1. 서 론

자율운항선박의 원격운항방식은 전통적인 선박 운항방식과 인력 운용 측면에서 다르다(Rostek and Balduf, 2024;Kari and Steinert, 2021;Soyer et al., 2022). 기존의 선박 운항방식은 단일 선박마다 선장, 당직 항해사 그리고 당직 조타수가 상시 승선 중이므로, 항해 중 선박 조종 지원이 가능하다. 하지만 자율운항선박의 원격운항 방식은 다수의 자율운항선박이 자율운항시스템으로 운항되며(Thombre et al., 2022), 이를 원격운항자가 필요시 개입하는 인간-시스템 협업 방식이다(Madsen et al., 2023;Forti et al., 2022).

원격운항자와 시스템의 협업에서 사람이 시스템을 감시하듯, 시스템도 사람을 적절한 수준에서 감시해야 한다. 책임을 져야하는 원격운항자는 감시 중인 자율운항선박의 의도에 의문이 생기거나, 위험하다고 판단할 때, 상황에 개입한다 (Wahlström et al., 2015). 반대로 시스템도 원격운항자의 자유의지를 침범하지 않는 선에서 선박 조종을 지원할 필요가 있다.

운동 관성이 강한 선박은 행동 이후의 조종 지원이 아닌 예측 지원을 해야 한다(Zhou et al., 2024). 자동차 분야와 같은 타산업 분야에서는 사람의 행동에 대한 피드백 연구가 있지만(Huang et al., 2024), 이는 사후조치 방식이다. 선박 분야에서는 원격운항자가 수행 중인 조치의 다음 조치를 예측하여 다가오는 선박 조작에 대한 결과를 보여주는 등의 사람을 위한 지원을 해주어야 한다(Li and Yuen, 2024).

선박의 조종에 관련한 연구에서의 예측 모델은 주로 데이터 값을 직접 사용한다. 그 중, 선박 운동 모델이나 대량의 연산을 필요로 하는 알고리즘을 제외하면, 대표적인 알고리즘으로 LSTM, Markov chain이 있다. 활용된 목적은 주로 선박의 항적이나 움직임을 예측하는데 사용되었으며, LSTM 모델을 활용한 연구(Lee, 2025;Liu et al., 2025;Guo et al., 2024), Markov Chain을 활용한 연구 (Guo et al., 2018;Zhang et al., 2019) 등이 있다. 하지만, 선박 자체의 움직임 등의 진행 중인 상태에 영향을 받는 값이 아닌, 사람의 조작 자체에 대한 예측에는 직접 적용된 사례를 찾아보기 어려웠다.

본 연구에서는 조타 행동의 패턴을 활용하여 사람의 습관을 예측하는 모델을 제안한다. 제안하는 모델은 조타를 수행한 후가 아닌 타기 조작 전에, 원격운항자의 자유의지를 침범하지 않는 선에서 앞으로의 조종 방법에 대해 피드백을 제공하는 등의 지원을 하는 것을 목적으로 한다.

2. 방법론

연구의 방법은 Fig. 1과 같이, 선박 조종 데이터의 전처리 부터 조종 행동 패턴의 학습까지 포함하는 모델 개발, 타 모델과 비교 검증한 시험으로 나누어 진행하였다.

2.1 선박 조종 데이터의 전처리

데이터의 수집은 목포해양대학교 실습선이 10개월 동안 항해한 VDR(Voyage Data Recorder) 데이터를 수집하였다. VDR 데이터는 CSV(Comma-Separated Values) 형식의 파일이 한 파일당 약 15초 길이의 데이터를 저장하고 있으며, Fig. 2 와 같은 형태로 구성되어 있어, 각 항해 데이터를 추출하여, Matlab 환경의 시계열 테이블 데이터 형식으로 정리하였다.

