Data-Driven Mission Recommendation for LEO Satellites using Random Forest and Hybrid Deep Learning Forecasting

우리 머리 위 하늘이 아주 작고 빠른 로봇인 인공위성들로 가득 차 있다고 상상해 보세요. 이들은 단순한 떠다니는 카메라가 아닙니다. 사진을 찍거나 신호를 보내는 것과 같은 임무를 수행하기 위해 에너지를 섭취해야 하는 복잡한 기계입니다. 이들은 태양으로부터 '음식'을 얻지만, 태양이 항상 그들을 비추는 것은 아닙니다. 지구의 그림자 속으로 들어갈 때, 그들은 마치 충전기를 깜빡 잊고 외출한 여러분의 휴대폰처럼 배터리에 의존해야 합니다. 지상에서 이 로봇들을 제어하는 사람들에게 닥친 큰 과제는, 인공위성에게 새로운 에너지 집약적인 작업을 요청하기 전에 정확히 얼마나 많은 "배터리 즙(juice)"이 남아 있는지 아는 것입니다. 만약 너무 많은 것을 요구한다면, 인공위성은 정신을 잃고 임무에 실패할 수도 있습니다.

오랫동안 이 문제를 해결하는 것은 구름을 보고 날씨를 짐작하며 요행을 바라는 것과 같았습니다. 숙련된 운영자들은 자신의 직관과 수년간의 기억을 사용하여 인공위성에 전력이 충분한지 판단했습니다. 하지만 기억은 흐릿해질 수 있고, 사람마다 다른 추측을 할 수도 있습니다. 이 논문은 6년의 기록으로부터 학습하는 "디지털 뇌"를 사용하여 이 퍼즐을 해결하는 새로운 방법을 소개합니다. 이 방식은 반복되는 패턴을 포착하는 수학(태양이 뜨고 지는 것과 같은)과 무질서하고 남겨진 세부 사항을 학습하는 수학을 결합합니다. 목표는 모호한 느낌을 현재 인공위성이 안전하게 수행할 수 있는 작업이 무엇인지 적힌 명확한 목록으로 바꾸는 것입니다.

---

인공위성의 에너지 딜레마

인도네시아 상공 500km 궤도를 돌고 있는 LAPAN-IPB 위성을 만나보세요. 이 위성은 극궤도 위성으로, 북극과 남극 위를 질주하며 하루에 지구를 약 15번 회전합니다. 인도네시아 상공을 지날 때마다, 위성은 지상국과 통신할 수 있는 짧은 창(window)을 갖게 됩니다. 약 10분에서 15분 정도의 이 짧은 시간 동안, 지상의 운영자들은 "이 숲의 사진을 찍어라" 또는 "대양을 스캔하라"와 같은 새로운 지시를 보낼 수 있습니다.

하지만 여기 함정이 있습니다. 인공위성은 배터리로 작동한다는 점입니다. 이 짧은 통신 시간 사이의 시간 동안, 위성은 어둠(식, eclipse) 속에서 저장된 에너지를 사용하며 살아갑니다. 만약 배터리가 너무 낮을 때 운영자가 전력을 너무 많이 사용하는 명령을 보낸다면, 인공위성은 추락하거나 기능을 상실할 수 있습니다.

수년 동안 인도나시아 국립연구혁신청(BRIN)의 운영자들은 "암묵적 지식(tacit knowledge)"에 기반하여 이러한 생사가 걸린 결정을 내려야 했습니다. 그것은 경험을 통해 쌓인 "직관"을 의미하는 멋진 표현입니다. 만약 운영자가 10년 동안 그 자리에 있었다면, "아, 오늘 배터리가 좀 낮아 보이니 무거운 카메라 미션은 건너뛰자"라고 알 수 있었을 것입니다. 하지만 새로운 운영자가 교대 투입된다면, 그들은 그런 경험이 없을 것입니다. 그들은 잘못된 추측을 할 수도 있고, 두 운영자가 동일한 상황을 두고 논쟁을 벌일 수도 있습니다. 명문화된 규칙 책도, 명확한 감사 추적(audit trail)도, 왜 그런 결정이 내려졌는지 증명할 방법도 없었습니다.

