본문 바로가기
과학기술

모자이크전(Mosaic Warfare) 구현을 위한 LLM 기반 전 영역 임무생성 및 MOSA 부합 PX4-ROS2 자율 비행 군집 소프트웨어 분석

by 리서치가이 2026. 4. 5.

서론: 의사결정 중심전(Decision-Centric Warfare)과 모자이크전의 전략적 대두

현대 군사 작전의 패러다임은 소수의 고비용, 고성능 단일 플랫폼에 의존하던 전통적인 소모전(Attrition Warfare)에서 벗어나, 다수의 저비용, 이기종 자율 시스템을 유기적으로 연결하는 의사결정 중심전(Decision-Centric Warfare)으로 급격히 전환되고 있다.1 이러한 전략적 전환의 핵심에는 미국 국방고등연구계획국(DARPA)의 전략기술국(STO)이 주도하여 창안한 '모자이크전(Mosaic Warfare)' 개념이 자리 잡고 있다.1 과거 냉전 시대에 스텔스 기술과 정밀 유도 무기가 결합하여 미국의 비대칭적 우위를 창출했던 것처럼, 모자이크전은 인공지능(AI)과 자율 무인 시스템을 결합하여 적의 의사결정 과정을 교란하고 전장 내 복잡성을 극대화하는 새로운 전쟁 수행 방식을 제안한다.1

 

 

모자이크전의 철학은 전투를 구성하는 개별 무기체계를 직소 퍼즐의 고정된 조각이 아닌, 모자이크 예술의 유연한 타일(Tile)로 간주하는 데서 출발한다.3 고도로 통합된 기존의 플랫폼(예: F-35 전투기)은 시스템의 일부가 손상될 경우 전체 임무 수행 능력이 치명적으로 저하되는 단일 장애점(Single Point of Failure)을 내포하고 있다.3 반면, 모자이크전 체계에서는 센서, 지휘통제(C2) 노드, 타격 수단(Shooter), 통신 중계기 등 기능별로 분산된 저비용 자산들이 거대한 네트워크를 형성한다.4 전장 상황에 따라 지휘관은 사용 가능한 자산들을 실시간으로 조합(Composition) 및 재조합(Recomposition)하여 '킬 체인(Kill Chain)'이 아닌 유동적이고 복원력이 뛰어난 '킬 웹(Kill Web)'을 구성한다.5 특정 무인기나 센서가 적의 타격이나 전자전(EW)으로 인해 소실되더라도, 시스템은 즉각적으로 다른 타일을 배치하여 임무를 지속함으로써 적에게 예측 불가능한 딜레마를 강요한다.3

 

이러한 유연하고 즉각적인 전력 재조합을 실현하기 위해서는 인간의 인지적 한계를 뛰어넘는 초고속 임무 생성 기술과, 이종 무인 체계 간의 원활한 정보 교환을 보장하는 개방형 아키텍처가 필수적이다. 이에 따라 대형 언어 모델(LLM, Large Language Model)을 활용한 AI 기반 전 영역 임무 생성 소프트웨어와, 개방형 시스템 접근법(MOSA, Modular Open Systems Approach)에 기반한 PX4 및 ROS2(Robot Operating System 2) 자율 비행 군집 제어 환경의 통합이 국방 과학 기술의 최우선 과제로 부상하고 있다.7

 

특성 전통적 플랫폼 중심전 (Platform-Centric Warfare) 의사결정 중심 모자이크전 (Decision-Centric Mosaic Warfare)
시스템 아키텍처 고비용, 다기능을 통합한 단일 무기 체계 (직소 퍼즐) 저비용, 단일 기능을 가진 분산된 이기종 체계 (모자이크 타일)
임무 계획 속도 사전 계획 위주, 인간 중심의 순차적이고 느린 의사결정 전장 상황에 따른 실시간 AI/LLM 기반 동적 전력 재조합
상호 운용성 특정 벤더에 종속된 폐쇄적 구조 및 전용 데이터 링크 MOSA, FACE, SOSA 등 개방형 표준 및 DDS 기반의 데이터 공유
작전의 복원력 개별 플랫폼의 생존성(스텔스, 장갑)에 극도로 의존 네트워크의 유연성과 다수 자산의 교체 가능성을 통한 생존성
타격 및 교전 개념 선형적이고 경직된 킬 체인 (Find-Fix-Track-Target-Engage) 상황에 따라 센서와 타격 자산을 자유롭게 연결하는 킬 웹

