드론에서 창고 로봇까지, 안전 프로그래밍이 필수 – MIT가 해결책을 제시할 수도

대규모 자율 차량 및 드론을 관리해야 할 필요성이 계속 증가하고 있습니다. 안타깝게도 현재 사용 중인 시스템은 많은 노력과 계산 능력을 요구합니다. 또한 이러한 안전 프로그래밍 시스템은 실시간으로 조정할 수 없습니다.

Consequently, as commercial use of drone fleets becomes common, it’s vital to create safety programming protocols that streamline the processes and provide guarantees. Thankfully, a team of innovative researchers from MIT may have a solution. Here’s what you need to know.

드론 쇼

From the Olympics to new product releases, drone shows have become more common than ever. These events can utilize 수백 대의 드론 that work in unison to create images, animations, and much more. These large-scale light displays look breathtaking. Even more impressive than these actions is all the work that goes into making these shows possible.

현재 안전 프로그래밍 방법

엔지니어가 대규모 드론 군집이나 기타 다중 자율 로봇 시스템을 제어하는 현재 방법은 다중 에이전트 시스템(MAS)을 활용하는 것입니다. 이러한 프로토콜은 궤적을 경유지와 시간 제약과 결합합니다. 이 요소들을 통해 각 드론은 사전에 계획된 비행 경로에서 자신의 위치를 알 수 있습니다.
This approach works when conditions are good, and the drones are where they need to be on time. However, some serious drawbacks can occur when devices go off course. To prevent collisions, engineers employ a technique called pair-wise path-planning.

안전 프로그래밍의 단점

이 알고리즘은 모든 것이 완벽히 진행될 경우 각 드론이 다른 드론에 대해 자신이 있어야 할 위치를 알 수 있게 합니다. 그러나 통신 오류가 발생하면 심각한 문제가 발생할 수 있습니다. MAS 설정에서 각 드론은 발사 후 시야가 없기 때문에 외부 요인으로 원래 계획이 틀리더라도 사전 계획된 경로를 고수합니다. 이로 인해 드론이 예기치 않게 착륙하거나, 하늘에서 관중에게 떨어지거나, 어디론가 날아가 버리거나, 반응이 없게 되는 등 매우 이상한 행동이 발생할 수 있습니다.

최근 드론 쇼 사고

드론 쇼와 자율 로봇의 급증은 위험한 상황을 초래했습니다. 무장되지 않은 드론이라도 많은 위협을 가합니다. 이러한 장치는 연결이 끊겨 수백 피트 높이에서 떨어져 장비와 보행자를 손상시킬 수 있습니다. 또한 다른 항공기와의 충돌은 치명적인 손실과 사망을 초래할 수 있습니다. 최근 두 사례가 이러한 우려를 강조합니다:

플로리다

2024년 12월 21일 드론 쇼를 보기 위해 밖에 모인 올랜도 주민들은 사건이 위험해질 줄 몰랐습니다. 수백 대의 드론이 포함된 행사 중 연결 오류로 여러 대의 드론이 급강하해 관객을 강타했습니다.
Sadly, one of the drones fell onto a 7-year-old child, causing severe injuries that required emergency surgery. When questioned about the incident, the company behind the event, Sky Elements Drone, expressed remorse and pledged to investigate the cause to prevent future incidents.

뉴욕

Another 사고는 뉴욕 스태튼 아일랜드에서 드론이 관련되었습니다. 이 사건에서 드론 조종자는 2.5마일 떨어진 곳까지 비행했습니다. 시야가 확보되지 않아 UH-60 블랙호크 헬리콥터를 인지하지 못하고 충돌했습니다.
다행히 헬리콥터는 간신히 기지로 복귀했습니다. 그러나 추가 검토 결과, 드론 부품이 메인 로터 샤프트에서 발견되어 운이 매우 좋았다는 것이 확인되었습니다. 긴 조사 끝에 국립교통안전위원회(NTSB)는 UAV 조종사의 과실을 밝혀낸 사고 보고서를 발표했습니다.

