머신러닝 기반의 도심 항공 모빌리티(UAM) 설계 및 운영 체계 고도화

서론: 항공 산업의 새로운 패러다임 전환

도심 항공 모빌리티(Urban Air Mobility, UAM)는 인구 과밀화로 인한 지상 교통 혼잡을 해결하고 이동 효율성을 극대화하기 위해 제안된 혁신적인 항공 운송 체계이다.1 기존의 항공 산업이 대형 항공기를 통한 장거리 도시 간 이동에 집중했다면, UAM은 수직 이착륙(VTOL)이 가능한 전기 동력 비행체(eVTOL)를 활용하여 도심 내 저고도 공역을 비행하는 근거리 교통망을 지향한다.1 이러한 시스템의 성공적인 안착을 위해서는 비행체 설계, 실시간 공역 관리, 에너지 최적화, 그리고 소음 저감 등 다학제적이고 복잡한 문제들이 해결되어야 한다.

 

전통적인 항공우주 공학 방식은 고도의 신뢰성을 제공하지만, 물리 기반 시뮬레이션의 막대한 계산 비용과 정적인 제어 알고리즘의 한계로 인해 실시간성이 강조되는 도심 환경의 동적 요구사항을 충족하기 어렵다.3 이에 따라 머신러닝(Machine Learning, ML)은 복잡한 비선형 데이터를 학습하고 초고속 예측 및 적응형 제어를 수행할 수 있는 핵심 기술로 부상하고 있다.5 머신러닝은 설계 단계에서의 대리 모델(Surrogate Model) 생성부터 운항 단계의 자율 경로 계획, 그리고 유지보수 단계의 배터리 수명 예측에 이르기까지 UAM 전 수명 주기에 걸쳐 혁신적인 해결책을 제시하고 있다.3 본 보고서는 머신러닝이 UAM 설계 및 운영의 각 영역에서 어떻게 적용되고 있는지, 현재의 기술적 진보와 인증상의 난제, 그리고 미래의 발전 방향을 심층적으로 분석한다.

 

 

eVTOL 비행체 설계 최적화를 위한 머신러닝 대리 모델링

UAM 비행체의 성능은 전력 소비를 최소화하면서 항속 거리(Range)와 체공 시간(Endurance)을 극대화하는 설계에 달려 있다. 이를 위해서는 날개 형상, 프로펠러 구조, 그리고 모터 성능 간의 복잡한 공기역학적 상호작용을 고려한 최적화가 필수적이다.2

 

물리 기반 시뮬레이션의 대리 모델링 전환

기존의 전산유체역학(CFD)이나 유한요소분석(FEA)은 단일 설계 변수의 변화를 확인하는 데만 수 시간이 소요될 수 있으며, 이는 수만 개의 변수 조합을 탐색해야 하는 초기 설계 단계에서 커다란 병목 현상을 일으킨다.2 연구 데이터에 따르면, 약 47,000개 이상의 eVTOL 기체 설계 시나리오를 물리 기반 모델로 시뮬레이션하여 확보한 데이터를 머신러닝 모델에 학습시킨 결과, 체공 시간과 항속 거리 추정에서 2% 미만의 평균 절대 백분율 오차(MAPE)를 달성할 수 있었다.3 이러한 대리 모델은 물리적 신뢰도를 유지하면서도 계산 속도를 수천 배 향상시켜 실시간 설계 최적화와 반복적인 성능 검증을 가능하게 한다.4

 

적용 모델	학습 데이터 규모	성능 지표 (정확도/오차)	주요 설계 변수
인공신경망 (ANN)	543,085 레코드	MAPE < 2%	질량, 항력 계수, 속도, 페이로드 3
크리깅 (Kriging)	고정밀 VLM 데이터	RANS 검증 일치도 높음	날개-프로펠러 간격, 트위스트 2
그래프 신경망 (GNN)	다중 충실도 데이터	1,000배 빠른 계산 속도	분산 전기 추진(DEP) 구조 8
랜덤 포레스트 (RF)	비행 미션 데이터	MAE 0.95 (SOH 예측)	사이클 횟수, 온도, 전압 6