 

LLM 기반 전 영역 임무 생성 및 전투 관리 소프트웨어 동향

모자이크전 환경에서 수십에서 수백 대에 이르는 다수의 무인기(UAV)와 무인 지상 차량(UGV)을 통제하는 것은 인간 지휘관의 인지 처리 능력을 초월하는 고난도의 작업이다.10 작전 중인 특정 타일(무인기)이 파괴되거나 새로운 핵심 표적이 등장했을 때, 즉각적으로 대체 자산을 할당하고 기동 경로를 재생성하는 과정은 기계적 속도(Machine Speed)로 이루어져야 한다.12 이를 해결하기 위해 최근 군사 및 로봇 공학 분야에서는 대형 언어 모델(LLM)의 강력한 시맨틱 추론(Semantic Reasoning) 능력과 자연어 처리 능력을 활용하여 추상적인 지휘 의도를 실행 가능한 로봇 제어 코드로 자동 변환하는 프레임워크 연구가 급진전되고 있다.9

 

DARPA ACE 프로그램과 AlphaMosaic의 실증 사례

미국 DARPA의 공중 전투 진화(ACE, Air Combat Evolution) 프로그램은 AI 기반 전투 관리 및 임무 생성의 실효성을 입증한 대표적인 사례이다.10 이 프로그램의 일환으로 레이도스(Leidos)사가 개발한 '알파모자이크(AlphaMosaic)' 소프트웨어는 다수의 항공기, 무기 체계, 표적이 교전하는 복잡한 시나리오에서 조종사 및 무기체계통제사(WSO)에게 실시간으로 최적의 의사결정 옵션을 제공하는 AI 에이전트 프레임워크이다.10

 

알파모자이크 시스템은 전투기의 연료 잔량, 적의 배치 상황, 각 군집 자산의 상태 등을 종합적으로 분석하여 최적의 무기-표적 할당(Weapon-to-Target Pairing)을 수행하고 위험도를 시각적으로 제시한다.10 2025년 에글린 공군 기지(Eglin Air Force Base)에서 수행된 F-15EX 전투기 실증 시험에서, 과거 인간이 차트와 계산을 통해 20~30분씩 소요하던 복잡한 전술 재계산 및 임무 재할당 과정이 알파모자이크를 통해 단 몇 초 만에 완료되는 성과를 거두었다.10 특히 이 시스템은 폐쇄적인 AI가 아닌 인간-기계 공생(Symbiotic Relationship)을 강조하여, 인간 조종사가 자연어 및 블록 코딩 형태의 인터페이스를 통해 진행 중인 전술을 훼손하지 않으면서도 다양한 의사결정 루프에 개입하고 AI의 계획을 수정하거나 승인할 수 있는 투명성을 제공한다.17

 

한국형 모자이크전과 국방혁신 4.0 기반의 AI 지휘통제체계

대한민국 역시 인구 절벽으로 인한 병력 감소와 고도화되는 주변국의 위협에 대응하기 위해 국방혁신 4.0을 선포하고, AI 기반 유·무인 복합 전투 체계(MUM-T) 및 한국형 모자이크전 개념을 적극적으로 도입하고 있다.19 국방과학연구소(ADD)를 중심으로 진행되는 'AI 참모' 및 지능형 지휘결심지원 체계 연구는 클라우드 및 전장 상황 인식 데이터를 바탕으로 다영역 임무를 자동으로 생성하는 데 초점을 맞추고 있다.19

 

