔트로피를 의미한다. 점 기호 ·은 아직 행동을 지정하지 않은 상태에서의 분포 함수를 의미하며, a는 보상과 탐색 간의 균형을 조절하는 가중 계수이다. E(st,at)~ρπ는 정책 π에 따라 수집된 상태-행동 쌍의 분포에 대한 기댓값을 나타낸다. 이 목적 함수는 보상을 최대화함과 동시에 정책의 다양성을 유지하도록 유도하여, 복잡하고 불확실한 항해 상황에서도 에이전트가 안정적으로 학습할 수 있도록 한다.
이와 같이 구성된 단일 에이전트 구조는 단일 선박 운항을 전제로 설계되었으므로, 여러 선박이 동시에 운항하는 실제 해상교통 환경에서 발생하는 복잡한 상호작용을 처리하는 데는 한계가 있다. 따라서 다중 선박 간의 상호작용을 처리할 수 있는 구조 확장이 필요하다. 다중 에이전트 구조에서는 복수의 에이전트가 동시에 상호작용하므로 각 에이전트가 어떤 정책을 기반으로 의사결정을 수행할지에 대한 정책 구조가 중요한 설계 요소가 된다.
정책 구조는 일반적으로 에이전트별 독립된 정책을 적용하는 방식과 하나의 공통된 정책을 공유하는 방식으로 구분된다. 독립 정책 방식(Independent policy)은 각 에이전트가 개별적으로 학습하고 의사결정을 수행하는 구조로, 복잡한 상호작용 환경에서 분산 학습을 통해 높은 확장성을 제공한다. 반면, 공유 정책 방식(Shared policy)은 각 에이전트가 독립적인 관측 정보를 바탕으로 행동을 결정하면서도 하나의 공통된 정책 네트워크를 공유함으로써 학습 효율을 높이고 파라미터 수를 줄일 수 있어, 일반적인 다중 에이전트 강화학습에서 널리 활용된다.
본 연구에서는 공유 정책 방식을 적용하였으며, 중앙집중형 훈련-분산형 실행(Centralized training with decentralized execution) 프레임워크를 기반으로 알고리즘을 구성하였다. 중앙집중형 훈련-분산형 실행 프레임워크는 학습 단계에서는 전체 에이전트의 관측 정보를 활용하고, 실행 단계에서는 각 에이전트가 자신의 관측 정보만으로 행동을 결정하는 방식으로, 완전 중앙집중형 또는 완전 분산형 접근 방식의 한계를 보완하는 대표적인 다중 에이전트 강화학습 방식으로 활용된다(Yoo et al., 2020).
이러한 정책 및 학습 구조는 시뮬레이션 환경의 동작 방식에 반영되어, 전체 해상교통 시뮬레이션은 동적으로 운영되고 각 에이전트의 상태가 지속적으로 갱신되는 방식으로 구성된다. 시뮬레이션은 매 시간 단계(Time step)마다 각 에이전트에게 관측 가능한 상태 정보를 제공하고, 사전에 정의된 보상 함수를 기반으로 보상을 전달하도록 설계되었다. 에이전트는 이를 바탕으로 행동을 선택하며, 선택된 행동은 즉시 환경에 반영되어 전체 시뮬레이션 상태가 갱신된다. 이러한 반복적 상호작용을 통해, 에이전트는 제한된 관측 정보만을 이용한 분산 실행 환경에서도 점진적으로 복잡한 해상 상황에 적응하며 항해 전략을 학습하게 된다.
4.2 수로환경 에이전트 모델 설계
선박의 항로 계획 및 충돌 회피 기능에 영향을 미치는 해양의 물리적 환경 요소를 모사하고 제공하기 위해, 수로환경 에이전트의 설계 방안을 제시한다. 본 연구에서는 수로환경 정보를 효율적으로 시뮬레이션에 반영하기 위해 선박 항해 동작에 실질적인 영향을 미치는 정보를 선별하여 반영함으로써, 모델의 효율성과 목적 적합성을 동시에 확보하고자 하였다. 이에 따라 항행 관련 지형 정보, 수심, 조위, 조류를 핵심 수로환경 요소로 정의하고, 이를 중심으로 수로환경 에이전트를 구성하였다.
항행 관련 지형 정보는 전자해도에 포함된 항행 지원 시설, 항행 제한 구역, 위험 지형 요소 등을 포함하며, 선박의 항로 설정과 기동 판단에 직접적인 영향을 미치는 요소로 구성된다. 본 연구에서는 이러한 정보를 유형별로 분류하고, 이를 기반으로 시뮬레이션 해역의 공간적 제약 조건을 정의하였다. 주요 항목은 Table 1에 정리되어 있다.
