Uncertainty-Aware Drone Dispatch: Recording-Energy Prediction and Charging-Constrained Simulation

드론 함대가 물류 창고에서 출격을 기다리며 배송 준비를 하고 있습니다. 각 드론은 배터리를 탑재하고 있으며, 책임자는 어떤 드론을 어떤 작업에 보낼지 결정해야 합니다. 이 결정은 외줄 타기와 같습니다. 만약 관리자가 전력이 충분하지 않은 드론을 보내면, 드론이 비행 도중 에너지를 다 써버려 패키지는 길 위에 남겨지고 배터리는 방전될 수 있습니다. 하지만 관리자가 너무 신중하여 전력이 충분한 드로조차 보내기를 거부한다면, 창고는 가동되지 않고 고객들은 더 오래 기다려야 합니다. 핵심 과제는 드론이 지면을 떠나기도 전에 특정 비행이 정확히 얼마나 많은 에너지를 소비할지 아는 것입니다. 이것은 단순히 추측하는 것이 아니라, 불확실성이라는 보이지 않는 비용을 측정하는 일입니다. 비행 계획이 수립될 때 속도, 무게, 높이는 포함되지만, 모터가 정확히 얼마만큼의 전기를 태울지는 포함되지 않습니다. 그 숫자는 비행이 끝난 후 데이터를 다운로드해야만 명확해집니다.

사메르 아바디(Samer Abaddi)라는 연구자는 펜실베이니아의 특정 경로에서 비행된 DJI Matrice 100 드론의 실제 비행 데이터를 살펴보며 이 수수께끼를 풀기 위해 나섰습니다. 그는 209개의 개별 비행 기록을 수집했으나, 데이터의 오류와 일관성을 점검한 후 엄격한 규칙을 따르는 181개의 기록에 집중했습니다. 이 비행들은 서로 다른 무게를 실었고, 서로 다른 속도로 비행했으며, 서로 다른 고도에서 호버링했습니다. 목표는 계획된 비행을 보고 필요한 에너지를 예측하는 동시에, 모든 예측이 완벽할 수는 없다는 점을 고려하여 안전 마진을 만드는 시스템을 구축하는 것이었습니다. 연구자는 릿지 회귀(ridge regression)라는 통계적 방법을 사용했는데, 이는 모델이 데이터의 작은 무작위 변동에 의해 혼란을 겪지 않으면서 비행 설정과 에너지 소비 사이의 최적의 수학적 관계를 찾는 방법입니다. 그런 다음 그는 모델을 한 번도 본 적 없는 새로운 비행 데이터에 테스트하여 예측이 실제와 얼마나 가까운지 확인했습니다.

결과는 모델이 놀라울 정도로 정확하다는 것을 보여주었습니다. 비행 전체 에너지 소비량을 예측할 때, 예측값과 실제 사용 에너지 사이의 평균 차이는 1와트시(watt-hour) 미만이었는데, 이는 드론 배터리 용량에 비해 매우 적은 양입니다. 그러나 예측만으로는 드론을 잃을 위험이 있는 관리자에게 충분하지 않습니다. 연구자는 드론이 반드시 목적지에 도착할 수 있도록 예측치에 얼마나 많은 추가 전력을 더해야 하는지 알아야 했습니다. 그는 과거 비행들의 최악의 오차를 살펴보고 이를 커버할 버퍼를 더하는 규칙을 개발했습니다. 이를 통해 '상한 추정치(upper estimate)'를 만들었는데, 이는 가장 가능성 높은 에너지 사용량보다 약간 높은 수치로, 드론이 전력이 끊기지 않도록 설계되었습니다. 이 규칙을 별도의 테스트 비행에 적용했을 때, 모든 비행이 상한 추정치보다 적은 에너지를 사용했습니다. 안전 마진은 주어진 데이터에 대해 완벽하게 작동했습니다.

