UTM 퍼즐 풀기: AI로 저고도 공역 충돌을 해결하는 방법

배송 드론이 도시를 가로지르는 정기 비행 경로를 따라 비행하는 동안, 인근 옥상에서 검사 드론이 이륙하고, 공공 안전 임무 드론이 우선 접근권을 부여받으며, 앞쪽에 임시 공역 제한 구역이 나타납니다. 이러한 비행 자체는 본질적으로 위험하지 않습니다. 문제는 이 드론들의 계획이 시공간적으로 겹칠 수 있고, 이륙 후 상황이 바뀔 수 있다는 점입니다.

실질적인 무인항공기 교통 관리(UTM)의 난제는 바로 이것입니다. 수많은 운영자들이 저고도 공역을 공유하면서도 모든 상호 작용을 음성 통신이나 마지막 순간의 회피 기동으로 만들지 않으려면 어떻게 해야 할까요? 오늘날 가장 타당한 해답은 "인공지능이 모든 것을 조종하게 하라"는 것이 아닙니다. 오히려 상호 운용 가능한 데이터, 전략적 충돌 방지, 규정 준수 모니터링, 전술 서비스, 그리고 기체 내 안전 기능이 각각 다른 위험 요소를 처리하는 계층 구조가 더 효과적입니다. 인공지능은 이러한 계층 중 여러 부분을 개선할 수 있지만, 여전히 명확한 제약 조건, 검증, 그리고 비상 대책이 필요합니다.

UTM이 연구 단계에서 운영 단계로 나아가고 있기 때문에 이러한 구분은 중요합니다. FAA의 현재 UTM 프로그램은 운영자와 서비스 제공업체가 API를 통해 데이터를 교환하는 분산형 고도로 자동화된 생태계를 설명하며, FAA는 상업용 가시선 밖 비행(BVLOS) 운영을 지원하는 전략적 충돌 방지 서비스에 대한 승인서(Letters of Acceptance) 발급을 시작했다고 밝혔습니다. 동시에, 더 광범위한 미국 항공 규정(Part 108/Part 146)은 2026년 9월 현재 최종 규정이 아닌 제안 규정 단계에 머물러 있습니다. 이는 운영 역량은 발전하고 있지만 규제 체계는 여전히 진화하고 있음을 의미합니다.

저고도 충돌 방지가 개별 경로를 그리는 것보다 어려운 이유는 무엇일까요?

첫 번째 원인은 차원성입니다. 충돌은 단순히 지도상에서 두 선이 교차하는 것만으로 발생하는 것이 아닙니다. 각 작업은 위도, 경도, 고도, 시간이라는 4차원 공간을 차지하며, 불확실성을 고려한 여유 공간도 있습니다. 2차원에서 동일해 보이는 경로라도 항공기가 서로 다른 고도나 시간대를 사용한다면 충돌이 없을 수 있습니다.

두 번째 원인은 불확실성입니다. 바람, 항법 오류, 출발 지연, 명령 및 제어 지연, 기체 성능, 날씨, 일시적인 제한 사항, 비상 임무 등은 모두 항공기를 원래 계획에서 벗어나게 할 수 있습니다. 따라서 출발 전에 한 번만 경로를 확인하는 시스템은 비행 중에 정보가 최신 상태가 아니게 될 수 있습니다.

세 번째 이유는 참여입니다. 전략적 협력은 관련 운영자들이 의도를 공유하고 공통 규칙을 준수할 때 가장 효과적입니다. FAA가 후원한 연구에 따르면, 2025년 BVLOS(가시선 밖 비행) 제안 규칙 에서 인용한 바와 같이, 보편적인 전략적 충돌 방지 기능을 포함한 시뮬레이션은 그렇지 않은 시뮬레이션에 비해 무인 항공기 간 공중 충돌을 약 100배 감소시키는 것으로 나타났습니다. 같은 논의에서 ASTM 분석 결과 97.9% 감소 효과가 언급되기도 했습니다. 이는 시뮬레이션 및 안전 분석 결과이며 모든 실제 배치에서 보장되는 것은 아니지만, 공동 참여가 왜 중요한지를 보여줍니다.

실질적인 조치: 정교한 AI를 추가하기 전에, 참여하는 모든 시스템이 공통된 시간 및 공간 참조를 사용하여 운영 의도를 설명하고 다른 서비스 제공업체와 안정적으로 교환할 수 있는지 확인하십시오.

1단계: 이륙 전 예상 가능한 갈등 해결

전략적 충돌 방지는 계획을 변경할 시간이 아직 남아 있기 때문에 해결하기 가장 쉬운 충돌 유형입니다. NASA의 UTM 전략적 충돌 방지 연구는 운영자가 중복 영역을 식별하고 충돌 없는 운영 계획을 수립할 수 있도록 검색 가능한 4차원 운영 영역의 활용을 입증했습니다. 유럽에서는 EASA U-space 규정에서 무인항공기(UAS) 비행 허가를 전략적 충돌 방지 메커니즘으로 설명하고 있으며, 제안된 비행이 공간 및 시간적으로 이미 통보된 다른 허가 영역과 겹치는지 여부를 확인하도록 요구합니다.