특히 한화시스템, LIG넥스원, 한국항공우주산업(KAI) 등 주요 방위산업체들은 국방 분야에 특화된 소버린 AI(Sovereign AI) 및 LLM 기술 확보에 천문학적인 투자를 진행하고 있다.23 한화시스템은 LLM을 함정용 전투 정보 및 통제 시스템에 통합하여 표적 식별 및 위협 할당 속도를 극대화하는 시제품을 시연하였으며, KAI는 FA-50 전투기와 다수의 무인기를 데이터 링크로 연결하여 회피 기동 및 표적 도달을 자율적으로 수행하는 AI 알고리즘 실증을 2027년까지 완료할 계획이다.24 이는 한국군이 데이터 처리에서부터 작전 실행에 이르는 파이프라인의 효율성을 높여 기계적 속도의 전투 지휘 능력을 확보하려는 강력한 의지를 반영한다.26

 

ROS2 환경에서의 자연어 기반 작업 계획 파이프라인

로봇 운영 체제(ROS2) 생태계에서 LLM을 활용한 작업 계획(Task Planning)은 주로 자연어 프롬프트를 ROS2 액션(Action) 또는 서비스(Service) 호출로 자동 변환하는 방식으로 구현된다.9 연구 문헌에 따르면, 비전문가도 챗 인터페이스를 통해 "고도 50미터에서 특정 좌표를 중심으로 원형 정찰 대형을 구성하라"고 명령하면, 시스템 내의 LLM 에이전트가 이를 분석하여 '이륙(Takeoff)', '비행(NavigateToPose)', '대형 유지(FormationKeep)' 등의 하위 원자적 동작(Atomic Actions) 시퀀스로 분해한다.9

 

이러한 파이프라인에서는 LLM에 로봇이 수행할 수 있는 동작 라이브러리(Capabilities)와 현재 센서 데이터(예: /odom 토픽을 통한 각 무인기의 3D 좌표 및 속도 정보)가 JSON 형식의 컨텍스트로 제공된다.31 LLM은 상황 인식을 바탕으로 상태 머신(State Machine)이나 행동 트리(Behavior Tree) 형태의 동적 코드를 생성하며, 이는 중간 검증 계층을 거쳐 실제 ROS2 메시지로 변환되어 각 무인기에 하달된다.9 이 기술은 기존의 정적인 하드코딩 방식에서 벗어나 예측 불가능한 전장 환경에서도 지휘관의 의도를 유연하게 전술적 비행 궤적으로 변환하는 핵심 기반이 된다.14

 

즉각적인 전력 재조합을 위한 동적 임무 할당 및 통신 아키텍처

모자이크전의 핵심인 '즉각적인 전력 재조합'은 군집 내 일부 자산이 파괴되거나 통신이 두절되는 상황에서도 남은 무인기들이 자율적으로 임무를 재분배하고 대형을 재구성하는 능력을 의미한다.6 이는 수백 대의 드론이 투입되는 DARPA의 OFFSET(Offensive Swarm-Enabled Tactics) 프로그램과 같은 대규모 군집 작전에서 필수적인 요구사항이다.11 동적 임무 할당(Dynamic Task Allocation) 기술은 환경적 불확실성과 노드 고장에 대응하기 위해 진화 최적화, 군집 지능, 시장 기반(Market-based) 접근법 및 클러스터링(Clustering) 기반 알고리즘을 혼합하여 사용한다.37

 

시장 기반 솔루션은 분산 조정과 실시간 적응성 측면에서 매우 우수한 성능을 보이지만 통신 오버헤드가 발생할 수 있다는 단점이 있으며, 지능형 최적화 알고리즘은 성능은 뛰어나나 전장 엣지(Edge) 디바이스의 제한된 컴퓨팅 자원에서 연산 부하를 유발할 수 있다.37 이를 극복하기 위해 최신 연구에서는 LLM을 동적 이벤트 트리거 통신(Dynamic Event-Triggered Communication) 메커니즘과 결합하는 방안이 제시되고 있다.40

