- 핵심 과제: 우주항공 및 무인이동체의 저자원 컴퓨팅 환경에서 파이썬 등 무거운 의존성을 배제한 온보드 머신러닝 구현.
- 기술 솔루션: C++ 기반의 mlpack 머신러닝 라이브러리와 F Prime 비행 소프트웨어 프레임워크의 통합.
- 실무 검증: 실제 하드웨어 환경에서 커널 밀도 추정(KDE) 기법을 활용한 텔레메트리 데이터 기반 실시간 이상 탐지 성공.
무인이동체 온보드 AI의 한계와 경량화 필요성
최근 자율주행 드론, UGV, 그리고 우주항공 시스템에 이르기까지 피지컬 AI와 데이터 처리를 위한 머신러닝 도입이 급증하고 있다. 자세 제어, 실시간 이상 탐지(Anomaly Detection), 예측 정비 등 다양한 영역에서 AI 모델의 역할은 절대적이다.
하지만 임베디드 비행제어(FC) 및 컴퓨팅 환경은 전력과 연산 자원이 극도로 제한된 저자원(Low-resource) 구조다. 반면, 대다수 머신러닝 소프트웨어는 인터프리터와 무거운 라이브러리를 요구하는 파이썬 기반으로 설계되어 실시간 제어 시스템에 직접 적용하기 어렵다.
C++ 기반 오픈소스 라이브러리와 F Prime 프레임워크 통합
이러한 제약을 극복하기 위해 하드웨어 자원을 최소화하면서 고성능 연산을 수행할 수 있는 경량 툴킷 조합이 필수적이다. 본 연구는 C++ 기반의 과학 연산 라이브러리를 활용해 실무적인 온보드 머신러닝 파이프라인을 제시한다.
핵심 소프트웨어 스택 구성
- mlpack: 종속성이 낮고 고속 연산이 가능한 C++ 머신러닝 라이브러리.
- Armadillo: 고성능 선형 대수 연산을 지원하여 온보드 연산 부하를 최소화.
- F Prime (F’): NASA 등에서 검증된 모듈식 오픈소스 비행 소프트웨어 프레임워크.
커널 밀도 추정(KDE)을 이용한 텔레메트리 이상 탐지
무인이동체 운용 중 발생하는 돌발 상황을 감지하기 위해, 시스템은 수집되는 텔레메트리 데이터를 실시간으로 분석해야 한다. 제안된 시스템은 커널 밀도 추정(Kernel Density Estimation) 알고리즘을 활용해 정상 작동 범위를 정의한다.
비행 중 센서 오류나 기계적 결함으로 인해 비정상적인 데이터 패턴이 발생하면, 모델은 이를 즉각 식별하여 제어 시스템에 피드백을 제공한다. 이 모든 연산은 외부 통신 지연 없이 기체 내부에서 실시간으로 처리된다.
기존 파이썬 기반 방식과 C++ 경량화 방식 비교
| 비교 항목 | 기존 파이썬 기반 방식 | C++ 기반 mlpack + F Prime 방식 |
|---|---|---|
| 연산 자원 요구량 | 높음 (인터프리터 및 대형 패키지 필요) | 최소화 (임베디드 하드웨어 최적화) |
| 실시간성 | 가비지 컬렉션 및 오버헤드로 지연 발생 | 우수함 (결정론적 C++ 실행 속도) |
| 비행 소프트웨어 통합 | 별도 통신 브릿지 필요 | F Prime 프레임워크 내부 직접 통합 |
실무 적용 시사점 및 오픈소스 활용
이번에 구현된 프로토타입은 실제 하드웨어 테스트를 통해 의도적으로 유발된 다수의 비정상 상황을 완벽하게 감지해냈다. 이는 복잡한 머신러닝 파이프라인을 자율주행 드론이나 우주선 같은 극한의 임베디드 환경에 안전하게 이식할 수 있는 실질적인 기준점을 제공한다.
관련 소스 코드는 깃허브(Github)에 공개되어 있어, 무인이동체 개발자들이 자사 하드웨어에 맞게 커스터마이징하여 즉시 활용할 수 있다.
출처: OpenAlex, Lightweight Open Source On-Spacecraft Machine Learning With mlpack and F Prime