Time-indexed FDS-derived Fire-risk Fields for Indoor UAV Emergency Routing in Building Fires

기술 요약: 실내 화재 시 UAV 비상 경로 탐색을 위한 시간 인덱스 기반 FDS 유도 화재 위험장(Fire-risk Fields)

문제 정의

실내 건물 화재는 열, 연기, 독성 가스 축적, 시야 확보 불능 등 급격히 변화하는 위험 조건으로 인해 비상 대응에 있어 중대한 과제를 제기한다. 소형 무인 항공기(UAV)는 소방관의 노출을 줄이기 위한 사전 진입 정찰 솔루션으로서 유망하지만, 현재의 경로 탐색 방법론은 화재 환경의 동적인 특성을 반영하지 못하는 경우가 많다. 기존 연구들은 흔히 화재를 정적인 점원(point source), 규정된 위험 구역, 또는 단일 정적 위험 지도로 단순화하여 표현한다. 이러한 단순화는 건물의 기하학적 구조 내에서 온도, 일산화탄소(CO) 농도, 시야의 시공간적 진화를 포착하지 못한다. 결과적으로, 기하학적으로 충돌이 없는 경로라 할지라도 열적으로 가혹하거나 독성이 있거나 시야가 저하된 영역을 통과하게 되어, UAV 운용에 부적합할 수 있다. 또한, 화재 시뮬레이션 출력값(주로 대피 분석에 사용됨)과 로보틱스 지향의 경로 계획(장애물 그리드에 의존함) 사이에는 간극이 존재하며, 이는 화재 정보를 반영한 경로 탐색 전략의 실질적인 배포를 제한한다.

방법론

저자들은 FDS(Fire Dynamics Simulator)/PyroSim의 과도적 출력을 실내 UAV 경로 탐색을 위한 경로 수준의 위험 정보로 변환하는 물리 기반 화재 위험장 강화 프레임워크를 제안한다. 이 방법론은 다음의 5단계로 구성된다:

1. 화재장 추출(Fire-Field Extraction): FDS/PyroSim 시뮬레이션은 특정 UAV 비행 높이($z = 1.7$ m)에서 150초간의 화재 진화 기간 동안 시간 인덱스가 부여된 온도, CO 농도, 시야 필드 출력을 생성한다.
2. 위험 정규화 및 융합(Risk Normalization and Fusion): 물리적 필드들은 베이스라인 값과 필드 데이터의 95백분위수를 기준으로 한 특정 클리핑 함수를 사용하여 세 가지 위험 채널($R_T, R_{CO}, R_S$)로 정규화된다. 이들은 가중 합산 방식(온도 0.30, CO 0.35, 시야 0.35)을 통해 하나의 통합 화재 위험장 $R(i, j, t)$로 융합된다.
3. 비용 증강 경로 탐색(Cost-Augmented Routing): 본 프레임워크는 비용 증강 $A^*$ 알고리즘을 채택한다. 기하학적 경로 길이를 최소화하는 표준 $A^*$ 베이스라인과 달리, 제안된 플래너는 정규화된 화재 위험 값을 경로 통과 비용 함수에 포함시킨다: $g(n') = g(n) + d(n, n') + \lambda_{risk}R(n', t)$. 이를 통해 플래너는 경로 길이를 늘리는 대신 위험 노출을 줄이는 트레이드오프를 수행할 수 있다.
4. 동적 재계획(Dynamic Replanning): 오프라인 동적 재계획 전략은 이산적인 시간 간격($t = 30, 60, 90, 120, 150$ s)마다 위험 지도를 업데이트하고 현재 위치에서 목표 지점까지 경로를 다시 계획하는 방식으로 테스트된다.
5. ROS2-Gazebo 재생(ROS2-Gazebo Replay): 화재 시뮬레이션과 로보틱스 사이의 간극을 메우기 위해, 계획된 궤적은 "set-pose" 프로토콜을 사용하여 ROS2-Gazebo 환경에서 재생된다. 이는 계획된 경로를 따라 UAV 모델의 포즈를 직접 할당하여 공간적 일관성, 장애물 통과 가능성 및 충돌 상태를 검증하는 과정을 포함한다. 또한 FDS 데이터에서 유도된 정성적인 화재/연기 시각화 레이어가 Gazebo 장면에 추가되어 해석을 돕는다.