 

이벤트 트리거 통신 환경에서는 무인기들이 지속적으로 상태 데이터를 브로드캐스트하여 대역폭을 낭비하는 대신, 임무 수행에 중대한 변화(예: 식별되지 않은 대공 위협 탐지, 센서 타일의 물리적 손실)가 발생했을 때만 통신을 활성화하여 LLM 에이전트에게 데이터를 전송한다.40 데이터를 수신한 지휘 노드의 LLM은 실시간 환경 데이터와 잔존 무인기의 상태 정보를 자율적으로 처리하여 즉각적으로 역할을 재할당한다.40 예를 들어 감시 역할을 수행하던 드론이 파괴되면, 통신 중계 역할을 하던 인근의 드론을 감시 임무로 즉각 전환시키고, 전체 편대 비행의 위상 수학적 네트워크(Network Topology)를 NetworkX와 같은 그래프 관리 라이브러리를 활용하여 최단 경로 및 새로운 연결 상태로 재구조화한다.35

 

자율 편대 비행을 위한 하이브리드 인지-제어 소프트웨어 프레임워크

대형 언어 모델(LLM)이 복잡한 논리적 추론과 다단계 임무 계획(High-level Planning)에서 탁월한 성능을 보임에도 불구하고, 물리 세계의 제약과 동역학을 완전히 이해하지 못한다는 치명적인 한계를 지니고 있다.31 LLM이 생성한 공간 웨이포인트(Waypoint)를 드론의 비행 제어기(Flight Controller)에 직접 입력할 경우, 미세한 추론 오류나 환각(Hallucination) 현상으로 인해 물리적으로 불가능한 궤적이 생성되거나 드론 간의 공중 충돌이 발생할 위험이 극도로 높아진다.31 특히 기동 간의 간격이 좁은 정밀 편대 비행에서는 이러한 지연과 오류가 군집 전체의 붕괴로 직결될 수 있다.43

 

이러한 문제를 해결하기 위해 최신 군집 비행 연구에서는 LLM의 고지연 인지 계획(High-latency Cognitive Planning)과 물리적 안전성을 보장하는 저지연 실시간 제어(Low-latency Real-time Control)를 엄격하게 분리하는 하이브리드 소프트웨어 아키텍처를 채택하고 있다.31 대표적인 사례인 SwarmGPT 및 SkySim 프레임워크는 이러한 구조의 실효성을 입증한다.31

 

SkySim 프레임워크와 인공 포텐셜 필드(APF) 제어 알고리즘

SkySim은 ROS2(Jazzy)와 Gazebo Harmonic 시뮬레이터를 기반으로 구축된 최첨단 군집 모의시험 환경으로, 비전문가가 자연어로 군집 제어를 수행할 수 있도록 설계되었다.31 이 아키텍처는 전형적인 "Sense-Plan-Act" 구조를 따르며, 각 단계가 독립적으로 작동하여 시스템의 안정성을 극대화한다.14

 

사용자가 "고도 2미터에서 중앙을 기준으로 원형 대형을 형성하라"는 자연어 명령을 입력하면, LLM(예: Gemini 3.5 Pro)은 해당 기하학적 형태를 구성하기 위한 각 드론의 이상적인 3D 공간 좌표 행열을 Python 리스트 형태로 직렬화하여 출력한다.31 이 출력값은 추상 구문 트리(AST, Abstract Syntax Tree) 파싱을 통해 문법적 유효성이 검증된다.31

 

그러나 가장 핵심적인 부분은 '행동(Act)' 단계에서 작동하는 안전 필터(Safety Filter)이다. SkySim은 계산 집약적이고 훈련이 복잡한 심층 강화 학습(DRL) 대신, 극히 가볍고 결정론적이며 반응성이 뛰어난 인공 포텐셜 필드(APF, Artificial Potential Field) 컨트롤러를 사용한다.31 APF는 20Hz의 고속 주기로 실행되며, LLM이 생성한 목표 웨이포인트에는 인력(Attractive Force)을, 다른 무인기나 장애물, 지오펜싱(Geo-fencing) 경계에는 척력(Repulsive Force)을 할당하는 수학적 모델이다.31

