How Realistic Are UAV Routing Studies? An Assessment of Operational Realism, Validation Maturity, and the Path to Deployable Missions

기술 요약: "UAV 경로 계획 연구는 얼마나 현실적인가? 운영 실재성, 검증 성숙도 및 배치 가능한 임무를 향한 경로에 대한 평가"

문제 제기
무인 항공기(UAV) 경로 계획 연구는 알고리즘의 정교함 측면에서 급격히 발전해 왔으나, 제안된 방법론들이 실제 운영 조건하에서 실행 가능한 임무를 얼마나 반영하고 있는지에 대해서는 심각한 불확실성이 존재한다. 이 분야는 단순한 최단 경로 공식에서 에너지 제약, 동적 환경, 다중 UAV 협업을 포함하는 복잡한 임무 계획 문제로 진화해 왔다. 그러나 상당한 "최적화-배치 간 격차(optimization-to-deployment gap)"가 지속되고 있다. 핵심적인 문제는 알고리즘의 참신함과 운영 가능성 사이의 단절이다. 많은 연구가 단순화된 물리 모델, 정적 가정, 합성 데이터를 사용하여 경로를 최적화하며, 이러한 경로가 실제 환경에서 실제 UAV에 의해 물리적으로 실행될 수 있음을 입증하는 데 실패하고 있다.

연구 방법론
본 연구는 2015년부터 2026년 사이에 Scopus와 Web of Science에서 수집된 215편의 논문을 대상으로 체계적 문헌 고찰을 수행한다. 본 연구는 통합된 2단계 코딩 프레임워크를 활용한다:

1. 1단계 (문제 구조 분류): 연구들을 임무 도메인(예: 배송, 점검, 감시), 경로 아키텍처(예: 단일/다중 UAV, 동적/온라인, 충전 고려), 최적화 패러다임(예: 정확해, 휴리스틱, 학습 기반)별로 분류하였다.
2. 2단계 (운영 실재성 및 증거 코딩): 상세한 전문(full-text) 평가를 통해 다섯 가지 핵심 차원을 평가하였다:
   • 검증 성숙도: 합성/벤치마크 $\rightarrow$ 실제 데이터 시뮬레이션 $\rightarrow$ 물리적 실험 $\rightarrow$ 현장 배치로 이어지는 사다리 형태로 분류하였다.
   • 운영 데이터: 합성, 벤치마크, 실제 세계 데이터 소스를 구분하였다.
   • 에너지 표현: 에너지 처리가 없는 상태부터 범위/시간 대리 지표, 명시적 배터리-에너지 모델, 그리고 상세한 물리 인지 모델(페이로드, 바람, 비행 단계 고려)까지 분류하였다.
   • 역동성 및 불확칙성: 연구가 동적 조건을 포함하거나 명시적인 확률적 불확실성을 고려했는지 평가하였다.
   • 재현성: 코드, 데이터 및 구현 세부 정보의 가용성을 기준으로 평가하였다.

주요 결과
분석 결과, 알고리즘의 복잡성과 경험적 검증 사이의 뚜렷한 불일치가 드러났다:

• 검증 성숙도: 이 분야는 여전히 주로 계산 중심적이다. **67.0%**의 연구가 합성 또는 벤치마크 평가에 의존하고 있다. 실제 물리적 UAV를 포함하는 연구는 **9.8%**에 불과하며, 실제 운영 현장에 배치된 연구는 단 **1.9%**에 지나지 않는다.
• 에너지 모델링: **35.3%**의 연구가 명시적인 배터리-에너지 또는 상세한 에너지 모델을 사용하지만, **64.7%**는 에너지를 완전히 생략하거나 페이로드, 기동 및 환경 조건의 비선형적 효과를 포착하지 못하는 단순한 범위/시간 대리 지표에 의존하고 있다.
• 역동성 및 불확실성: **71.2%**의 연구가 동적 운용이나 명시적 불확실성을 포함하지 않으며, 대신 많은 UAV 임무의 시변적 특성에도 불구하고 결정론적이고 오프라인적인 정식화에 의-의존하고 있다.
• 임무 및 아키텍처 상관관계:
  • 배송/물류: 높은 모델링 정교함(63.6%가 상세 에너지 모델 사용)을 보이지만, 낮은 물리적 검증(실제 UAV 포함 4.5%)을 나타낸다.
  • 점검/유지보수: 가장 높은 물리적 UAV 검증 비율(25.0%)을 보이지만, 낮은 동적 모델링(8.3%)을 보인다.
  • 학습 기반 방법: 강화 학습 및 기타 AI 접근 방식은 전체 코퍼스의 **7.9%**만을 차지하며, 전통적인 최적화 방법보다 시뮬레이션을 넘어 더 빠르게 발전하지 못했다.
  • 이종 플릿(Heterogeneous Fleets): 실질적인 관련성에도 불구하고, 이종 플릿을 위한 경로 계획은 매우 드물다(단 3개의 연구).
• 재현성: 단 **6.0%**의 연구만이 "높음" 수준의 재현성을 가진 것으로 분류되었으며, 이는 공유 코드 및 표준화된 벤치마크의 부족을 나타낸다.

주요 기여

1. 통합 프레임워크: 본 논문은 임무 도메인, 경로 아키텍처, 최적화 패러다임을 엄격한 운영 실재성 및 검증 성숙도 측정치와 연결하는 통합적 분석 프레임워크를 구축하였다.
2. 증거의 구별: 실제 세계 데이터의 사용(맥락적 관련성을 높임)과 물리적 UAV 실험 또는 현장 배치(실행 가능성을 입증함)를 명확히 구분하였으며, 전자가 후자를 보장하지 않는다는 점을 논증하였다.
3. 격차 식별: 본 연구는 다섯 가지 구체적인 "성숙도 격차"를 식별하였다:
   • 알고리즘의 정교함 vs 경험적 검증.
   • 경로 추상화 vs 차량 물리(에너지 모델링).
   • 오프라인 최적화 vs 동적 운용.
   • 실제 데이터 사용 vs 실제 배치.
   • 실험적 폭 vs 재현성.
4. 증거 기반 연구 의제: 물리 인지적, 적응형, 시스템 수준, 그리고 점진적으로 검증된 방법론으로 연구 우선순위를 전환할 것을 제안한다.

의의 및 주장
본 논문은 현재의 UAV 경로 계획 연구 궤적이 패러다임의 전환을 필요로 한다고 주장한다. 저자들은 방법론적 혁신이 더 이상 성공의 유일한 척도가 되어서는 안 된다고 강조한다. 대신, 분야는 **배치 가능성(deployability)**을 우선시해야 한다.

본 연구의 의의는 리뷰의 질을 알고리즘의 참신함뿐만 아니라 **실행 가능성(executability)**을 중심으로 재정의하는 데 있다. 저자들은 수학적으로 실행 가능한 경로라 할지라도, 실제 물리적 및 환경적 제약 하에서 비행할 수 없다면 불충분하다고 주장한다. 결과적으로, 향후 연구는 단순히 "더 나은 경로를 계산하는 것"을 넘어, 물리적으로 신뢰할 수 있고, 불확실성에 적응하며, 시스템을 인지하고(특히 이종 플릿과 관련하여), 시뮬레이션에서 현장 배치까지 점진적인 단계를 통해 엄격하게 검증되는 방법을 개발하는 방향으로 나아가야 한다. 결론적으로, 최적화-배치 간 격차를 좁히는 것은 이론적 경로 발전의 성과를 실제 운영의 현실로 전환하는 데 필수적이다.