새로운 "디지털 부조종사"

이 논문은 그 추측을 데이터 기반의 추천 엔진으로 대체하기 위해 설계된 새로운 시스템을 설명합니다. 이것을 위성의 생체 신호를 읽고 운영자에게 안전한 작업 순위 목록을 건네주는 '부조종사'라고 생각해보세요. 이 시스템은 2019년 1월부터 2024년 12월까지의 6년 치 데이터를 사용하여 구축되었으며, 여기에는 위성의 배터리 전압과 전류에 대한 25,000개 이상의 기록이 포함되어 있습니다.

연구진은 고전적인 통계학과 현대적인 딥러닝을 영리하게 혼합하여 문제를 세 가지 주요 단계로 나누었습니다.

1. 미래 전압 예측하기
먼저, 시스템은 위성이 지상과 다음에 통신할 때의 배터리 전압이 얼마일지 예측해야 합니다. 이를 위해 그들은 "하이브리드" 모델을 사용했습니다. 조수의 높이를 예측한다고 상상해 보세요. 조수는 일정한 주기에 따라 오르내린다는 것을 알고 있습니다(그것은 쉬운 부분입니다). 하지만 때때로 폭풍이나 강한 바람이 예상치 못하게 수위를 변화시키기도 합니다(그것이 어려운 부분입니다).

연구진은 배터리의 충전 및 방전이라는 규칙적이고 예측 가능한 오르내림 주기를 처리하기 위해 SARIMAX라는 통계 모델을 사용했습니다. 그런 다음, 딥러닝 모델(구체적으로 LSTM이라 불리는 유형)을 사용하여 무질서하고 예측 불가능한 나머지 요소들을 파악했습니다. 이 둘을 결합함으로써 매우 정확한 예측을 얻었습니다. 테스트 데이터에서 이 하이브리드 모델은 평균 0.1042 V(볼트)라는 매우 적은 오차로 전압을 예측할 수 있었습니다. 배터리 전압이 보통 16~17 볼트 근처에서 움직인다는 점을 고려하면 이는 놀라운 정밀도입니다.

2. "에너지 지문" 학습하기
다음으로, 시스템은 각각의 특정 미션이 에너지를 얼마나 사용하는지 알아야 했습니다. 위성에는 20가지의 서로 다른 미션 유형(예: "사진 촬영", "대양 스캔" 등)이 있으며, 각 미션은 서로 다른 스위치를 켜고 서로 다른 양의 전력을 사용합니다.

연구 연구진은 과거 미션 중의 배터리 전류와 전압을 통해 각 미션이 어떤 "느낌"을 갖는지 인식하도록 랜덤 포레스트(Random Forest) 분류기(의사결정 나무 팀처럼 작동하는 머신러닝의 한 종류)를 학습시켰습니다. 하지만 주의할 점이 있었습니다. 위성은 단 한 번의 15분간의 통과(pass) 동안 데이터를 여러 번 보냅니다. 만약 모든 데이터 포인트를 별개의 레슨으로 취급했다면, 컴퓨터는 25,000개의 서로 다른 사건을 배우는 것이 아니라 사실상 동일한 사건을 반복해서 보고 있는 것으로 착각하여 혼란에 빠졌을 것입니다. 연구진은 데이터를 "통과(pass)" 단위로 그룹화하여, 컴퓨터가 25,000개의 혼란스러운 중복 데이터 대신 6,833개의 고유한 이벤트를 학습하도록 수정했습니다.

그 결과는 어떠했을까요? 컴퓨터는 20가지 미션 유형을 높은 정확도로 식별하는 법을 배웠으며, 약 **82%**의 확률로 미션 유형을 정확히 맞혔고, 드물게 발생하는 미션들에 대해서도 훌륭한 성능을 보여주었습니다.