 

이 결정론적 알고리즘을 통해, LLM이 실수로 두 대의 드론에 동일한 좌표를 할당하더라도 APF 제어기가 미세 조정을 가해 물리적 충돌을 방지하면서 목표 궤적에 최대한 근접하도록 기동시킨다. 실제 SkySim의 모의시험 결과, 3대, 10대, 30대 규모의 무인기 군집 확장에서 100%의 기하학적 형태 구성 성공률과 제로 충돌(Zero Collision)을 기록하여 이 하이브리드 아키텍처의 우수성을 증명하였다.31

 

시스템 계층 주요 컴포넌트 실행 주기 및 특징 주요 역할
인지 계획 (High-level) 대형 언어 모델 (LLM) 비동기식, 고지연 (수 초~수십 초 소요) 지휘관 자연어 해석, 시맨틱 추론, 거시적 웨이포인트(목표) 및 동작 트리 생성
안전 필터 (Mid-level) APF 및 구문 검증 노드 (ROS2) 20Hz 지속 실행, 저지연 AST 파싱, 충돌 회피 연산, 지오펜스 한계 적용, 웨이포인트 미세 조정
물리 제어 (Low-level) 비행 제어기 (PX4 Autopilot) 수백 Hz, 초저지연 실시간 운영 체제 속도/자세 제어 루프 연산, 모터 믹싱, 센서 융합 및 내부 상태 계측

 

개방형 시스템 아키텍처: MOSA 표준과 무기 체계의 모듈화

LLM과 자율 비행 소프트웨어가 성공적으로 결합하더라도, 특정 벤더의 독점적인 폐쇄적 환경에 종속된다면 모자이크전의 철학인 '이기종 자산 간의 자유로운 결합'은 불가능해진다.3 이에 따라 미국 국방부(DoD)를 비롯한 전 세계 군사 기구들은 무기 체계의 획득 및 설계에 있어 MOSA(Modular Open Systems Approach, 모듈형 개방형 시스템 접근법)의 적용을 법적, 정책적으로 강제하고 있다.8

 

미국 법전 제10편 제4401(b)조(Title 10 U.S.C. 4401(b))에 따르면, 모든 주요 국방 획득 프로그램(MDAP)은 주요 시스템 구성 요소 간에 널리 지원되고 합의 기반의 표준 인터페이스를 사용하는 모듈식 설계를 채택해야 한다.47 이는 시스템의 수명 주기 동안 공급업체 종속(Vendor Lock-in)을 방지하고, 최신 상용 기술(COTS)이나 새로운 AI 모델을 플러그 앤 플레이(Plug-and-play) 방식으로 즉각 도입하여 시스템을 업그레이드할 수 있게 만들기 위함이다.8

 

MOSA는 단일한 기술 표준이 아니라, 방위 산업 전반에 걸쳐 다양한 도메인의 기술 표준들을 묶어주는 거시적 비즈니스 및 기술 전략이다.50 모자이크전 기반의 무인기 군집 시스템을 구축하기 위해서는 다음과 같은 핵심 MOSA 하위 표준들이 상호 운용되어야 한다.

 