주요 기여

본 논문은 다섯 가지 주요 기여를 명시한다:

1. 강화 워크플로우(Enrichment Workflow): 과도적인 FDS/PyroSim 필드(온도, CO, 시يا)를 실내 UAV 정찰을 위한 시간 인덱스 기반의 경로 수준 화재 위험장으로 변환하는 워크플로우를 개발하였다.
2. 물리 기반 표현(Physics-Based Representation): 단순한 점원이나 정적 위험 표현을 넘어, 경로 탐색에 유효한 위험 정보로서 일련의 물리 기반 화재 시뮬레이션 필드를 활용하였다.
3. 다채널 융합(Multi-Channel Fusion): 장애물 점유 지도를 엄격한 기하학적 제약 조건으로 유지하면서, UAV 비행 높이에서의 다채널 위험 융합 모델을 구현하였다.
4. 비용 증강 정식화(Cost-Augmented Formulation): 시간 인덱스 기반의 화재 위험 값을 경로 통과 비용에 내재시켜, 진화하는 화재 조건 하에서 위험과 길이 간의 명시적인 트레이드오프 분석을 가능하게 하는 경로 계획 정식화를 제공하였다.
5. 시뮬레이션 브릿지(Simulation Bridge): ROS2-Gazebo set-pose 재생을 사용하여 맵 수준의 경로 일관성을 확인하고 화재/연기 장면을 UAV 포즈와 함께 시각화함으로써, 화재 안전 시뮬레이션에서 로보틱스 측면의 평가로 전환하기 위한 중간 단계를 구축하였다.

결과

본 프레임워크는 5개의 시간점($t = 30$ ~ $150$ s)과 5개의 서로 다른 시작-목표 구성을 가진 단일 화재 건물 시나리오를 사용하여 평가되었다.

• 위험 감소(고정 작업): 고정된 시작-목표 작업에 대해, 화재 위험 인식 플래너는 표준 $A^*$ 플래너(0.285914 vs 86.485638 정규화된 위험 단위)에 비해 누적 샘플링된 위험을 99.67% 감소시켰다.
• 강건성(다중 시작-목표): $t=150$ s에서의 5가지 서로 다른 시작-목료 구성에 대해, 위험 인식 플래너는 더 안전한 대안 경로의 가용성에 따라 37.9%에서 99.9% 사이의 위험 감소를 달성하였다.
• 동적 재계획: 오프라인 동적 재계획은 정적 경로 계획에 비해 누적 샘플링된 위험을 28.32% 추가로 감소시켰다.
• 재생 및 기하학: 모든 계획된 궤적은 ROS2-Gazebo에서 충돌이나 set-pose 실패 없이 성공적으로 재생되었다. 경로 기하학 스크리닝 결과, 위험 인식 경로는 종종 더 길고 복잡해졌으나, 기하학적 연결성과 충분한 장애물 여유를 유지하고 있음이 확인되었다.

의의 및 주장

본 논문은 과도적인 화재 시뮬레이션 출력이 실내 UAV 화재 대응 정찰을 위한 실행 가능한 경로 수준의 지원을 제공할 수 있다고 주장한다. 본 연구의 의의는 연소 모델이나 UAV 비행 제어기를 검증하는 데 있는 것이 아니라, 화재 시뮬레이션과 로봇 의사결정 사이를 의사결정 지원 수준에서 연결하는 데 있다.

저자들은 본 프레임워크가 화재 시뮬레이션과 로보틱스 플래너가 일반적으로 별개의 영역에서 작동하는 공학적 간극을 해결한다고 강조한다. 화재 필드를 샘플링된 경로 비용으로 변환함으로써, 본 연구는 진화하는 위험의 효과를 경로 수준에서 측정 가능하게 만든다. ROS2-Gazebo 인터페이스는 실질적인 중간 단계 역할을 하여, 더 비용이 많이 드는 하드웨어 인 더 루프(hardware-in-the-loop) 테스트를 수행하기 전에 화재/연기 장면과 UAV 궤적을 함께 시각화하고 공간적 일관성을 검증할 수 있게 한다.

저자들은 현재의 범위를 겸손하게 정의하며, 본 연구가 완전한 구조 시스템이라기보다 시뮬레이션 기반의 의사결정 지원 단계임을 명시적으로 밝힌다. 이들은 실시간이 아닌 사전 계산된(precomputed) 화재 필드의 사용, 동적 비행 시뮬레이션이 아닌 set-pose 재생에 대한 의존, 그리고 단일 시나리오에서의 테스트 등을 한계점으로 인정한다. 향-후 연구 과제로 온라인 위험 업데이트, 차수 축소(reduced-order) 화재 필드 추정, 그리고 동적 UAV 시뮬레이션을 제시하였다.