다중 에이전트 안전 프로그래밍 연구

대규모 자율 유닛을 다룰 때 보다 민첩하고 반응적인 안전 시스템의 필요성을 인식한 MIT 엔지니어들은 최근 IEEE Transactions on Robotics¹에 발표된 논문에서 새로운 훈련 방법을 소개했습니다. 그들의 연구는 안전 보호를 강화하고 이러한 프로토콜을 적용하는 작업 부담을 줄이는 새로운 훈련 방법을 상세히 설명합니다.

그래프 제어 장벽 함수 GCBF+

Graph Control Barrier Function + 프로토콜은 기존 장벽 함수 알고리즘을 기반으로 하며, 대규모 차량 군집의 안전 유지 관리를 간소화하는 독점 시스템을 추가합니다. 인상적으로도 GCBF+는 드론이 사람처럼 복잡한 환경을 탐색할 수 있게 합니다.

감지 반경

시스템은 전체 비행 계획보다 충돌 위험에 주로 초점을 맞춘 작은 감지 반경을 설정하는 것으로 시작합니다. 이는 드론의 관리 요구를 감소시키고 주변 지역의 장애물을 적극적으로 추적하고 회피할 수 있게 합니다.

상황 인식

업데이트된 GCBF+는 드론이 실시간으로 자신의 정확한 위치와 주변 UAV와의 상대적 위치를 파악하도록 합니다. 모든 드론을 실시간으로 추적함으로써 다수의 협조적이고 협업적인 컴퓨터 프로그래밍 에이전트가 함께 작업을 수행할 수 있습니다.

그래프 신경망 (GNN)

팀은 고급 그래프 신경망을 활용한 맞춤형 컴퓨터 모델을 만들었으며, 이를 통해 GCBF를 매개변수화하고 제어 정책을 분산시키는 등 주요 이점을 활용할 수 있었습니다. 구체적으로 시스템은 에이전트와 컨트롤러를 시뮬레이션합니다.

출처 – MIT

엔지니어들은 실제 드론의 정확한 사양을 활용했습니다. 여기에는 기계적 능력, 제한, 성능, 배터리 수명 및 기타 중요한 요소가 포함되었습니다. 시뮬레이션은 이 정보를 사용해 엔지니어가 모니터링하는 대규모 테스트를 생성했습니다.

특히 그래프 신경망(GNN)을 사용하기로 한 결정은 거리 기반 관측 정보 흐름의 변하는 그래프 토폴로지를 추적할 수 있게 해주기 때문에 타당합니다. 이 입력은 다른 데이터와 결합되어 AI 시스템이 성능과 안전을 균형 있게 조정하도록 프로그래밍되었습니다.

에이전트 및 작업 추가

엔지니어들은 시뮬레이션을 확장해 더 많은 유닛과 복잡한 작업을 포함시켰습니다. 실시간 안전 시스템이 새로운 드론에 복사·붙여넣기된 후 자동으로 조정된다는 점을 확인했습니다. 시뮬레이션에 드론이 추가될 때마다 각 상호작용이 기록되었습니다.

수천 번의 시뮬레이션에서 충돌 추적

에이전트와 장애물의 수와 밀도가 증가함에 따라 시스템은 충돌이 없도록 보상하도록 미세 조정되었습니다. 이후 GNN은 안전 위반을 감소시키기 위해 컨트롤러 입력을 자동으로 조정하기 시작했습니다.

엔지니어들은 GNN이 드론이 실시간으로 궤적을 조정해 다른 로봇과의 충돌을 피하도록 하는 방식을 주목했습니다. 이 테스트는 컨트롤러가 반응형임을 보장했으며, 이는 실시간 환경 조건에 따라 드론의 비행 경로를 지속적으로 재생성한다는 의미입니다.

MIT 엔지니어들은 이 접근 방식의 일환으로 안전 경계도 도입했습니다. 이는 장치가 안전 위반에 빠질 가능성이 높은 영역을 의미합니다. 장치에게 이러한 영역을 피하도록 지시함으로써 팀은 현재 시스템을 괴롭히는 많은 충돌과 오류를 크게 감소시켰습니다.