  1. FACE (Future Airborne Capability Environment): 정부, 산업계 및 학계가 공동 개발한 군용 항공 전자 소프트웨어 표준이다.51 소프트웨어 이식성을 극대화하기 위해 운영 체제, 입출력, 전송 등 여러 세그먼트(Segment)로 아키텍처를 분리하며, 특히 전송 서비스 세그먼트(TSS, Transport Services Segment)는 시스템 간 메시지 기반 데이터 교환을 표준화한다.53 FACE 호환 아키텍처는 DO-178C와 같은 엄격한 상용 항공기 감항 인증과 호환되어 인증 비용과 일정을 크게 단축시킨다.53
  2. SOSA (Sensor Open Systems Architecture): C4ISR(지휘, 통제, 통신, 컴퓨터, 정보, 감시, 정찰) 시스템의 하드웨어 및 소프트웨어 가이드라인을 설정한다.51 SOSA는 OpenVPX 하드웨어 프로파일을 기반으로 센서 장비와 임무 컴퓨터의 전원, 핀 아웃, 통신 백플레인을 표준화하여 무인기의 페이로드(Payload)를 임무에 맞게 쉽게 교체할 수 있게 한다.55
  3. OMS (Open Mission Systems) 및 VICTORY: OMS는 항공 플랫폼과 C2 시스템 간의 통합 인터페이스를 정의하며, VICTORY는 차량 및 지상 네트워크의 C4ISR 상호운용성을 위한 데이터 버스 및 이더넷 기반 데이터 패브릭을 규정한다.50

 

DDS (Data Distribution Service): MOSA와 ROS2를 연결하는 통합 데이터 패브릭

MOSA 생태계에서 개별 표준들(FACE, SOSA 등)과 비국방 민간 로보틱스 표준인 ROS2를 매끄럽게 연결하는 핵심 통신 미들웨어는 객체 관리 그룹(OMG)이 제정한 DDS(Data Distribution Service) 프로토콜이다.8 DDS는 발행-구독(Publish-Subscribe) 기반의 분산 아키텍처를 가지며, 로봇 및 방산 시스템과 같이 실시간 처리와 엄격한 서비스 품질(QoS, Quality of Service)이 요구되는 환경에서 단일 장애점 없이 결정론적(Deterministic)이고 안정적인 통신을 보장한다.59

 

ROS2는 설계 초기부터 DDS를 기본 미들웨어로 채택하여 다중 로봇 통신과 군집 로보틱스(Swarm Robotics)에 최적화되었다.59 또한 FACE의 TSS(Transport Services Segment) 역시 DDS를 기반으로 데이터를 전송하며, SOSA 아키텍처에서도 센서 데이터(예: LiDAR 포인트 클라우드, 비디오 스트림)를 교환하는 상호작용 바인딩(Interaction Binding)에 DDS를 폭넓게 활용한다.54

 

따라서 프로토콜 브리지(Protocol Bridge)나 메시지 라우팅 서비스(예: RTI Connext Routing Service)를 활용하면, ROS2 기반의 geometry_msgs나 sensor_msgs를 FACE 및 SOSA 데이터 모델 구조로 손쉽게 매핑 및 변환할 수 있다.8 이는 C++나 Python으로 작성된 ROS2 기반의 LLM 임무 계획 알고리즘이 FACE 인증을 받은 군용 임무 컴퓨터나 SOSA 호환 센서 페이로드와 직접 데이터를 주고받을 수 있음을 의미하며, 군용 무인기 시스템의 개발 기간과 비용을 혁신적으로 절감시킨다.8

 

PX4-ROS2 환경 기반의 군집 모의시험(SITL/HITL) 구현 방법론

LLM이 생성한 동적 임무 궤적과 APF의 충돌 회피 알고리즘을 현실 세계의 드론에 탑재하기 전, 가상 환경에서 그 신뢰성과 안전성을 철저히 검증해야 한다. 이를 위해 로보틱스 및 무인기 산업의 표준으로 자리 잡은 PX4 자동비행장치(Autopilot) 소프트웨어와 ROS2, 그리고 물리 엔진 시뮬레이터인 Gazebo를 결합한 모의시험(Simulation) 체계가 활용된다.7

 

이 통합 환경은 실제 비행 컨트롤러(FC)에 탑재될 것과 동일한 비행 코드를 PC 상에서 실행하는 소프트웨어 인 더 루프(SITL, Software-In-The-Loop)와, 가상 환경의 센서 데이터를 실제 하드웨어 FC 칩(예: Pixhawk)에 주입하여 통신 및 연산 부하를 테스트하는 하드웨어 인 더 루프(HITL, Hardware-In-The-Loop) 검증을 모두 지원한다.63