기본 충돌 방지 엔진은 결정론적일 수 있습니다. 계획된 4D 볼륨을 비교하고, 우선순위 규칙을 적용하고, 제한 구역을 준수하며, 다른 출발 시간, 고도대 또는 경로와 같은 대안을 제시할 수 있습니다. 이는 "AI 기반"이 "불투명"과 동의어가 되어서는 안 되기 때문에 중요합니다. 안전에 중요한 많은 충돌은 명시적인 기하학적 정보와 규칙을 통해 처리할 수 있습니다.

실질적인 조치: 우선 확정적 충돌 감지 기능을 구현하십시오. 머신 러닝을 두 작업의 호환성을 결정하는 유일한 메커니즘이 아니라, 명확하게 정의된 안전 범위 위에 구축되는 최적화 도구로 취급하십시오.

2단계: 항공기가 의도한 항로 내에 머무르는지 모니터링합니다.

충돌 없는 계획은 항공기가 실제로 계획을 준수할 때만 유용합니다. 준수 모니터링은 보고된 항공기 상태를 허가되거나 선언된 운항량과 비교하여 항공기가 범위를 벗어나거나 근접할 때 경고를 발생시킵니다.

이는 단순한 추가 기능이 아닙니다. FAA가 제안한 BVLOS(가시선 밖 비행) 프레임워크는 전략적 충돌 방지와 규정 준수 모니터링을 명시적으로 함께 논의하고 있으며, NASA의 2025년 충돌 위험 연구는 시뮬레이션을 통해 일부 항공기가 규정을 준수하지 않거나 예상치 못한 상황에 처했을 때, 출발 전 전략적 충돌 방지와 규정 준수 모니터링을 결합하는 것이 전략적 충돌 방지만 사용하는 것보다 혼합 교통을 더 안전하게 관리할 수 있다는 사실을 밝혀냈습니다.

인공지능 기반 시스템의 경우, 바로 이 지점에서 예측이 유용해질 수 있습니다. 모델은 엄격한 임계값을 넘어서기 전에 편차가 갈등으로 발전할 가능성을 예측할 수 있습니다. 하지만 예측은 확정적인 적합성 한계를 대체하는 것이 아니라 보완해야 합니다.

실질적인 조치: "예측"과 "위반"을 구분하십시오. AI가 미래 위험을 예측하도록 하고, 추적 가능한 규칙 엔진이 작업이 공식적으로 규정을 위반했는지 여부를 판단하도록 하십시오.

3단계: 공역 변경 시 재계획

출발 후 기상 현상의 변화, 우선 순위 임무 발생, 드론의 예상치 못한 속도 저하, 공역 제한 변경 등 여러 가지 충돌 상황이 발생할 수 있습니다. 이러한 상황에서는 사전 비행 계획 수립 이상의 것이 필요합니다. 지속적인 경로 재계획, 즉 각 비행 궤적의 다음 구간을 반복적으로 평가하고 상황이 긴급해지기 전에 안전한 대안을 제시하는 기능이 필수적입니다.

EASA 지침은 새로운 충돌이 발생하지 않는 한 활성 승인을 업데이트할 수 있도록 허용하며, 동적 제한 사항이나 교통 상황으로 인해 항공편이 위험에 처할 경우 경고하거나 승인을 업데이트하도록 설명합니다. 이는 유럽 외 지역에서도 유용한 아키텍처 패턴입니다. 즉, 계획된 의도와 활성 제약 조건을 구분하고, 모든 비행 중 업데이트를 명시적으로 수행하고 참여자 간에 동기화하는 것입니다.

최적화 기법은 여러 가지 유효한 해결책이 존재할 수 있는 상황에서 도움이 될 수 있습니다. 어떤 경로는 지연 시간을 최소화하고, 다른 경로는 에너지 소비를 줄이며, 또 다른 경로는 지상 위험을 최소화하고, 우선순위가 높은 교통 흐름에 미치는 영향을 최소화할 수 있습니다. 휴리스틱 탐색, 다중 에이전트 계획 또는 학습된 정책과 같은 AI 기술은 인간 관제사가 하나씩 평가하는 것보다 훨씬 빠르게 이러한 선택지들의 순위를 매길 수 있습니다.

실질적인 조치: 알고리즘을 선택하기 전에 목적 함수를 정의하십시오. 충돌 방지 시스템은 안전 여유, 임무 완료, 지연 시간, 배터리 잔량, 공정성 또는 이러한 요소들의 가중치 조합 중 무엇을 최적화하는지 알아야 합니다. 그렇지 않으면 "최적 경로"는 실질적인 의미가 없습니다.