 

날개와 프로펠러의 공기역학적 결합 최적화

분산 전기 추진(DEP) 기술은 다수의 로터를 사용하여 안전성을 높이지만, 로터에서 발생하는 슬립스트림(Slipstream)이 날개의 양력 분포를 변화시키는 강력한 결합 효과를 유발한다.2 OpenVSP와 같은 파라메트릭 모델링 도구와 크리깅 대리 모델링 프레임워크를 결합한 최적화 전략은 이러한 상호작용을 정밀하게 분석한다. 고충실도 RANS(Reynolds-Averaged Navier-Stokes) 검증 결과, 머신러닝을 통한 최적 설계안은 전통적인 개별 최적화 방식보다 전체 시스템 소모 전력을 최대 18.3%까지 감축할 수 있는 잠재력을 보였다.2 이는 비행체의 에너지 효율성을 근본적으로 개선하여 UAM의 경제적 타당성을 확보하는 데 기여한다.

 

심층 강화 학습 기반의 자율 비행 제어 및 경로 계획

도심 공역은 건물이 밀집해 있고 돌발적인 난류와 이동 장애물이 존재하는 동적인 환경이다. 이러한 환경에서 고전적인 제어 이론은 예외 상황에 대한 유연성이 부족하며, 모든 시나리오를 사전에 프로그래밍하는 것은 불가능에 가깝다.9

 

연속적 행동 공간에서의 정밀 제어

심층 강화 학습(Deep Reinforcement Learning, DRL)은 비행체가 환경과의 상호작용을 통해 스스로 최적의 제어 정책을 학습하게 한다. 특히 Deep Deterministic Policy Gradient(DDPG) 알고리즘은 가속도와 속도를 연속적으로 제어할 수 있어, 이산적인 행동 공간만을 다루는 기존 알고리즘보다 실제 물리적 움직임에 훨씬 가깝다.11 연구에 따르면, DDPG 기반 프레임워크는 고정된 경로를 따르는 것뿐만 아니라 목적지까지의 최단 시간을 확보하면서 동적 장애물과 사전 진입 금지 구역(PPZ)을 실시간으로 회피하는 능력을 입증하였다.11

 

가이드 어텐션(Guide Attention)과 다중 작업 학습

복잡한 3D 도심 환경에서의 내비게이션 성능을 높이기 위해 '가이드 어텐션' 메커니즘이 도입되고 있다. 이는 비행체의 의사결정 프로세스에서 내비게이션 목표 달성과 장애물 회피 작업 사이의 중요도를 실시간으로 조정하게 한다.9 실험 결과, 가이드 어텐션을 적용한 모델은 일반적인 DRL 알고리즘 대비 비행 성공률을 높이고 평균 보상을 유의미하게 향상시켰다.9 또한, 다중 작업 및 계층적 강화 학습(MHRL) 기법을 통해 고수준의 기동 결정(상승, 하강, 선회 등)과 저수준의 제어 표면 구동 명령을 분리함으로써, 비행 안정성과 에너지 효율성을 동시에 달성할 수 있다.12

 

지능형 도심 항공 교통 관리(UATM) 및 스케줄링

UAM 상용화의 최대 걸림돌 중 하나는 수백 대의 기체가 좁은 공역에서 충돌 없이 운용되도록 관리하는 것이다. 기존의 중앙 집중식 관제 시스템은 데이터 처리 용량과 실시간 응답성 측면에서 한계를 노출한다.1

 

그래프 신경망(GNN)을 활용한 네트워크 모델링

도심의 항공 교통망은 버티포트(Vertiport)라는 결절점과 비행 경로라는 연결선으로 구성된 그래프 구조로 이해될 수 있다. 그래프 신경망(GNN)은 이러한 비유클리드 데이터를 처리하는 데 탁월하며, 버티포트 간의 복잡한 의존 관계를 학습하여 교통 흐름을 예측하고 병목 현상을 방지한다.14 GNN과 강화 학습을 결합한 UAM-VSM(Vertiport Schedule Management) 프레임워크는 버티포트 내의 충전 스팟과 대기 중인 항공기 상태를 그래프로 추상화하여, 지연 시간과 배터리 소모를 최소화하는 이착륙 순서를 결정한다.16