수집된 총 데이터 길이는 전체 3,914,334초 분량의 데이터였다. 해당 데이터에서 본 연구의 대상 데이터인 조타장치를 수동으로 사용한 데이터는 1,363,464초, 그 중, 통상적인 조종 데이터를 남기기 위한 목적으로 10노트 이상의 속력이 유지된 데이터만 남긴 결과, 데이터의 길이는 617,730초였다.

해당 데이터 중, 동일한 사람의 데이터는 당직 시간을 기준으로 가장 긴 시간의 수동 조타 데이터를 포함하고 있는 시간대를 활용하였으며, 가장 긴 길이의 데이터가 수집된 당직 시간은 00시-04시, 12시-16시 구간이었으며, 총 219,330초 길이의 데이터만 선박 조종 데이터로써 활용되었다.

선박 조종 데이터는 선회를 시작 또는 마친 시점을 기준으로 다시 구분하였다. 선회의 구분은 조타각과 분당선회각이 동시에 안정된 시기를 활용하였으며, 조타각과 분당선회 각 데이터를 각각 표준 정규화하여, 2차원 공간에서 원점과 이루는 거리가 임계값 0.1 미만인 시점으로 정하였다. 결과적으로 선박 조종 데이터는 총 3,248개의 평균길이 28초인 데이터로 분할 되었다. 마지막으로 불필요하게 복잡한 정수 조타각 값은 5단위로 이산화하여 단순화 하였다.

2.2 선박 조종 시퀀스의 심볼화

선박 조종 시퀀스는 간단한 형태로 심볼로 치환할 필요가 있었다. 음수나 두자리 수의 조타각 값을 각각 하나의 값으로 치환하기 위해 알파벳을 사용하였다. 음수값은 알파벳 소문자로, 양수값은 대문자로 치환하였으며, 0은 그대로 사용하였다. 값의 크기는 중심값 0을 기준으로 절대값이 커지는 순서에 맞추어 알파벳 순서로 치환하였다. Fig. 3는 선박 조종 시퀀스의 심볼화를 예시를 보여주며, 상세한 데이터 처리는 의사코드 Algorithm 1과 같다.

2.3 조종 행동패턴의 추출

조종 행동패턴은 Generalized Sequential Patterns (GSP) 알고리즘을 사용하였다. GSP는 대규모 시퀀스 데이터베이스로부터 빈번한 순차 패턴을 추출하는 알고리즘이다. 길이가 1인 개별 패턴에서 시작하여, 이전 단계에서 발견된 빈번 패턴들을 결합하며, 후보 패턴을 생성하고 전체 입력된 시퀀스를 다시 스캔하는 과정을 반복하며, 순차적으로 자주 수행된 사람의 습관 패턴을 추출한다.

심볼화 된 조종 시퀀스 데이터부터 GSP 패턴을 추출하는 과정에서 최소 지지도 값은 해당 패턴이 최소한의 유의미한 패턴으로 인식될 수 있는 임계값으로 본 연구에서는 30으로 설정하였다. 상세한 GSP 알고리즘의 작동은 다음의 의사코드 Algorithm 2와 같다.

사람의 조종 행동패턴은 초단위 시계열로 나열된 조타각도에서 보이지 않는 개인의 반복되는 습관을 추출할 수 있다. GSP 알고리즘의 조타 습관 추출은 순서대로 일어나는 규칙을 찾는다. 예를 들어, 조타각을 빠르게 키웠다가 천천히 내리는 습관 등의 고유한 시퀀스의 반복이 설정한 최소 지지도 값에 따라 30번 이상 반복되면, 내재적으로 패턴으로 식별한다. 추출한 최종 사전은 데이터 압축의 의미를 넘어 사용자의 특징적인 조종 행동패턴이 담겨있다. 조종 행동패턴은 다양한 길이별로 추출 되었으며, 총 17,790개가 추출되었다. 조종 행동패턴은 Fig. 4와 같은 형태의 사전으로 정리 되어 자기회귀 언어모델 학습에 사용될 수 있도록 기존의 단어가 아닌 새로운 언어사전처럼 사용된다.