4단계: 전술적 분리와 충돌 회피를 명확히 구분하십시오.

전술적 충돌 방지와 충돌 회피를 같은 것으로 오해하는 경우가 흔합니다. 하지만 이 둘은 다릅니다. ICAO의 UTM 지침에서는 전략적 충돌 방지, 전술적 분리, 그리고 충돌 회피를 각각 별개의 단계로 구분합니다. 전략적 메커니즘은 항공기가 애초에 충돌할 확률을 줄여줍니다. 전술적 분리는 비행 중 발생할 수 있는 충돌 상황에 대응하는 것입니다. 충돌 회피는 이전 단계의 조치들이 모두 실패했거나 예상치 못한 위험이 발생했을 때 최후의 방어선 역할을 합니다.

이러한 책임 분리는 AI에 있어 중요합니다. 잠재적 충돌 몇 분 전에 경로 변경을 권장하는 머신러닝 모델은 마지막 순간에 회피 기동을 수행하는 온보드 시스템과는 근본적으로 다릅니다. 지연 시간, 신뢰도, 감지 및 인증 요구 사항이 서로 다르기 때문입니다.

실질적인 조치: 각 결정에 대한 책임 계층을 문서화하십시오. 지상 기반 경로 최적화 시스템이 빠른 추천 기능을 제공한다는 이유만으로 충돌 방지 시스템으로 둔갑하지 않도록 하십시오.

AI가 실질적인 가치를 더할 수 있는 곳

AI는 단순한 규칙으로는 해결하기 어려울 정도로 탐색 공간이 너무 크지만, 엄격한 안전 요구 사항에 따라 해결책을 제한할 수 있는 경우에 가장 유용합니다. 특히 네 가지 영역이 두드러집니다.

이 방향에 대한 활발한 연구가 진행 중이지만, 성숙도는 다양합니다. NASA의 2025년 심층 강화 학습 기술 메모는 전술적 분리 보장을 위한 시뮬레이션 프레임워크를 제시하고 쌍대 충돌 시나리오에서 학습 개선의 초기 결과를 보고합니다. 이는 유망한 연구 결과이지만, 제약 없는 강화 학습 에이전트가 실제 UTM 트래픽을 제어할 준비가 되었다는 증거는 아닙니다.

마찬가지로 SESAR 공동 사업의 자율 비행 계획 승인 서비스는 AI 기반이라고 설명되지만, 현재 개발 단계는 V1/TRL2이며 개발이 진행 중입니다. SESAR의 BUBBLES 프로젝트 또한 AI가 자체적으로 발생시키는 위험을 고려하면서 AI가 동적으로 분리 최소값을 관리하는 방법을 연구했습니다.

실질적인 조치: AI 기능을 성숙도별로 분류합니다. 연구 프로토타입, 운영 의사결정 지원, 안전성 확보 기능을 하나의 범주로 묶지 않고 분리합니다.

어려운 부분은 경로 생성이 아니라 보장입니다.

충돌 없는 경로를 생성하는 것은 계산적으로 흥미로운 작업입니다. 하지만 불량 데이터, 장애, 불일치하는 시간, 사이버 공격, 여러 서비스 제공업체, 비협조적인 트래픽 등 다양한 상황에서 전체 시스템이 안전하게 작동함을 입증하는 것은 더욱 어렵습니다.

FAA의 현행 UTM 프로그램은 상호 운용 가능한 서비스 제공업체, 데이터 공유, 거버넌스 및 자동화된 테스트를 강조합니다. 이러한 시스템 속성은 알고리즘 자체만큼이나 중요합니다. 두 서비스 제공업체가 동일한 의도를 수신했는데 숨겨진 모델 동작 때문에 한쪽이 다르게 처리하는 경우, 운영자는 그 이유를 알아야 합니다. 모델이 오래된 기상 데이터에 의존하는 경우, 시스템은 제한된 응답 범위를 가져야 합니다. 네트워크 연결이 저하될 경우, 즉흥적인 대응이 아닌 사전에 합의된 대체 방안이 필요합니다.

2026년 1월에 업데이트된 NASA의 비상 계획 툴킷 프로젝트는 다음과 같은 관련 점을 지적합니다. 미래의 UTM(무인 항공 교통 관리) 및 첨단 항공 이동성 개념은 자율성, 인공지능 및 머신러닝의 증가를 예상하지만, 조정된 비상 대응을 위해서는 여전히 인간과 자동화 시스템의 의도적인 협업이 필요할 것입니다.

실질적인 조치: 정상 경로를 최적화하기 전에 실패 모드를 설계하십시오. 원격 측정 데이터가 지연되거나, 서비스 제공업체에 연결할 수 없거나, 예측 신뢰도가 떨어지거나, 항공기가 규정을 준수하지 않을 때 어떤 일이 발생하는지 정의하십시오.