 

스펙트럼 관리 및 자원 최적화

UAM의 안전한 운항을 위해서는 신뢰할 수 있는 통신 링크가 필수적이다. 비행 밀도가 높아짐에 따라 주파수 간섭 문제가 발생하는데, 심층 강화 학습 기반의 VD3QN 알고리즘은 다중 에이전트 환경에서 협력적 학습을 통해 동적으로 스펙트럼을 할당한다.1 이를 통해 통신 지연을 줄이고 미션 완료 시간을 단축하며 시스템 전반의 효율성을 개선한다.1 특히 SINR(신호 대 간섭 및 잡음비) 제약을 고려한 다중 에이전트 강화 학습(MARL)은 자원 제약이 심한 환경에서도 항공기 간의 안전 분리 거리를 유지하는 데 기여한다.13

 

소음 저감을 통한 사회적 수용성 확보 및 환경 최적화

UAM의 대중화를 가로막는 주요 장벽은 소음 공해이다. 시민들이 거주지 상공을 비행하는 기체의 소음을 용인할 수 있는 수준으로 관리하기 위해 머신러닝 기반의 소음 예측 및 경로 최적화 연구가 활발히 진행되고 있다.18

 

딥러닝을 이용한 초고속 소음 전파 예측

도심의 건물들에 의한 소음의 반사와 회절을 계산하는 전통적인 레이 트레이싱(Ray tracing) 방식은 매우 높은 정확도를 제공하지만, 하나의 경로를 계산하는 데 상당한 시간이 소요되어 실시간 최적화에는 부적합하다.18 최근 연구에서는 수정된 합성곱 신경망(CNN) 또는 U-Net3+ 아키텍처를 사용하여 복잡한 3D 도심 환경에서의 소음 전파 지도를 생성한다.18 약 45,000개의 훈련 데이터를 통해 학습된 이 모델은 레이 트레이싱 기법과 비교했을 때 2.56 dB 내외의 미미한 오차를 보이면서도, 계산 속도를 1,800배 이상 단축하여 실시간 비행 경로 계획에 소음 지표를 즉각 반영할 수 있게 한다.20

 

소음 인지형(Noise-aware) 궤적 최적화

단순히 최단 경로를 찾는 대신 소음 영향을 최소화하는 경로를 도출하기 위해 Soft Actor-Critic(SAC)과 같은 고성능 강화 학습 알고리즘이 적용된다.18 이 시스템은 미리 학습된 소음 전파 예측 모델로부터 실시간 보상(Reward)을 전달받아, 인구 밀집 지역이나 소음 민감 구역을 우회하고 최적의 하강 각도와 속도를 조절하는 비행 궤적을 생성한다.18 실험에 따르면, 이러한 최적화 방식은 비행 시간의 큰 손실 없이도 특정 지역의 최대 소음 레벨과 노출 시간(SEL)을 유의미하게 감소시킬 수 있음을 보여주었다.18

 

에너지 관리 및 배터리 시스템의 신뢰성 강화

전기 동력 기반인 UAM에서 배터리는 가장 무겁고 비싼 구성 요소이며, 동시에 비행 안전의 핵심이다. 배터리의 충전 상태(SOC)와 건전성 상태(SOH)를 정확히 관리하는 것은 안정적인 운항과 유지보수 비용 절감에 결정적이다.21

 

비행 미션 프로필 기반 SOH 예측

eVTOL은 이륙 시 막대한 전력을 소모하고 순항 시 안정적으로 전력을 방전하며 착륙 시 다시 높은 출력을 요구하는 독특한 듀티 사이클(Duty cycle)을 갖는다.6 VAH01과 같은 eVTOL 전용 배터리 미션 데이터를 활용하여 랜덤 포레스트(Random Forest), 의사결정 트리(Decision Tree), 그리고 다항 회귀 알고리즘을 테스트한 결과, 랜덤 포레스트가 배터리 노화 예측에서 0.95 수준의 낮은 평균 절대 오차(MAE)를 기록하며 가장 우수한 성능을 보였다.6 이는 배터리 교체 주기를 최적화하고 운항 중 발생할 수 있는 갑작스러운 전력 저하 사고를 예방하는 지표가 된다.6