2.4 조종 행동패턴 자기회귀 학습

자기회귀 학습 모델은 언어모델의 사전학습에서 활용되는 방법으로 단어와 같은 정성적인 데이터의 발생 순서를 예측하는 방법을 학습한다. 추출된 조종 행동패턴은 기존의 언어모델에 사용되는 토크나이저에 등록된 단어들이 아닌 “p001”과 같은 형태의 단어들이므로, 학습 전 토크나이즈 단계에서 조종 행동패턴 이름의 형태가 훼손되지 않도록 토크 나이저의 단어 목록은 조종 행동패턴 목록으로 대체하였다.

학습에 활용한 모델은 GPT-2 아키텍처를 기반으로 하는 디코더-온리(Decoder-only) 트랜스포머이다. 해당 트랜스포머 모델은 표준 GPT-2와 달리, 안정적인 학습을 위해 어텐션 및 피드포워드 네트워크 연산 이전에 Layer Normalization을 수행하는 사전 정규화 방식을 사용한다(Radford et al., 2019).

모델은 총 24개의 트랜스포머 블록(Layer)으로 구성되었으며, 임베딩 차원은 768, 어텐션 헤드는 24개를 사용하였다. 활성화 함수로는 GELU를, 드롭아웃 비율은 0.1로 설정하였으며, 모델 학습에 사용된 어휘 사전은 사용자 정의 토큰을 포함하여 총 17,790개의 단어를 포함한다. 상세한 모델의 구성은 Table 1과 같다.

모델 학습은 추출된 조종 행동 패턴 사전의 패턴 형태로 변환된 조타기 조작 데이터를 훈련 데이터 세트로 사용한다. 매 학습에 활용된 시퀀스 길이는 32, 스트라이드 4로 구성하여 데이터 로드 시 문맥이 충분히 학습되도록 하였다.

학습은 총 100 Epoch 동안 진행되었으며, 옵티마이저로는 AdamW(Loshchilov and Hutter, 2017)를 사용하였으며, 학습률은 통상적으로 사용되는 학습률을 따라 0.0004로 고정하고 별도의 학습률 스케줄러는 사용하지 않았다. Weight-Decay 값은 과적합을 고려하여 0.1로 설정하였으며, 손실 함수는 표준 Cross-Entropy Loss를 사용하였다. 학습의 재현성을 위해 PyTorch 랜덤 시드는 123으로 고정하였으며, 최종 훈련손실 값은 0.1073으로 나타났다. 상세한 학습 파라미터에 관한 내용은 Table 2와 같으며, 전체 학습과정에서의 학습곡선(훈련 손실)은 Fig. 5와 같다.

2.5 조타 행동 예측 시험

검증 시험은 본 연구와 같이 조타 행동패턴을 활용한 것이 아닌, 조타각 숫자 자체를 학습한 2가지 대안모델과 본 연구의 모델을 비교하는 방식으로 진행하였다. 검증 시험을 위한 샘플 시퀀스는 데이터 학습에 활용되지 않은 120초 길이의 시퀀스를 무작위로 100개 선정하였다.

시험 방법은 샘플 시퀀스의 초반 60초 부분만으로 후반의 60초 시퀀스를 예측하도록 하였다. 각 시험 결과의 분석은 예측한 시퀀스가 원본의 60초 시퀀스와 보이는 차이를 기술 통계로 분석하고 비교하였다.

비교를 위한 첫 번째 대안모델은 LSTM 알고리즘을 사용하여 학습하였다. LSTM 알고리즘은 시계열 데이터의 복잡한 시퀀스와 장기적인 의존관계를 학습할 수 있는 장점이 있어 선정하였으며, 학습데이터의 시퀀스를 60초 길이의 '입력 시퀀스'와 뒤따르는 '목표 시퀀스'로 나누어 학습을 하였으며 100 Epoch만 진행하였다. 학습에는 매트랩 환경의 Backpropagation Through Time (BPTT) 알고리즘을 사용하였 다. Fig. 6은 LSTM 모델의 학습곡선을 보여준다.