다중 에이전트 시스템을 위한 훈련 방법

인상적으로도 시뮬레이션에서 모든 안전 문제가 해결되면 컨트롤러를 다른 유닛에 복사·붙여넣기했습니다. 프로토콜이 임의의 그래프 토폴로지를 처리할 수 있기 때문에 수직 확장이 용이합니다. 또한 참여자 수 변화에도 대응할 수 있어 몇 대의 드론에 대한 프로그래밍을 수행한 뒤 군집 전체에 공유할 수 있습니다.

MAS 안전 프로그래밍 테스트

엔지니어들은 장애물이 있는 대규모 환경에서 안전한 다중 에이전트 제어를 위한 분산 프레임워크를 테스트하기 위해 Crazyflies 드론을 사용했습니다. 이 손 크기의 쿼드로터 드론은 GNN을 사용해 업그레이드되었습니다. 테스트 단계에서는 총 8대의 Crazyflies가 사용되었습니다.
The agents used the 8 real-world drones to track and monitor activities. Then, the data was shared in a simulation with 1000 drones. The same scale-up method was applied for obstacles. The team began with 8 obstacles in a real-world test. The simulation increased the amount to 128 moving and non-moving obstacles for the final tests.

MAS 안전 프로그래밍 테스트 – 다양한 목표

드론에게 다양한 목표를 부여해 혼잡한 환경에서 어떻게 작동하는지 확인했습니다. 한 작업은 비행 중에 위치를 교환하는 것이었습니다. 이 작업은 단순해 보일 수 있지만 1000대의 드론을 다룰 때 충돌 위험이 높습니다.

착륙

다음 목표는 움직이는 상자 위에 드론을 착륙시키는 것이었습니다. 움직이는 상자는 Turtlebots라는 로봇이었습니다. Turtlebots는 서로 다른 속도로 원을 그리도록 설정되었습니다. 드론은 서로를 피하면서 안전하게 Turtlebots 위에 착륙해 작업을 완료해야 했습니다.

MAS 안전 프로그래밍 테스트 결과

안전 프로그래밍 연구 결과는 놀라웠습니다. 첫째, 장치는 2D 및 3D 환경 모두에서 이전 모델보다 우수한 성능을 보였습니다. 시스템이 LiDAR 기반 포인트 클라우드 관측을 활용해 장애물을 처리한 것은 큰 장점이었습니다. 이를 통해 드론은 실시간으로 조정하고 지정된 안전 구역에 머물 수 있었습니다.
Crazyflies는 주변을 비행하며 중간에 작업을 완료하고 충돌 없이 성공적으로 착륙했습니다. 엔지니어들은 시스템이 충돌을 40% 감소시킬 수 있다고 결론지었습니다. 또한 드론 성능이 향상되어 수백 대의 드론이 관련된 작업을 사고 없이 수행할 수 있게 되었습니다.

MAS 안전 프로그래밍 연구의 장점

이 연구가 시장에 제공하는 여러 가지 이점이 있습니다. 첫째, 엔지니어가 안전 요구사항과 성능 기준을 자동으로 균형 맞출 수 있습니다. 시스템이 제어 장벽 함수 이론을 활용한 안전 보장은 해당 기체 주변의 위험을 크게 감소시킵니다. 또한 LiDAR 시스템을 사용해 실시간 피드백과 비행 경로 조정을 보장합니다.

목적지 지정만

이 기술의 가장 큰 장점 중 하나는 엔지니어가 전통적인 방법처럼 많은 시간과 계산 노력이 필요한 비행 경로를 설계하지 않아도 된다는 점입니다. 팀은 드론에 지시와 목적지만 제공했습니다. 장치는 단일 충돌 회피 경로를 계산하지 않았으며, 대신 실시간 센서 입력을 기반으로 수천 개의 경로를 계산해 모든 변화가 추적되고 조정되도록 했습니다.