쉬운 것부터 어려운 것까지, 실용적인 건축 설계

1. 데이터를 정규화하십시오. 공통된 좌표, 고도, 시간, 식별자 및 불확실성 표기법을 사용하십시오.
2. 운영 의도를 공유합니다. 권한이 있는 참여자가 4D 볼륨을 검색할 수 있도록 합니다.
3. 확정적인 전략 점검을 실시하십시오. 출발 전에 명백한 교차점을 제거하십시오.
4. 규정 준수 여부를 모니터링하고, 실제 비행 동작이 의도와 다를 때 이를 감지합니다.
5. 롤링 호라이즌 재계획 기능을 추가합니다. 제약 조건이 변경될 때 안전한 옵션을 다시 계산합니다.
6. AI를 활용하여 순위를 매기고 예측하세요. 엄격한 안전 제약 조건을 유지하면서 의사 결정 속도를 높이세요.
7. 전술적 및 기체 내 장벽을 유지하십시오. 이전 단계의 방어 수단이 불충분할 경우 전술적 분리 및 충돌 회피 기능을 활용할 수 있도록 하십시오.
8. 네트워크를 보장합니다. 상호 운용성, 성능 저하 모드, 사이버 보안, 공정성, 설명 가능성 및 복구 절차를 테스트합니다.

이러한 진행 과정은 흔히 발생하는 엔지니어링 오류, 즉 시스템에 신뢰할 수 있는 의도 데이터, 공유 규칙 및 안전 경계가 갖춰지기 전에 인상적인 모델로 시작하는 것을 방지합니다.

자가 점검: 당신의 갈등 해소 시스템은 실제로 준비되었습니까?

플랫폼을 "AI 기반 UTM"이라고 부르기 전에, 아키텍처상의 허점을 드러내는 질문들을 통해 플랫폼을 테스트해 보세요.

• 계획된 모든 작업을 불확실성 범위를 포함하는 시간 제한 4차원 볼륨으로 표현할 수 있을까요?
• 인공지능 구성 요소를 사용할 수 없는 경우, 시스템이 머신러닝 없이도 충돌을 감지할 수 있습니까?
• 서비스 제공업체 전반에 걸쳐 우선순위 및 공정성 규칙이 명확하고 일관성이 있으며 검토 가능한가?
• 적합성 모니터링은 정상적인 항법 오류와 실제 운항 편차를 구분할 수 있습니까?
• 변동적인 제약 조건, 날씨 변화 및 긴급 임무가 동기화된 재계획을 촉발할 수 있을까요?
• 전략적 충돌 방지, 전술적 분리, 충돌 회피는 각각 별개의 안전 장치로 취급되는가?
• 운영자는 경로가 거부되거나, 지연되거나, 변경된 이유를 이해할 수 있습니까?
• 해당 시스템은 오래된 데이터, 연결 끊김, 규격 미준수 항공기 및 상충되는 서비스 제공업체 상태를 고려하여 테스트되었습니까?
• AI 모델은 평균 최적화 성능뿐 아니라 오류 발생 양상에 대해서도 평가받나요?
• 네트워크 또는 예측 계층을 신뢰할 수 없는 경우를 나타내는 명확한 안전 상태가 있습니까?

여러 질문에 대한 답이 모두 "아니오"라면, 다음 투자는 더욱 정교한 AI 모델보다는 데이터 품질, 상호 운용성, 적합성 모니터링 또는 품질 보증에 집중하는 것이 좋을 것입니다.

결론

UTM 문제는 단 하나의 알고리즘으로 해결될 수 없습니다. 고도가 낮은 밀집된 공역에는 여러 방어 체계가 필요합니다. 즉, 항공 교통을 가시화하기 위한 공동 의도, 예측 가능한 충돌을 제거하기 위한 전략적 충돌 방지, 편차를 감지하는 준수 모니터링, 변화하는 상황에 대응하는 전술 서비스, 그리고 최종 방어선인 충돌 방지 기능이 필요합니다. 인공지능은 충돌을 예측하고 다양한 대체 경로를 탐색함으로써 이러한 방어 체계를 더욱 빠르고 적응력 있게 만들 수 있지만, 검증 가능한 제약 조건 내에서 작동해야 합니다.

오늘날 AI 기반 충돌 방지를 이해하는 가장 유용한 방법은 모든 하위 시스템을 대체하는 자율 항공 교통 관제사로 생각하는 것이 아니라, AI가 오류를 범하거나 시스템을 사용할 수 없을 때에도 기본 UTM 생태계가 상호 운용 가능하고, 관찰 가능하며, 안전한 상태가 된 후에야 가치를 발휘하는 의사 결정 계층으로 생각하는 것입니다.