ARIES-Mission: A Vision-Language System for Efficient UAV Mission Generation

당신이 드론의 선장이라고 상상해 보세요. 당신은 드론이 도시 위를 날아다니며 찾을 수 있는 모든 빨간색 소화전을 찾아 사진을 찍기를 원합니다. 당신은 아주 똑똑한 컴퓨터에게 "모든 빨간 소화전을 찾아줘!"라고 말합니다. 컴퓨터는 자신의 "눈"(카메라)과 "뇌"(인공지능)를 사용하여 위성 사진을 살펴보고 소화전이 보이는 곳마다 손가락으로 가리킵니다. 그것은 찾는 데 아주 탁월합니다! 하지만 까다로운 부분이 있습니다. 컴퓨터는 발견한 순서대로 목록을 만듭니다. 왼쪽 끝에 있는 소화전을 먼저 가리켰다가, 오른쪽 끝으로 점프했다가, 다시 중간으로 돌아왔다가, 다시 맨 처음으로 돌아갈 수도 있습니다. 만약 드론이 이 목록을 그대로 따른다면, 하늘을 무작정 지그재그로 가로질러 날아야 하며, 이는 배터리와 시간을 낭비하는 일이 됩니다. 마치 동네의 모든 집을 방문하면서 아주 무작위적이고 혼란스러운 순서로 움직이는 배달 기사처럼 말이죠.

이것이 바로 드론의 "미션 계획(mission planning)" 문제입니다. 과학자들은 당신이 드론에게 말을 하면 드론이 무엇을 할지 스스로 알아내는 시스템을 구축하고 있습니다. 하지만 "보는 것"과 "효율적으로 행동하는 것" 사이에는 간극이 존재합니다. 컴퓨터는 "보는" 부분에는 능숙하지만, "행동하는" 부분(방문해야 할 장소들을 잇는 가장 짧은 경로를 찾는 '외판원 문제'라는 수학 퍼즐)에는 서툽니다. 만약 드론이 비효효율적으로 비행한다면, 임무를 마치기 전에 전력이 바닥나거나, 너무 지쳐서 중요한 세부 사항을 놓칠 수도 있습니다. 그래서 중요한 질문이 생깁니다. 컴퓨터가 찾아낸 장소들의 목록을 어떻게 하면 목록을 망치지 않으면서도 초지능적이고 연료를 아끼는 비행 경로로 바꿀 수 있을까요?

논문의 이야기: 결승선을 향한 경주

이 논문은 ARIES-Mission이라는 새로운 시스템을 소개합니다. 이것을 네 명의 서로 다른 조종사가 동일한 소화전 지도를 가지고 경주를 하는 것이라고 생각해 보세요. 목표는 새로운 소화전을 찾는 것이 아닙니다. 소화전은 이미 다 찾아졌습니다. 목표는 그 소파전들을 모두 연결하는 가장 짧고 매끄러운 루프(loop)를 그리는 것입니다.

경주는 다음과 같이 진행됩니다:

1. "Raw(원래)" 조종사: 이 조종사는 컴퓨터의 원래 목록을 따릅니다. AI가 가리킨 순서 그대로 방문합니다. 속도는 빠르지만, 앞서 보았듯이 종종 엉망진창인 지그재그 형태를 만듭니다.
2. "개미 군집(Ant Colony)" 조종사: 이 조종사는 실제 개미에서 영감을 받았습니다. 개미들이 먹이를 발견하면 페로몬 흔적을 남깁니다. 다른 개미들은 가장 강한 냄새를 따라갑니다. 이 컴퓨터 버전에서는, 조종사가 여러 가지 경로를 시도하며, 더 짧은 경로일수록 "더 강한 냄새"를 갖게 되어 해당 경로를 다시 시도할 가능성이 높아집니다. 이는 최적의 경로를 찾기 위해 가능한 모든 경로를 탐색하는 개미 팀과 같습니다.
3. "진화(Evolution)" 조종사: 이 조종사는 자연의 "적자생존" 원리로 작동합니다. 무작위 비행 경로들을 먼저 만든 다음, 카드 덱을 섞듯이 경로들을 뒤섞고, 그중 더 짧은 것들을 남깁니다. 이 과정을 반복하여 경로가 정말 좋아질 때까지 계속 진화시킵니다.
4. "군집(Swarm)" 조종사: 이 조종사는 새 떼처럼 행동합니다. 각 새는 서로 다른 경로를 시도하며, 그들은 어떤 경로가 가장 좋아 보이는지에 대한 정보를 공유하며 가장 짧은 경로를 향해 함께 움직입니다.