 

지능형 에너지 관리 시스템(EMS)

머신러닝 기반의 에너지 관리 시스템(EMS)은 단순히 규칙 기반 제어를 넘어, 기상 조건, 교통 상황, 배터리 노화 상태 등을 종합적으로 고려하여 전력 분배를 결정한다.23 심층 Q-네트워크(DQN)와 같은 알고리즘을 사용하면 실시간으로 주행 환경에 적응하여 에너지 효율을 극대화할 수 있다.23 특히 하이브리드 추진 시스템의 경우, 폰트랴긴의 최소 원리(PMP)와 신경망(NN)을 결합하여 연료 전지와 배터리 사이의 최적 전력 할당을 계산함으로써 시스템의 수명과 연료 효율을 동시에 개선한다.24

 

배터리 관리 단계	적용 알고리즘	기대 효과
충전 상태 (SOC) 예측	Extreme Learning Machine (ELM)	실시간 연산 부담 경감 및 99.9% 정확도 달성 21
건전성 상태 (SOH) 예측	VMD + DBO-SVR / 랜덤 포레스트	정밀한 노화 진단 및 유지보수 시점 최적화 6
에너지 관리 (EMS)	강화 학습 (DQN / PPO)	가변적 환경에서의 실시간 에너지 소비 최적화 23
결함 진단	심층 신경망 (DNN)	배터리 내부 단락 및 고장 조기 감지 22

 

기술적 한계 및 비행 인증을 위한 해결 과제

머신러닝의 뛰어난 성능에도 불구하고, 항공 분야의 보수적인 안전 기준과 인증 체계는 머신러닝의 실전 배치를 지연시키는 주요 원인이다.25

 

결정론적 보증과 블랙박스 문제

전통적인 항공 소프트웨어 표준인 DO-178C는 요구사항과 코드 사이의 명확한 추적성(Traceability)을 요구한다. 그러나 수백만 개의 파라미터로 구성된 신경망은 그 의사결정 과정을 인간이 직관적으로 이해하기 어려운 '블랙박스'와 같다.25 또한 학습된 모델은 결정론적이지 않은 출력을 낼 가능성이 있어, 예기치 못한 입력(Out-of-Distribution)에 대한 반응을 100% 보장하기 어렵다는 점이 인증상의 커다란 난제이다.25

 

설명 가능한 AI(XAI)와 안전 성능 지표(SPI)

이러한 문제를 해결하기 위해 NASA와 EASA는 설명 가능한 AI(XAI) 연구에 집중하고 있다. XAI는 AI가 특정 경로를 선택한 이유를 인간 관제사나 조종사가 이해할 수 있는 형태로 제공함으로써 시스템의 투명성을 높인다.10 또한, NASA의 GUAM 시뮬레이션 환경에서는 UL 4600 표준을 기반으로 한 안전 성능 지표(SPI)를 사용하여 AI 모델의 강건성을 테스트한다.10 이는 고장 상황(센서 오류, 제어 표면 마비 등)에서도 AI가 기체를 안전한 상태로 유지할 수 있는지 정량적으로 평가하는 체계를 마련하려는 시도이다.10

 

미래 전망 및 전략적 로드맵

UAM 산업은 시뮬레이션 단계를 넘어 실증과 초기 상용화 단계로 진입하고 있으며, 머신러닝은 그 중심에서 핵심적인 역할을 수행할 것이다.28

 

EASA AI 로드맵과 자동화 단계

유럽 항공 안전청(EASA)은 AI 로드맵 2.0을 통해 2025년부터 2050년까지의 단계적 도입 계획을 수립하였다.5 초기 단계(Level 1)에서는 조종사의 상황 인식을 돕는 보조 시스템으로 활용되며, 중기 단계(Level 2)에서는 인간과 AI의 팀워크(HAT)가 강조된다.29 2035년경에는 특정 조건하에서 AI가 스스로 의사결정을 내리는 레벨 3 시스템이 등장할 것으로 예상되며, 2050년 이후에는 완전 자율 비행(Level 4)의 실현을 목표로 하고 있다.5