3. 안전 점검 및 순위 매기기
마지막으로, 시스템은 이 모든 것을 하나로 모읍니다. 예측된 미래 전압을 가져와 20가지 미션 각각에 대한 "안전 임계값(safety threshold)"과 비교합니다. 이 임계값들은 어디에서 왔을까요? 연구진은 **투키 상한 경계(Tukey upper fence)**라는 영리한 통계적 기법을 사용했습니다. 데이터 더미가 있다고 상상해 보세요. 그 더미는 과거에 특정 미션이 성공적으로 실행되었을 때의 배터리 전압이 얼마나 높았는지를 보여줍니다. 투키 경계는 그 더미에서 "안전한 상한선"을 찾아냅니다. 예측된 전압이 이 한계보다 높으면 해당 미션은 안전합니다.

이 한계치가 신뢰할 수 있는지 확인하기 위해, 연구진은 두 가지 방식으로 검증했습니다. 하나는 원시 데이터를 사용하는 것이고, 다른 하나는 머신러닝 모델의 내부 로직을 사용하는 것이었습니다. 그 결과, 20가지 모든 미션에 대해 두 방법이 거의 완벽하게 일치함을 발견했습니다(차이가 0.0843 V 미만이었는데, 이는 예측 오차보다도 작은 수치입니다). 이는 안전 한계치가 매우 견고하다는 것을 의미합니다.

결과: 명확하고 순위가 매겨진 목록

위성이 지상과 접촉하기 직전, 시스템은 빠른 계산을 수행합니다. 배터리 전압을 예측하고, 이를 20개의 안전 한계값과 비교하여 순위가 매겨진 목록을 내놓습니다.

• 실행 가능한 미션 (Feasible Missions): 배터리가 확실히 감당할 수 있는 작업들입니다.
• 순위 매기기 (The Ranking): 시스템은 단순히 "예" 또는 "아니오"라고 말하지 않습니다. 시스템은 **에너지 마진(energy margin)**에 따라 "예"인 미션들의 순위를 매깁니다. 이는 예측된 전압과 안전 한계 사이의 차이입니다.
  • 마진이 큰 미션(예: +0.77 V)은 매우 안전합니다.
  • 마진이 작은 미션(예: +0.02 V)은 기술적으로는 가능하지만, 마치 줄타기를 하는 것처럼 위험합니다.

이는 운영자에게 명확하고 증거에 기반한 시작점을 제공합니다. 직관에 의존하는 대신, 운영자는 다음과 같이 확인할 수 있습니다: "미션 A는 큰 여유를 가지고 안전하지만, 미션 B는 아슬아슬하다." 배터리가 낮으면 시스템은 "오늘 안전한 작업은 이 세 가지 저전력 작업뿐입니다"라고 말할 수 있습니다. 배터리가 가득 차 있다면 "거의 모든 것을 할 수 있지만, 미션 C가 가장 안전한 선택입니다"라고 말할 수 있습니다.

이것이 중요한 이유

여기서 가장 큰 성과는 단순히 수학적 계산이 잘 작동한다는 것이 아니라, 이 과정이 이제 **재현 가능(reproducible)**하고 **감사 가능(auditable)**해졌다는 점입니다. 이전에는 미션이 실패했을 때, 그것이 운영자의 잘못된 추측 때문인지 아니면 단순히 운이 나빴던 것인지 알 수 없었습니다. 이제 모든 결정은 6년의 데이터와 명확하게 문서화된 규칙에 의해 뒷받침됩니다.

이 시스템은 인간 운영자를 대체하는 것이 아니라, 그들에게 초능력을 부여합니다. 모호한 느낌을 정밀하게 순위가 매겨진 옵션 목록으로 변환함으로써, 누가 근무 중이더라도 인공위성이 최선의 관리를 받을 수 있도록 보장합니다. 연구진은 이 접근 방식이 안정적이고 신뢰할 수 있으며, LAPAN-IPB 위성이 앞으로도 수년간 안전하게 비행할 수 있도록 도울 준비가 되어 있음을 확인했습니다.