난기류에서 제어까지: AI가 드론 비행을 재창조하는 방법

인공지능으로 구동되는 드론은 농업, 건설, 가정 배송 및 응급 대응과 같은 분야에서 중요한 문제 해결사로 빠르게 자리 잡았습니다. 최신 무인 항공기(UAV)는 단순한 비행 카메라가 아닌 재난 지역을 조사하고, 작물 건강을 모니터링하며, 긴급 물품을 배송할 수 있는 모바일 AI 플랫폼입니다.

오늘날 고급 드론의 진정한 가치는 얼마나 빠르게 날거나 얼마나 멀리 여행하는지가 아니라 즉석에서 지능적인 결정을 내릴 수 있는 능력에 있으며, 여기서 AI가 중요한 역할을 합니다. AI 없이는 드론이 실시간으로 동적 환경에 대응하는 데 필요한 상황 인식이 부족합니다.

드론 사용 사례가 더 길고, 높고, 복잡한 비행을 포함하도록 확장됨에 따라 탑재된 제어 시스템은 강한 돌풍, 변화하는 화물 또는 난기류가 있는 지형과 같은 비행 방해에 적응하는 데 종종 어려움을 겪습니다. 실시간으로 적응할 수 있는 능력이 없으면 잘 계획된 임무조차도 빠르게 궤도를 벗어날 수 있습니다.

드론이 미리 프로그래밍된 기계보다 조종사처럼 생각하도록 돕기 위해 MIT 연구진은 학습하고, 적응하며, 실시간으로 반응하는 새로운 종류의 비행 제어 시스템을 개발했습니다. 미리 설정된 규칙이나 사전에 구축된 모델에 의존하는 대신, 이 시스템은 AI를 사용하여 환경의 변화를 감지한 다음 즉시 응답합니다. 연구자들에 따르면 비행 중 방해 요소에 대응하는 정보에 기반한 조정을 시작하기 위해 실시간 관찰 데이터를 수집하는 데 15분의 비행 시간만 필요합니다. 이 시스템은 각 로터가 얼마나 많은 추력을 적용해야 하는지, 드론이 어떻게 기울어지는지 및 기타 유형의 조정을 결정할 수 있습니다.

연구자들이 사용한 기술은 방해 요소를 극복하기 위해 가장 적합한 최적화 알고리즘을 자동으로 결정합니다. 제어 시스템은 "메타 러닝"이라는 방법을 사용하여 훈련되며, 이는 다양한 유형의 방해에 적응하도록 가르칩니다.

드론이 화재 위험이 있는 지역을 모니터링하거나 주거 지역에 무거운 소포를 배달하는 데 배치되든, 이 새로운 적응형 제어 시스템은 성능을 크게 향상시킬 수 있습니다. 시뮬레이션에서는 표준 방법과 비교하여 궤적 추적 오류를 50% 줄였고 훈련 중에 접하지 않았던 풍속에서도 계속 잘 수행했습니다.

"이러한 구성 요소의 동시 학습이 우리 방법에 강점을 부여합니다. 메타 러닝을 활용함으로써 우리의 컨트롤러는 빠른 적응에 가장 적합한 선택을 자동으로 할 수 있습니다"라고 MIT 기계공학과 및 데이터, 시스템 및 사회 연구소(IDSS)의 에스더 및 해롤드 E. 에저튼 조교수인 나비드 아지잔은 말합니다. 그는 또한 정보 및 결정 시스템 연구소(LIDS)의 주요 연구원이며 이 제어 시스템에 관한 논문의 수석 저자입니다.

연구자들은 드론의 비행 제어에서 진정한 과제는 상황에 맞는 올바른 알고리즘을 선택하는 것이라고 강조합니다. 대부분의 전통적인 시스템에서 엔지니어는 드론의 환경을 미리 모델링하여 직면할 수 있는 방해 유형에 대한 가정을 구축하려고 합니다. 그러나 실제 세계는 그렇게 예측 가능하지 않습니다.

추측하는 대신 MIT 팀은 시스템이 스스로 파악하도록 했습니다. 고정된 모델을 비행 데이터에서 학습하는 신경망으로 교체하고 미러 디센트(mirror descent)라는 기술을 사용하여 시스템은 다양한 최적화 접근 방식을 시도하고 그 순간에 가장 잘 작동하는 것을 선택할 수 있습니다.

"미러 디센트는 알고리즘의 일반적인 계열이며, 주어진 문제에 대해 이러한 알고리즘 중 하나가 다른 알고리즘보다 더 적합할 수 있습니다. 관건은 문제에 맞는 특정 알고리즘을 선택하는 방법입니다. 우리 방법에서는 이 선택을 자동화합니다"라고 아지잔은 말합니다.

현재 시스템은 많은 가능성을 보여주지만, 현재로서는 한 번에 한 가지 유형의 방해에 적응하도록 설계되었습니다. MIT 팀은 여러 가지 도전에 동시에 대응할 수 있도록 기능을 확장하기 위해 노력하고 있습니다. 예를 들어, 특히 드론이 액체 화물과 같은 것을 운반하는 경우 변동하는 풍속으로 인해 소포의 무게가 비행 중에 이동할 수 있습니다. 또한 시스템의 지속적인 학습을 위한 옵션을 탐색하고 있습니다. 이를 통해 드론은 처음부터 모든 것을 다시 배울 필요 없이 시간이 지남에 따라 새로운 조건에 계속 적응할 수 있습니다.

MIT의 적응형 제어 시스템은 드론을 예측 불가능한 환경에서 더 지능적이고 능력 있게 만드는 것을 목표로 하는 더 큰 혁신의 물결의 일부일 뿐입니다.

TornadoDrone 및 Lander AI와 같은 프로젝트는 실제 비행 데이터를 사용하여 드론이 복잡한 공기역학적 과제를 처리하도록 훈련시키고 있습니다. 이러한 시스템은 변화하는 바람, 불안정한 표면 및 갑작스러운 움직임을 훨씬 더 정확하게 다루는 법을 배웁니다.

연구자들은 또한 DRAL 프레임워크와 같은 시스템을 통해 다중 드론 조정에서도 진전을 이루었으며, 이를 통해 드론이 팀으로 학습하고 적응할 수 있습니다. 이는 무거운 물건을 운반하거나, 넓은 지역을 빠르게 검색하거나, 인프라를 검사하는 데 유용할 수 있습니다. 실내 공간에서는 조정된 드론이 서로 충돌하지 않고 안전하게 탐색할 수 있습니다.