 

자동화 레벨	핵심 역할	목표 시점 (EASA 기준)	주요 적용 사례
Level 1 (Assistance)	조종사 보조 및 작업 최적화	2022~2025	기상 분석, 연료 최적화 5
Level 2 (Teaming)	인간-AI 협업 및 결정 지원	2025~2030	복잡한 교통 상황에서의 경로 추천 29
Level 3 (Automation)	제한적 자율성 및 시스템 책임 확대	2035+	단일 조종사 운항(SPO), 자동 충돌 방지 5
Level 4 (Autonomy)	완전 자율성 (인간 개입 배제)	2050+	무인 에어택시, 통합 공역 자율 관리 5

 

시장 성장과 지역별 동향

자율 비행 기체 시장은 연평균 21.19% 성장하여 2031년까지 약 280억 달러 규모에 이를 것으로 전망된다.28 미국(NASA)은 UML(UAM Maturity Level) 체계를 통해 기술 성숙도를 관리하며 국가 전략을 실행 중이며, 유럽은 EASA를 중심으로 강력한 인증 프레임워크 구축에 앞장서고 있다.32 아시아 태평양 지역, 특히 중국의 EHang과 같은 기업들은 이미 수천 회의 무인 시험 비행을 수행하며 상용 서비스 개시를 서두르고 있어, 글로벌 UAM 시장의 경쟁은 더욱 치열해질 전망이다.28

 

결론 및 연구 제언

본 보고서를 통해 분석한 결과, 머신러닝은 UAM 설계의 효율성을 획기적으로 개선하고 실시간 운영의 복잡성을 해결하는 핵심 동력임을 확인하였다. 대리 모델을 통한 설계 최적화는 에너지 효율을 18% 이상 향상시켰고, 딥러닝 기반 소음 예측은 연산 속도를 1,800배 이상 단축하며 도심 운항의 수용성을 높였다.2 또한, 배터리 건전성 상태 예측과 지능형 공역 관리는 UAM의 안전성과 경제성을 동시에 담보한다.6

 

향후 머신러닝 기반 UAM 연구가 성공하기 위해서는 다음 세 가지 방향에 집중해야 한다. 첫째, 시뮬레이션 데이터와 실제 비행 데이터 사이의 간극을 좁히는 전이 학습(Transfer Learning) 기술을 고도화하여 모델의 실전 신뢰성을 확보해야 한다. 둘째, AI 모델의 설명 가능성(XAI)을 높여 항공 안전 인증 기관의 엄격한 기준을 충족할 수 있는 기술적 근거를 마련해야 한다.27 셋째, 양자 컴퓨팅이나 엣지 컴퓨팅과의 결합을 통해 도심 내 초고밀도 교통 관리에 필요한 막대한 연산량을 실시간으로 처리할 수 있는 하드웨어-소프트웨어 통합 아키텍처 연구가 병행되어야 한다.8 머신러닝 기술의 진보와 혁신적인 규제 프레임워크가 결합될 때, 비로소 도심 상공을 자유롭게 오가는 UAM의 시대가 현실화될 것이다.

 