두 번째 대안모델은 Markov Chain을 이용한 모델이다. 전체 데이터 시퀀스를 훑으며 한 상태에서 다른 상태로 전이 되는 모든 경우의 수를 활용하여 상태 전이 확률 행렬을 만드는 Markov Chain 모델은 직전 상태를 바탕으로 이후에 올 상태를 예측한다. Fig. 7은 Markov Chain의 상태 전이 확률 행렬을 heatmap으로 시각화한 것이다.

3. 연구결과

3.1 조타 행동 패턴 모델 학습 결과와 활용

자기회귀 모델로 학습한 조타 행동 패턴 모델은 특정 패턴열을 입력 받으면, 가장 높은 확률의 결과를 보이도록 조정하였다. 언어모델에 활용되는 자기회귀 모델의 파라미터인 온도설정값은 언어모델에서는 다음 단어를 예측하는데 확신도와 무작위성을 조절하는데 사용된다. 본 모델의 경우에는 가장 높은 확률값을 갖는 결과 하나만 예측하면 되므로, 최소값으로 설정하였다.

모델의 입력값은 패턴으로 인코딩되어 입력되고, 모델의 출력값은 다시 디코딩되어 조타각 시퀀스 형태로 출력된다. 모델의 입력값은 임의의 조타각 시퀀스가 제공되면, 우선 조타각을 정해진 규칙대로 심볼화하고, 제공된 시퀀스를 패턴화한다. 패턴화된 입력값에 대한 모델의 추출결과는 다시 숫자 시퀀스 형태로 디코딩 하였다. 이 과정에서 일부만 제공되는 입력 시퀀스의 끊긴 앞부분과 아직 진행 중인 끝부분을 다른 패턴으로 인식하지 않도록 중간부터 정확히 일치하는 패턴만을 우선 탐색하도록 하였다.

3.2 조종 행동 예측 비교 시험 결과

시험의 결과는 실험용 데이터의 60초 이후의 정답 시퀀스와의 차이를 기술통계로 비교하였다. Fig. 8과 9는 시험에 사용된 원본 샘플 시퀀스와 제안하는 모델과 2개의 대안 모델이 출력한 결과의 샘플과 전체 결과를 보여준다.

Fig. 9의 박스 플롯은 각 모델들이 예측한 값이 원본데이터와 보인 오차 값의 Root Mean Square Error (RMSE)를 나타낸다. 제안하는 모델은 숫자에서 보이지 않는 조종 행동패턴을 예측하여 대안모델과 대비하여 평균 RMSE가 0.909로 가장 낮게 나타났다. 최소값은 0, 최대값은 2.140으로 이는 대부분 후반 시퀀스 60초에서 같은 값을 유지한 경우에서 동일하게 같은 값을 유지한 경우에서 나타난 것으로 실제 강한 선회를 하고 있을 때가 아닌 결과였으나, 타 대안 모델은 최소 RMSE가 각각 0.198, 2.5로 나타난 것을 감안하면 유의미한 결과였다. 아래 Table 3은 전체 비교 검증 시험의 결과를 보여준다.

다른 조건 변수를 사용하지 않고 조타각 시퀀스 하나로 다음 값을 예측하는 모델은 평균적으로 높은 정확도를 기대하기는 어렵다. RMSE 값을 통해 세 모델이 통계적으로 유의미한 차이를 보이는 지를 확인하기 위해 프리드먼 검증을 수행한 결과 p-value 8.0315e-69로 세 모델이 통계적으로 유의미한 성능차이를 보이는 것을 확인하였다.

구체적인 각 모델의 통계적 유의성 검증은 쌍체 t-검정(paired t-test)를 수행하였다. 제안하는 모델과 각 대안모델과의 양측 쌍체- t검정 결과는 대안모델 A와 p-value 3.4181e-07, 대안모델 B와 2.3622e-17로 본 모델과 대안모델 A, B와의 각각의 성능 비교에서도 통계적으로 유의미한 차이를 보였다. 이는 선박 조종 행동 예측 모델의 개발을 위한 기초 연구로서의 모델 성능 비교 결과로는 충분한 결과였으나, Table 3 의 표준편차 값은 본 검증 시험 결과가 LSTM 기반 대안모델 대비 아직 안정화되지 못했음을 시사한다.