이 안전 마진이 실제 운영에 어떤 영향을 미치는지 확인하기 위해, 연구자는 드론 창고의 컴퓨터 시뮬레이션을 구축했습니다. 그는 배송 요청이 무작위로 도착하는 가상의 세계를 만들고, 두 가지 서로 다른 규칙이 경쟁하며 어떤 것이 더 많은 작업을 처리할 수 있는지 테스트했습니다. 한 규칙은 단순한 '최빈 에너지 예측'을 사용했고, 다른 규칙은 안전 버퍼가 포함된 '신중한 상한 추정치'를 사용했습니다. 시뮬레이션은 드론 두 대와 충전기 한 대가 있는 바쁜 창고의 하루를 모방하며 수천 개의 시나리오를 실행했습니다. 결과는 명확한 트레이드오프(trade-off)를 보여주었습니다. 상한 추정치를 사용하는 신중한 규칙은 드론이 필요한 예비 전력 아래로 떨어지는 것을 성공적으로 방지했습니다. 주요 테스트 시나리오에서 신중한 규칙은 예비 전력이 부족해지는 사례가 0건이었던 반면, 단순한 규칙은 5건의 사고가 발생했습니다. 그러나 이러한 안전에는 대가가 따랐습니다. 신중한 규칙은 더 엄격했기 때문에 더 많은 요청을 거절했습니다. 주요 시나리오에서 신중한 규칙은 단순한 규칙보다 22건의 배송을 덜 완료했습니다. 드론은 더 안전해졌지만, 창고는 고객을 덜 응대하게 된 것입니다.

연구는 또한 드론이 더 무거운 짐을 실어야 하거나 충전 스테이션의 속도가 느려지는 등 조건이 변할 때 어떤 일이 일어나는지도 탐구했습니다. 테스트된 18가지의 모든 시나리오에서 신중한 규칙은 단순한 규칙보다 적은 요청을 완료했습니다. 또한 신중한 규칙은 16가지 시나리오에서 예비 전력 제한을 위반하는 횟수를 줄였습니다. 두 가지 시나리오에서는 예비 전력 위반 횟수가 두 규칙 모두 동일했지만, 신중한 규칙이 여전히 더 적은 패키지를 배달했습니다. 이는 지나치게 신중한 태도가 배터리를 보호할 수는 있지만, 지속적으로 창고의 전반적인 효율성을 저하시킨다는 것을 시사합니다. 연구자는 시뮬레이션이 특정 배터리 충전 방식과 특정 경로를 가정했으므로 환경에 따라 정확한 수치는 달라질 수 있지만, 트레이드오프의 패턴은 일정하게 유지된다고 언급했습니다.

다른 사람들이 이러한 선택을 이해할 수 있도록, 연구자는 누구나 데이터를 직접 확인할 수 있는 대화형 웹사이트를 제작했습니다. 사용자는 특정 비행 계획을 선택하고, 사용 가능한 배터리 충전량을 변경하여, 단순한 규칙과 신중한 규칙 중 어떤 규칙에 따라 드론이 출격하게 될지 확인할 수 있습니다. 이 도구는 두 규칙이 의견 차이를 보이는 좁은 배터리 레벨 범위를 보여줍니다. 이 구간에서 단순한 규칙은 "출격(go)"이라고 말하는 반면, 신중한 규칙은 "대기(wait)"라고 말합니다. 이는 안전에 대한 욕구와 속도에 대한 욕구가 충돌하는 정확한 지점을 시각화합니다. 연구는 안전과 서비스 모두를 극대화하는 완벽한 해결책은 없다고 결론짓습니다. 창고는 배송 횟수를 줄이는 대신 예비 전력 위반을 줄일 수도 있고, 전력이 바닥날 위험을 감수하면서 더 많은 패키지를 배달할 수도 있습니다. 이 연구의 가치는 그 선택을 가시적이고 측정 가능한 것으로 만들어, 운영자가 '안전을 위해 얼마나 많은 배송 손실을 지불할 용의가 있는지'를 결정할 때 막연한 위험감이 아닌 구체적인 숫자를 사용할 수 있게 해준다는 데 있습니다.