- 핵심 기술: MARUS 시뮬레이션 데이터와 물리 제약 신경망(PINN), LLM 기반 심볼릭 탐색의 결합
- 성능 개선: 순수 데이터 기반 방식 대비 횡방향 가속도 오차 86%, 선회 각속도 오차 66% 감소
- 적용 분야: 무인수상정(USV) 자율운항, 해양 로보틱스, 실시간 유체역학 제어 모델링
무인수상정(USV) 자율운항을 위한 유체역학 모델링의 한계
해양 로보틱스와 해양학 연구에서 무인수상정(USV)의 정밀한 자율 내비게이션은 필수적이다. 이를 위해서는 선박 조종 거동을 지배하는 유체역학적 미계수(Hydrodynamic derivatives)의 정확한 식별이 선행되어야 한다.
그러나 고전적인 조종 모델, 실험적 방법, 고정밀 전산유체역학(CFD) 방식은 막대한 시간과 비용이 소요된다. 또한, 복잡한 해상 상태와 비선형성으로 인해 실제 운항 환경을 온전히 반영하지 못하는 한계가 존재한다.
MARUS-PINN-LLM 하이브리드 프레임워크 구조
이러한 문제를 해결하기 위해, 본 연구에서는 Marine Robotics Unity Simulator(MARUS), 물리 제약 신경망(PINN), 그리고 대형 언어 모델(LLM) 기반 심볼릭 탐색을 융합한 새로운 하이브리드 프레임워크를 제안한다.
1. MARUS 시뮬레이터 기반 데이터 수급
다양한 산업 표준 USV 모델을 대상으로 가상 해양 환경에서 제어 데이터를 수집한다. 이를 통해 실측 데이터 부족 문제를 보완하고 학습 효율을 극대화한다.
2. PINN을 통한 물리적 일관성 확보
신경망 학습 과정에 유체역학 지배 방정식을 직접 임베딩(Embedding)한다. 데이터 기반 학습의 유연성을 유지하면서도 물리 법칙에 부합하는 결과를 도출한다.
3. LLM 기반 심볼릭 탐색(Symbolic Discovery)
LLM을 활용해 복잡한 비선형 유체역학 잔차 항을 간결하고 해석 가능한 수식 형태로 도출한다. 이는 블랙박스 모델의 한계를 극복하고 제어 알고리즘의 신뢰성을 높인다.
전통적 방식과의 성능 비교
다양한 조종 조건에서 순수 데이터 기반 방식, 순수 물리 기반 방식, 그리고 제안하는 하이브리드 프레임워크를 상호 비교하였다.
| 평가 항목 | 순수 데이터 기반 방식 | 제안 하이브리드 (MARUS-PINN-LLM) |
|---|---|---|
| 횡가속도(Sway-Acceleration) 오차 | 기준치 (Baseline) | 86% 감소 |
| 선회 각속도(Yaw-Rate) 오차 | 기준치 (Baseline) | 66% 감소 |
| 헤딩 롤아웃(Heading-Rollout) 오차 | 기준치 (Baseline) | 89% 감소 |
| 물리적 해석 가능성 | 낮음 (블랙박스 형태) | 높음 (정확한 비선형 항 도출) |
산업 현장 시사점 및 결론
실험 결과, 순수 물리 기반 방식은 실제 해상 환경에서 파국적인 발산(Divergence) 현상을 보였다. 반면, 제안된 하이브리드 프레임워크는 오차를 혁신적으로 줄이며 안정적인 궤적 재구성을 증명했다.
모듈식 설계를 채택한 본 시스템은 향후 차세대 자율주행 무인이동체(USV, UGV, UAV)의 제어기 설계 표준화와 상용화 가속화에 크게 기여할 것으로 전망된다.