최근 제가 주저자로 작성한 논문 “Intent-Driven UAM Scheduling: An Explainable Hybrid AI Framework”가 국제 학술지인 Aerospace에 게재 승인(Accept)되었습니다. (물론 저는 이미 UAM 분야를 떠난 지 오래되었습니다만, 기록 차원에서 정리해 둡니다.)

UAM(도심 항공 모빌리티) 환경에서 수많은 기체의 운항을 조율하는 스케줄링(Scheduling) 과정은 안전과 효율을 결정짓는 핵심적인 요소입니다. 본 연구는 복잡한 도심 환경 내의 불확실성을 해결하기 위해 인간의 의도(Intent)와 AI의 최적화 능력을 결합한 하이브리드 프레임워크를 제안했습니다.

특히 본 논문은 단순히 UAM 도메인의 문제를 해결하는 것을 넘어, 기호주의(Symbolic AI)와 현대적인 AI 방법론이 어떻게 조화를 이룰 수 있는지에 대한 관점에서 살펴보는 것이 매우 흥미로울 것입니다.

이번 포스팅에서는 연구 과정에서 가졌던 고민과 논문에서 제시한 핵심 알고리즘, 그리고 실험 결과를 중심으로 주요 내용을 정리하여 공유하고자 합니다.

---

1. UAM 스케줄링의 난이도와 불확실성

일반적으로 스케줄링 문제는 수학적 최적화(MILP)를 통해 해결합니다. “A 기체는 10시에 도착하고, B 기체는 10시 5분에 충전”하는 것과 같이 정밀하게 계획을 수립합니다.

하지만 현실은 공학적 이상과 다릅니다. 갑작스러운 기상 악화나 기체 고장 등 예측 불가능한 상황(Uncertainty)이 지속적으로 발생합니다. 이때 관제사의 개입이 필수적이지만, 인간은 기계적인 수치 입력 방식이 아닌 자연어로 명령을 내립니다.

관제사: “지금 9번 작업 좀 어떻게 해봐. (Fix this task)”

이와 같은 모호한(Ambiguous) 지시는 구체적인 실행 방안을 특정하기 어렵게 만듭니다. 시간을 조정해야 하는지, 다른 자원을 할당해야 하는지, 혹은 전체 스케줄을 재수립해야 하는지 명확하지 않습니다.

기존 시스템은 이러한 상황에서 명확한 의도를 파악하기 위해 반복적인 질의 과정을 거쳐야 했습니다. “시간을 변경하시겠습니까?”, “자원 제약조건은 유지합니까?”, “다른 비행편의 변경을 허용합니까?”와 같은 질문이 이어지며, 이는 업무 부하가 높은 관제사에게 과도한 피로를 유발할 수 있습니다.

2. 해결 방안: 하이브리드 AI 프레임워크

본 연구는 이러한 문제를 해결하기 위해 두 가지 AI 기술을 결합한(Hybrid) 프레임워크를 제안합니다.

Step 1. 기호주의 AI (Symbolic AI)로 탐색 범위 축소

먼저 ASP(Answer Set Programming)라는 논리 기반 AI를 활용합니다. 이는 관제사의 현재 상황(Context)과 명령을 분석하여 “현재 가능한 의도의 범주”를 논리적으로 추론합니다. 모든 가능성을 열어두는 것이 아니라, “현재 상황에서는 시간 조정 또는 자원 재할당 문제로 한정됨”과 같이 탐색 범위를 좁히는 단계입니다.

Step 2. 확률적 AI (Probabilistic AI)로 의도 파악

범위가 축소된 후에는 베이지안 네트워크(Bayesian Network)를 적용합니다. 핵심은 정보 이득(Information Gain)을 계산하여 가장 효율적인 질문을 선별하는 것입니다.

AI: “전체 스케줄을 다시 최적화할까요, 아니면 최소한만 변경할까요?” (Global vs Local)

관제사: “전체 재최적화해 주세요.” (Global)

단일 응답을 통해 AI는 “사용자가 최적화를 원하므로 기존 순서의 변경을 허용할 확률이 높음”을 추론합니다. 이를 통해 불필요한 상호작용 횟수를 획기적으로 줄일 수 있습니다.

Step 3. 의도 반영 스케줄링 (Intent-Aware Rescheduling)

파악된 의도(Intent)는 수학적 제약조건(MILP Constraints)으로 변환되어 스케줄러에 입력됩니다. 스케줄러는 이 제약조건을 준수하며 새로운 최적 스케줄을 도출합니다.

Step 4. 설명 가능한 시각화 (XAI)

마지막으로 AI는 결과를 단순히 제시하는 것에 그치지 않고, 기존 스케줄과 변경된 스케줄을 비교 시각화(Side-by-side)하여 제공합니다. 관제사는 자신의 명령이 전체 스케줄에 미치는 영향을 직관적으로 파악할 수 있습니다.

(논문의 전체 아키텍처 다이어그램)

3. 실험 및 검증

논문에서는 시뮬레이션을 통해 기존 방식(Direct Elicitation)과 본 제안 방식을 비교 분석하였습니다. 실험 결과, 관제사의 의도를 파악하기 위해 필요한 상호작용 비용(Interaction Cost)이 20% 감소하였음을 확인했습니다. 특히 명령의 모호성이 높을수록 본 시스템의 의도 파악 능력이 더욱 효과적임을 입증하였습니다.

4. 결론

본 연구는 단순히 스케줄링 알고리즘을 개선하는 것을 넘어, 인간과 AI가 어떻게 협업(Human-Autonomy Teaming)해야 하는지에 대한 방향성을 제시합니다. AI가 인간의 의도를 정확히 파악하고 효율적으로 소통함으로써, UAM 관제 환경의 효율성과 운용성을 크게 향상시킬 수 있을 것입니다.

논문 정보: Kim, J.; Kim, K. Intent-Driven UAM Scheduling: An Explainable Hybrid AI Framework. Aerospace 2026, 13, 165. https://doi.org/10.3390/aerospace13020165