참고 자료

1. Urban Air Mobility: A Review of Recent Advances in Communication, Management, and Sustainability - arXiv, 2월 7, 2026에 액세스, https://arxiv.org/html/2510.18235v1
2. An Efficient Parametric Modeling, Evaluation and Optimization Strategy for Aerodynamic Configuration Design of eVTOL Aircraft - Frontiers Publishing Partnerships, 2월 7, 2026에 액세스, https://www.frontierspartnerships.org/journals/aerospace-research-communications/articles/10.3389/arc.2025.14986/full
3. Machine learning-based surrogates for eVTOL performance prediction and design optimization - ResearchGate, 2월 7, 2026에 액세스, https://www.researchgate.net/publication/386082790_Machine_learning-based_surrogates_for_eVTOL_performance_prediction_and_design_optimization
4. Machine Learning-based Surrogates for eVTOL Performance Prediction and Design Optimization - AIMS Press, 2월 7, 2026에 액세스, https://www.aimspress.com/aimspress-data/mina/2024/3/PDF/mina-01-03-011.pdf
5. ARTIFICIAL INTELLIGENCE ROADMAP 2.0, 2월 7, 2026에 액세스, https://www.caa.ro/uploads/pages/easa_ai_roadmap_2_0_2023.pdf
6. (PDF) Machine learning-based prediction for state-of-health of lithium-ion battery used for eVTOL aircraft in urban air mobility - ResearchGate, 2월 7, 2026에 액세스, https://www.researchgate.net/publication/392237375_Machine_learning-based_prediction_for_state-of-health_of_lithium-ion_battery_used_for_eVTOL_aircraft_in_urban_air_mobility
7. Machine learning-based surrogates for eVTOL performance prediction and design optimization - AIMS Press, 2월 7, 2026에 액세스, https://www.aimspress.com/article/doi/10.3934/mina.2024011?viewType=HTML
8. NASA SBIR 2025-I Solicitation, 2월 7, 2026에 액세스, https://www.nasa.gov/wp-content/uploads/2024/01/sbir-2025-i-selection-archive.pdf?emrc=68725965ee55c
9. Autonomous UAV Navigation with Adaptive Control Based on Deep Reinforcement Learning - MDPI, 2월 7, 2026에 액세스, https://www.mdpi.com/2079-9292/13/13/2432
10. A Systems Approach to AI Model Integration and Performance ..., 2월 7, 2026에 액세스, https://ntrs.nasa.gov/api/citations/20240015119/downloads/A_Systems_Approach_to_AI_Model_Integration_final.pdf
11. A deep reinforcement learning approach to assess the low-altitude airspace capacity for urban air mobility - ResearchGate, 2월 7, 2026에 액세스, https://www.researchgate.net/publication/367388807_A_deep_reinforcement_learning_approach_to_assess_the_low-altitude_airspace_capacity_for_urban_air_mobility
12. DRL-RNP: Deep Reinforcement Learning-Based Optimized RNP ..., 2월 7, 2026에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC9460910/
13. Multi-agent Deep Reinforcement Learning for Spectrum and Air Traffic Management in UAM with Resource Constraints - ResearchGate, 2월 7, 2026에 액세스, https://www.researchgate.net/publication/375568533_Multi-agent_Deep_Reinforcement_Learning_for_Spectrum_and_Air_Traffic_Management_in_UAM_with_Resource_Constraints
14. Advancements of Graph Neural Networks in Urban Traffic Prediction - SciTePress, 2월 7, 2026에 액세스, https://www.scitepress.org/Papers/2024/129022/129022.pdf
15. Graph Neural Networks for Traffic Pattern Recognition: An Overview - KAUST Repository, 2월 7, 2026에 액세스, https://repository.kaust.edu.sa/bitstreams/bc20fa52-aea9-47cb-9d9e-0caa5db4286c/download
16. [2302.05849] Graph Learning Based Decision Support for Multi-Aircraft Take-Off and Landing at Urban Air Mobility Vertiports - arXiv, 2월 7, 2026에 액세스, https://arxiv.org/abs/2302.05849
17. Graph Learning based Decision Support for Multi-Aircraft Take-Off and Landing at Urban Air Mobility Vertiports | AIAA SciTech Forum, 2월 7, 2026에 액세스, https://arc.aiaa.org/doi/10.2514/6.2023-1848
