Autopilot

자동운항(自動運航, Autopilot)은 항공기를 인간의 조작 없이도 진로가 일정하게 유지되도록 제어해주는 장치 또는 체계를 말한다. 선박에 대해서도 보통 같은 용어를 사용하지만, 굳이 구분을 해야 할경우 '자동항해'같은 용어를 쓰기도 한다.

좀더 범위를 넓혀 일반적인 교통수단에 대한 기술은 자율주행 이라고 부르는데, 해당 용어를 좁게 해석할 경우는 자동차에 대한 기술인 자율주행 자동차만을 의미하기도 한다.

핵심 개념

자율 운항은 크게 세 가지 능력의 조합입니다.

인지 (Perception) — 주변 환경을 센서로 파악 (레이더, LiDAR, 카메라, AIS 등)
판단 (Decision-making) — 상황에 맞는 행동 결정 (충돌 회피, 경로 최적화)
제어 (Control) — 실제 기기(엔진, 舵 등)를 작동

자율화 수준 (IMO 기준)

국제해사기구(IMO)는 선박 자율화를 4단계로 구분합니다.

단계	명칭	설명
1단계	자동화 지원	의사결정은 사람, 일부 작업 자동화
2단계	원격 제어	선원 탑승, 원격에서 운항 가능
3단계	무인 원격 제어	선원 없음, 원격 운항
4단계	완전 자율 운항	AI가 모든 결정 수행

주요 기술 요소

항법 AI — 경로 계획, 충돌 회피 알고리즘 (COLREGs 준수)
센서 융합 — 레이더 + LiDAR + 카메라 + GPS 데이터 통합
디지털 트윈 — 가상 환경에서 시뮬레이션
V2X 통신 — 다른 선박·항만 인프라와의 실시간 통신
사이버 보안 — 무인 시스템의 해킹 방어

머신러닝 / 딥러닝 SOTA

선박 자율 운항 분야에서 딥러닝이 적용되는 주요 태스크와 최신 연구 동향(2024~2025)을 정리한다.

선박 탐지 (Object Detection)

YOLO 계열과 Transformer 를 결합한 하이브리드 아키텍처가 주류를 이루고 있다. 광학 이미지와 SAR(Synthetic Aperture Radar) 이미지 각각에 특화된 모델 연구가 활발하다.

주요 모델

YOLO11 — YOLO 시리즈 최신 버전. backbone·neck·detection head 전반 개선. 선박 탐지 SOTA 중 하나로 평가됨
YOLO-SEA (2025) — YOLOv8 기반. SESA(SimAM + SENetV2) 어텐션 모듈 + 개선된 BiFPN 구조 결합. 기준 모델 대비 [email protected] +5.8%, [email protected]:0.95 +7.2% 달성
SwinYOLOv7 — YOLOv7 + Swin Transformer 결합. SAR 이미지 640×640 입력 기준 96.59% 정확도. 18개 기존 모델 대비 우위
YOLOv11/v12 + Attention (2025) — BRA(Bi-Level Routing Attention) + Swin Transformer + CBAM 통합. SAR Ship Dataset 기준 [email protected] 98.0% 달성
RT-DETR — Transformer 기반 end-to-end 탐지. 광학·SAR·적외선 등 다양한 시나리오에서 정확도·실시간성 검증

주요 데이터셋

SSDD (SAR Ship Detection Dataset)
HRSID (High-Resolution SAR Images for Ship Detection)
SeaShips
LEVIR-Ship
MSAR

선박 궤적 예측 (Trajectory Prediction)

AIS(Automatic Identification System) 데이터를 시계열로 처리하는 Transformer + LSTM/GRU 조합이 주력 아키텍처다.

주요 연구

Transformer 기반 생성 예측 — 역사적 궤적의 분포를 학습하여 미래 궤적을 생성. 장거리 시간 의존성 포착에 강점
Multi-factor LSTM (2025) — AIS의 위도·경도·COG(진행 방향)·SOG(지면 속도) 등 복합 요인을 동시에 모델링
CNN + DNN + LSTM + GRU 앙상블 — 한국 AIS 데이터 기반 연구 (PLOS One, 2024). 이상값 제거·환경 조건·선박 특성 등 맥락 정보 통합 전처리가 특징

충돌 회피 (Collision Avoidance)

심층 강화학습(Deep Reinforcement Learning, DRL)이 핵심 방법론이며, COLREGs(국제해상충돌예방규칙) 준수를 제약 조건으로 포함하는 것이 주요 과제다.

방법	특징
DRL (PPO / SAC)	연속 행동 공간, 다중 선박 시나리오 대응
MADDPG	다중 에이전트 협력 회피
Federated DL	프라이버시 보존 분산 학습
MPC + DL 하이브리드	물리 제약 준수 + 신경망 판단 결합

2024년 연구에서는 엔트로피 최적화 RL 알고리즘으로 의사결정 안정성과 COLREGs 준수율을 동시에 개선했다. ABB·Kongsberg 등 기업은 AI 계획 경로를 실시간 감시하는 규칙 검증 모듈을 자율 항법 시스템에 탑재하고 있다.

센서 융합 (Multi-Sensor Fusion)

레이더·LiDAR·AIS·카메라의 실시간 융합을 통해 단일 센서 대비 탐지 신뢰성을 크게 향상시킨다. 2025년 연구에 따르면 레이더 + AIS + 영상 입력 결합 시 목표 탐지 신뢰성이 90% 이상 향상되었으며, AI 기반 융합 방법으로 AIS 데이터가 없는 상황에서도 추적 오차를 약 99% 감소시킬 수 있다.

경로 최적화 및 기상 라우팅

AI 기반 기상 라우팅은 2024년 현장 연구에서 표준 항로 대비 5~10% 짧은 항해 시간과 더 완화된 해상 상태를 일관되게 달성했다. 예측 모델 활용 시 기상 악화에 대한 의사결정을 인간 항법사보다 36시간 더 일찍 수행한 사례도 보고되었다.

태스크별 SOTA 요약

태스크	주요 모델	핵심 기술
선박 탐지 (광학)	YOLO11, RT-DETR	Attention, BiFPN
선박 탐지 (SAR)	SwinYOLOv7, AC-YOLO	Swin Transformer
궤적 예측	Transformer + LSTM	AIS 시계열 모델링
충돌 회피	DRL (PPO / SAC)	COLREGs 제약 강화학습
센서 융합	Multi-modal Fusion Net	Radar + LiDAR + AIS + Camera
경로 최적화	GNN + RL	기상·연료 복합 최적화

자율운항 화물선

Favorite site

자동운항 - 나무위키