확장성

엔지니어들은 최신 복사·붙여넣기 컨트롤러를 통해 현재 시스템에 큰 업그레이드를 적용했습니다. 이 프로토콜은 그래프 구조를 활용해 MAS의 확장 가능하고 일반화된 분산 제어에 이상적입니다.
이 접근 방식은 향후 드론 조종사가 소수의 유닛만 프로그래밍하면 된다는 것을 의미합니다. 안전 매개변수는 무한한 수의 드론으로 확장될 수 있어 비용, 시간, 노력을 절감하면서도 성능을 희생하지 않습니다.

MAS 안전 프로그래밍 적용 분야

이 기술의 적용 분야는 계속 확대되고 있습니다. 컨트롤러 프로토콜을 손쉽게 생성·배포·확장할 수 있는 능력은 드론 충돌 방지 시스템에 큰 업그레이드가 됩니다. 이를 통해 대규모 적용을 새로운 환경에 빠르게 구성할 수 있습니다. 이 기능은 창고, 수색·구조 작업, 자율주행 차량 및 군사 임무 등에 적합합니다.

MAS 안전 프로그래밍 연구자

이 작업을 수행한 연구진에는 MIT 항공우주학 부교수인 Chuchu Fan이 포함됩니다. 또한 Songyuan Zhang, Oswin, Kunal Garg가 연구를 지원했습니다. 특히 이 연구는 미국 국립 과학 재단, MIT 링컨 연구소의 Safety in Aerobatic Flight Regimes (SAFR) 프로그램, 그리고 싱가포르 방위 과학 기술청의 재정 지원을 받았습니다.

자율 차량 분야 선도 기업

여러 기업이 MAS 안전 프로그래밍 연구를 활용해 UAV 또는 전기차 제품을 개선할 수 있습니다. 자율 운송 수단 제조업체가 늘어남에 따라 자율 차량 군집의 안전 요구사항도 증가할 것입니다. 다음은 이 데이터를 활용해 투자 수익률을 향상시킬 수 있는 최적의 기업입니다.

Amazon

자율 로봇 군집을 운영할 때 Amazon (AMZN )은 업계 선두주자입니다. 이 회사는 수년 전부터 공장에 자율 로봇을 도입했으며, 이후 드론 군집을 UAV와 전기차까지 확대했습니다. 군집이 커짐에 따라 MIT 연구진이 개발한 안전 매개변수와 제어 시스템에 대한 수요도 증가할 것입니다.

Amazon은 오랫동안 드론 배송 군집을 예고해 왔습니다. 내년에는 출시를 시작할 수 있습니다. 특히 FAA는 지난해 11월에 사용하려는 MK30 드론을 승인했습니다.

Amazon은 또한 EU에서 드론을 통한 패키지 배송 10년 목표를 향해 진전을 이루고 있습니다. 구체적으로, 지난해 12월 이탈리아 산 살보에서 배송 시스템을 테스트했으며 좋은 결과를 얻었습니다.

성공한다면 Amazon은 매년 5억 명 이상의 고객에게 드론으로 배송할 수 있습니다. 이 조치는 배송 비용과 절도를 크게 줄여 AMZN 주가 상승을 가져올 수 있습니다.

MAS 안전 프로그래밍의 미래

드론 안전 프로그래밍의 미래는 확장 가능한 고성능 AI 기반 시스템입니다. 이러한 시스템은 엔지니어가 안전 프로토콜의 생성부터 관리 및 배포까지 모든 과정을 단순화할 수 있게 합니다.

앞으로 배송 드론은 실시간 환경, 비행 경로 및 동료 드론의 위치를 완전히 파악하게 될 것입니다. 따라서 24시간 배송이 너무 느리게 느껴질 날이 다가오고 있습니다.

로봇 분야의 다른 흥미로운 개발에 대해 여기에서 알아보세요.

연구 참고:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: 안전한 다중 에이전트 제어를 위한 분산 신경 그래프 제어 장벽 함수 프레임워크. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}