18. Low-noise trajectory optimization of urban air mobility in the urban ..., 2월 7, 2026에 액세스, https://pubs.aip.org/asa/jasa/article/158/1/476/3353178/Low-noise-trajectory-optimization-of-urban-air
19. A Reinforcement Learning Approach to Quiet and Safe UAM Traffic Management - arXiv, 2월 7, 2026에 액세스, https://arxiv.org/html/2501.08941v1
20. Deep learning based prediction of urban air mobility noise propagation in urban environment - PubMed, 2월 7, 2026에 액세스, https://pubmed.ncbi.nlm.nih.gov/38180153/
21. Machine Learning Approaches for Battery Health Management in Electric Vehicles, 2월 7, 2026에 액세스, https://www.researchgate.net/publication/394003906_Machine_Learning_Approaches_for_Battery_Health_Management_in_Electric_Vehicles
22. Machine Learning Approaches in Battery Management Systems: State of the Art: Remaining useful life and fault detection, 2월 7, 2026에 액세스, https://sites.gc.sjtu.edu.cn/dsc/wp-content/uploads/sites/16/2021/07/Published-IESES.pdf
23. Development of a Machine Learning-Driven Energy Management System for Enhanced Power Optimization in Electric Vehicles - Jetir.Org, 2월 7, 2026에 액세스, https://www.jetir.org/papers/JETIR2306B07.pdf
24. 2024-24-0001 : Machine Learning Based Design of Optimal Energy Management Strategy for Hydrogen-Fueled Hybrid Vehicle Powertrain - SAE International, 2월 7, 2026에 액세스, https://www.sae.org/papers/machine-learning-based-design-optimal-energy-management-strategy-hydrogen-fueled-hybrid-vehicle-powertrain-2024-24-0001
25. Toward Certification of Machine-Learning Systems for Low Criticality ..., 2월 7, 2026에 액세스, https://ntrs.nasa.gov/api/citations/20210019093/downloads/main.pdf
26. August 23, 2022 The Honorable Maria Cantwell Chair, Committee on Commerce, Science, and Transportation United States Senate Wash - FAA, 2월 7, 2026에 액세스, https://www.faa.gov/sites/faa.gov/files/2022-08/PL_115-254_Sec_741_Certification_of_New_Technologies_into_the_NAS.pdf
27. Explainable Artificial Intelligence (XAI) for Air Traffic Management - NASA TechPort - Project, 2월 7, 2026에 액세스, https://techport.nasa.gov/projects/154535
28. Autonomous Aircraft Market Size, Share, Trends & Growth Report, 2031, 2월 7, 2026에 액세스, https://www.mordorintelligence.com/industry-reports/autonomous-aircraft-market
29. MP A.3. Automation roadmap - SESAR Joint Undertaking, 2월 7, 2026에 액세스, https://www.sesarju.eu/node/4820
30. Easa Ai Roadmap 2 0 2023 | PDF | Artificial Intelligence - Scribd, 2월 7, 2026에 액세스, https://www.scribd.com/document/669186332/easa-ai-roadmap-2-0-2023-1
31. EASA issues concept paper addresses AI challenges in aviation - Unmanned airspace, 2월 7, 2026에 액세스, https://www.unmannedairspace.info/uncategorized/easa-issues-concept-paper-to-address-challenges-of-deploying-ai-in-aviation/
32. Research Roadmap and the UML-3 Operational Integration Assessment, 2월 7, 2026에 액세스, https://www.faa.gov/sites/faa.gov/files/vvsummit2022-UAM-Research-Roadmap.pdf
33. The Advanced Air Mobility National Strategy: A Bold Policy Vision for 2025–2035 - Department of Transportation, 2월 7, 2026에 액세스, https://www.transportation.gov/sites/dot.gov/files/2025-12/AAM%20National%20Strategy%202025.pdf
34. EASA Artificial Intelligence Roadmap 2.0 - AI Standards Hub, 2월 7, 2026에 액세스, https://aistandardshub.org/guidance/easa-artificial-intelligence-roadmap-2-0/
35. EHang EH216-S Conducts First Urban Human-Carrying Pilotless eVTOL Flights in the Middle East, Partnering with Qatar's Ministry of Transport, 2월 7, 2026에 액세스, https://ir.ehang.com/news-releases/news-release-details/ehang-eh216-s-conducts-first-urban-human-carrying-pilotless/
36. Quantum Technologies Strategic Insight Report - Civil Aviation Authority, 2월 7, 2026에 액세스, https://www.caa.co.uk/publication/download/26641