수심 정보는 전자해도에 포함된 수심 객체를 기반으로 처리될 수 있도록 설계되었다. 전자해도의 수심 레이어(Sounding layer)는 위·경도 좌표와 수심 값을 포함하는 3차원 포인트 정보로 구성되며, 시뮬레이션 중 선박 위치에 가장 근접한 수심값이 선박항해 에이전트로 전달되도록 설계되었다. 이를 위해 수심 데이터를 사전 전처리하고, 데이터 그룹화 및 최근접 수심 탐색 알고리즘을 적용하여 고속 검색이 가능하도록 설계하였다.
조위 정보는 국립해양조사원에서 제공하는 한국연안 조석표 데이터를 기반으로 활용될 수 있도록 설계되었다. 조석표에 포함된 조위값과 조위 예측 극치자료를 활용하여 시간대별 조위 값을 계산한 뒤, 이를 주요 항만별로 정리하여 전자 조석표 형태로 구성하였다. 시뮬레이션 중에는 이 전자 조석표를 기반으로 선박의 위치와 시간에 해당하는 조위 값을 선박항해 에이전트에 제공하도록 설계하였다.
조류 정보는 국립해양조사원에서 개발한 수치조류도 라이브러리를 활용하여 적용될 수 있도록 설계되었다. 이 라이브러리는 수치 모델로부터 도출된 조류 예보 상수를 기반으로, 설정된 예측 시간과 간격에 따라 특정 위치의 조류 유속 및 유향 값을 계산할 수 있도록 구성되어 있다. 선박항해 에이전트에 제공되는 조류 정보는 시뮬레이션 중 시간과 선박의 위치에 따라 해당 격자 셀에서 도출된 예측 값을 기반으로 하도록 설계되었다.
수로환경 에이전트는 시뮬레이션 시간과 선박 위치를 입력으로 받아, 해당 지점에 대한 수심, 조위, 조류 정보를 실시간으로 출력하며, 이러한 정보는 선박항해 에이전트의 경로 결정, 충돌 회피 등 주요 의사결정에 활용된다. 출력값은 시뮬레이션 내 다른 에이전트들과의 연계를 위해 사전에 정의된 메시지 포맷을 통해 전달되며, 에이전트 간 정보 교환의 일관성과 시간 동기화를 보장할 수 있도록 구성되었다.
Fig. 3은 수로환경 에이전트의 데이터 흐름 구조를 시각적으로 나타낸다. 입력 데이터는 S-57 전자해도, 전자조석표(Digital tide table), 수치조류도(Numerical tidal current chart) 등으로 구성되며, 에이전트 내부에서 처리된 후 표준 메시지 포맷으로 선박항해 에이전트에 전달되어 항로 설정 등 주요 의사결정에 활용된다.
5. 결 론
본 연구는 군사적·보안상 제약으로 인해 실제 데이터를 활용하기 어려운 군경 운용 환경에서, 가상 시뮬레이션을 통한 기술 개발 및 검증의 필요성에 대응하기 위해 에이전트 기반 해상교통 시뮬레이션 모델의 설계 방안을 제시하였다.
제안된 시뮬레이션 모델은 선박항해 에이전트와 수로환경 에이전트로 구성된다. 선박항해 에이전트는 충돌 위험을 실시간으로 감지하고, 회피 경로를 생성하여 자율적으로 기동하는 기능을 수행하며, Nomoto 모델 기반 조종 운동 특성과 강화학습 기반 의사결정 구조를 반영하여 현실성을 확보하였다. 수로환경 에이전트는 항행 지형, 수심, 조위, 조류 등 주요 해양환경 요소를 시공간적으로 모사하고, 이를 실시간으로 제공하는 기능을 수행한다.
특히, 설계된 에이전트 모델 간 상호 운용성을 확보하기 위한 수단으로 FMI 표준 적용을 고려하였다. FMU 형태의 모델은 이기종 시스템 간의 통합과 재사용을 가능하게 하며, 제한된 정보 환경에서도 시뮬레이션 기반 분석 및 기술 검증의 유효한 수단으로 활용될 수 있다. 이러한 접근 방식은 군경 운용 환경으로의 기술 이관 및 실환경 연동 확장을 위한 기반을 마련하였다는 점에서 의의가 있다.
실제 군경 환경의 정보 제약성과 기술 개발 난이도를 고려하여, 본 연구는 향후 시스템 구현 및 검증에 앞서 핵심 요소들의 상호작용과 유효성 확보 방안을 명확히 제시하는 선행 연구로서, 시뮬레이션 모델의 이론적 기반과 구조적 설계에 집중하였다. 향후 연구에서는 본 연구에서 제안한 시뮬레이션 구조를 실제 구현하고, 다양한 군경 작전 시나리오에 적용하여 에이전트 모델의 유효성과 성능을 실증적으로 검증할 예정이다. 아울러, 계산 효율성과 반복 시뮬레이션에 적합한 Nomoto 모델은 실제 선박의 복잡한 조종 특성이나 외란의 영향 등을 충분히 반영하기 어렵다는 한계가 있으므로, 향후 연구에서는 MMG(Maneuvering Modeling Group) 모델 등 보다 정밀한 비선형 선박 운동 모델의 적용 가능성도 함께 고려할 계획이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