3.3 조종 행동 예측 모델 개발을 위한 제안 모델의 활용

조종 행동 예측은 사람과 시스템이 목표 선회량을 공유하고 있을 때 실용적이다. 원격운항자가 개입하여 긴급한 조종이 필요한 상황은 선회의 선택지가 다양하지는 않을 것이며, 문제는 목표 선회를 얼마나 잘 조종할 수 있을지다. 예를 들어, 현재 회피하여야 하는 우현 30도 선회를 위하여 조종 중인 원격운항자가 앞으로 우현 30도에서 멈추지 못할 것으로 예상된다면, 시스템은 이를 조기에 경고할 수 있다. 이때, 개인의 과거 조종 행동 패턴을 활용하여 예측하는 본 연구의 방식을 고도화 하면, 원격운항자의 경력에 따른 조종 습관 차이를 반영한 인간-AI 협업이 가능함을 말한다.

추가적으로, 원격운항자의 조종 행동 예측은 원격운항의 특성상 시간지연이 심한 상황에서도 활용될 수 있다. 피드백을 제공하는 상황과 반대로, 원격운항자가 조작 중인 상황에서 시간 지연이 매우 심해진 경우, 시스템이 다시 원격 운항자로부터 선박 조종을 인계받게 되면, 원격운항자의 마지막 조종 의도를 제공받아 시스템이 이어서 수행하는 협업 역시 가능할 것으로 기대한다.

4. 결 론

본 연구는 기존의 전통적인 선박 운항 방식과 다른 원격 운항방식에서 원격운항자가 기존과 같이 조종에 대한 피드백을 받을 수 있게 하기 위한 선박 조종 행동 예측 모델의 기초 연구이다. 연구의 배경은 원격운항자는 원격지의 선박 과거 데이터가 전시된 화면을 보고 상황을 판단하고 의사결정을 내려야 하는 만큼, 기존과 비슷한 수준의 지원이 필요함을 강조한다.

방법론은 진행 중인 조타기 조작으로 앞으로의 조작을 예측하는 방법에 대해 주로 다루었다. 연구에서 주장하는 사람의 조종 행동패턴은 경험을 바탕으로 누적된 사람의 조타기 조작 습관으로, 숫자 시퀀스 데이터만으로 학습된 대안 모델보다 예측 성능이 높게 나타났으며, 각 모델과의 통계적 유의성도 검증하였다.

모델의 개발은 숫자 데이터인 조타각을 조종 행동 패턴으로 변환하여 순서를 갖는 텍스트 데이터로서 언어모델에 사용되는 자기 회귀 모델에 적용하였으며, 조타각의 숫자 데이터 자체를 학습한 대안모델 2종과 비교하여 예측 성능을 검증하였다. 검증결과는 3개 모델 중에서는 제안하는 모델이 가장 낮은 평균 RMSE를 보여 기초 연구로서의 가능성은 확인하였으나, 사용한 변수가 조타각 한 종류라는 제한점을 갖는다. 향후 연구에서는 조종 당시의 선박 속도, 분당선회 각, 외력의 영향을 포함하는 환경 변수를 추가하여 다중 변수를 활용하는 모델로 고도화할 필요가 있음을 확인하였다.

제안하는 모델은 개인의 조종기록을 학습하여, 개인 간 발생하는 조종 습관 차이를 추출할 수 있음을 보였다. 이는 자율운항선박 원격운항을 위한 인간-AI협업 기술 개발에 활용하면, 원격운항자가 자율시스템을 감시하고, 자율시스템도 원격운항자를 감시하며, 원격운항의 안전을 도모할 수 있을 것으로 기대한다.