거대한 반전:
이 중 하나를 골라 일을 시키는 대신, ARIES-Mission은 이 네 명 모두가 동시에 임무를 수행하도록 합니다. 작업이 끝나면, 시스템은 완성된 네 개의 비행 경로를 살펴보고 단순히 가장 짧은 것을 선택합니다. 이는 네 명의 서로 다른 요리사가 같은 요리를 만든 후, 가장 맛있는 것을 내놓는 것과 같습니다.

연구 결과
연구진은 이 시스템을 30개의 서로 다른 도시 위성 이미지에 대해 테스트했으며, 결과의 일관성을 확인하기 위해 각 이미지당 20번의 경주를 실시했습니다. 결과는 다음과 같았습니다:

• "Raw" 조종사(AI의 목록을 그대로 따름)는 모든 미션 동안 총 79.65 km를 비행해야 했습니다. 정말 많은 거리입니다!
• ARIES-Mission 시스템(네 명의 승자를 선택함)은 단 60.37 km만을 비행했습니다.
• 이는 24.21%의 거리 감소를 의미합니다. 정지 지점의 순서를 바꾸는 것만으로도 에너지의 4분의 1을 절약할 수 있다는 뜻입니다!

또한 연구진은 이 경로들이 완벽한 수학적 정답(절대적으로 가장 짧은 경로)에 얼마나 근접했는지 확인했습니다. 완벽한 답을 계산할 수 있었던 작은 규모의 미션들에서, 이 시스템은 평균적으로 단 **0.042%**의 오차만을 보이며 완벽한 경로에 매우 근접했습니다. 이는 목표물을 밀리미터 단위의 아주 미세한 차이로 빗나간 것과 같습니다.

누가 경주에서 이겼는가?
결과적으로 "개미 군집" 조종사가 슈퍼스타였습니다. 이 조종사는 가장 좋은 경로로 선택된 횟수가 **87.3%**에 달했습니다. 하지만 다른 조종사들도 쓸모없는 것은 아니었습니다! "진화" 조종사는 약 **8.7%**의 승률을 보였고, "Raw" 조종사(원래의 목록)도 실제로 **3.3%**의 경우에서 가장 좋은 선택지였습니다. 이는 백업 플랜을 갖는 것이 스마트하다는 것을 증명합니다. 때로는 원래의 목록이 이미 완벽할 수 있으며, 그때는 내용을 바꾸지 않는 것이 좋습니다. 시스템은 원래 목록이 가장 좋을 경우 이를 유지할 만큼 똑똑합니다.

이것이 의미하는 것 (그리고 의미하지 않는 것)
논문은 자신들이 하지 않은 일에 대해서도 매우 신중하게 밝히고 있습니다. 이 시스템은 컴퓨터가 소화전을 "보는" 새로운 방법을 발명한 것이 아니라, 소화전이 발견된 후의 비행 경로를 수정하는 것입니다. 또한 드론이 실제 바람을 맞으며 산이나 나무 같은 장애물을 피하며 비행하는 상황을 테스트한 것도 아닙니다. 오직 평면 지도 위에서의 경로 수학만을 테스트했습니다.

저자들은 이 시스템이 **오프라인 계획(offline planning)**에 적합하다고 제안합니다. 즉, 사람이 컴퓨터 앞에 앉아 드론에게 무엇을 찾으라고 명령하면, 드론이 이륙하기도 전에 시스템이 매우 효율적인 비행 계획을 빠르게 생성할 수 있다는 뜻입니다. 드론이 이미 비행 중이고 갑작스러운 장애물을 피해야 하는 상황에서 반응하는 "실시간" 대응에는 빠르지 않지만, 사전에 미션을 계획하는 데에는 완벽합니다.

요약하자면, ARIES-Mission은 설령 당신의 AI가 순서를 정하는 데 조금 서툴더라도, 몇 가지 서로 다른 "스마트한" 전략들이 경쟁하게 하고 승자를 선택함으로써 문제를 해결할 수 있음을 보여줍니다. 이는 혼란스러운 지그재그 비행을 매끄럽고 효율적인 루프로 바꾸어 에너지를 절약하고 드론의 임무를 훨씬 쉽게 만들어 줍니다.