 

Micro XRCE-DDS를 통한 통신 아키텍처 혁신

과거 ROS1 기반 시스템에서는 PX4와의 통신을 위해 MAVLink 프로토콜을 변환하는 MAVROS 노드가 주로 사용되었다.7 그러나 이 구조는 변환 오버헤드로 인해 지연 시간이 발생하고 네트워크 대역폭 활용이 비효율적이었다. ROS2와 PX4의 최신 아키텍처에서는 이를 대체하기 위해 Micro XRCE-DDS (eXtremely Resource Constrained Environments - Data Distribution Service) 미들웨어가 도입되었다.7

 

Micro XRCE-DDS는 PX4 내부의 메시지 버스인 uORB(Micro Object Request Broker)와 ROS2의 DDS 네트워크를 직접적이고 브릿지 없이 연결한다.7 PX4 비행 제어기 내부에서 실행되는 'Micro XRCE-DDS 클라이언트(Client)'가 uORB 메시지(예: 내부 위치, 센서 상태)를 직렬화하여 UDP 통신을 통해 컴패니언 컴퓨터(Companion Computer) 또는 시뮬레이션 PC에서 구동 중인 'Micro XRCE-DDS 에이전트(Agent)'로 전송한다.7 에이전트는 이를 역직렬화하여 네이티브 ROS2 토픽으로 네트워크에 발행한다. 이 초저지연 통신 구조 덕분에, ROS2 상에서 실행되는 외부 LLM 및 APF 제어 노드가 PX4 내부 제어 루프와 거의 동일한 속도와 권한으로 오프보드 제어(Offboard Control) 명령을 내릴 수 있게 되었다.7

 

다중 무인기(Multi-Vehicle) 군집 시뮬레이션의 네임스페이스 및 통신 격리

다중 드론 군집 비행을 Gazebo Harmonic 환경에서 모의시험하기 위해서는 통신 충돌을 방지하기 위한 세밀한 네트워크 및 인스턴스 설계가 요구된다.67 여러 대의 PX4 SITL 인스턴스가 동일한 PC에서 구동될 때, 각각의 드론은 명확히 구분되는 식별자와 네임스페이스(Namespace)를 가져야만 ROS 2 환경에서 특정 드론에게 개별적인 웨이포인트 제어 명령을 하달할 수 있다.69

 

PX4-ROS2 다중 모의시험의 핵심 구성 원리는 다음과 같다.67

 

  1. 독립적인 인스턴스 할당: 각각의 가상 드론을 생성할 때, 실행 스크립트(예: ./build/px4_sitl_default/bin/px4)에 -i <instance_number> 인자를 부여한다 (예: -i 1, -i 2).67
  2. 시스템 ID 및 네트워크 포트 매핑: 할당된 인스턴스 번호(px4_instance)는 PX4 시스템 내부의 MAV_SYS_ID 파라미터와 일치되도록 내부적으로 매핑된다.68 동시에 시뮬레이터와 통신하기 위한 UDP 포트 및 MAVLink 통신 포트가 인스턴스 번호에 비례하여 자동으로 오프셋(Offset)되어 겹치지 않게 할당된다.67
  3. ROS2 네임스페이스 자동 생성: 인스턴스 번호가 0보다 큰 경우, XRCE-DDS 에이전트는 해당 드론의 통신 토픽에 고유한 네임스페이스 접두사(Prefix)를 자동으로 추가한다 (예: px4_instance=1인 경우, 네임스페이스는 /px4_1/이 됨).68 따라서 두 번째 드론의 궤적 설정 토픽은 /px4_1/fmu/in/trajectory_setpoint로 접근할 수 있다.70
  4. 타겟 시스템 일치 검증: ROS2 노드(예: Swarm Controller)가 VehicleCommand와 같은 오프보드 제어 메시지를 특정 드론에게 발행할 때, 해당 메시지의 target_system 필드는 반드시 수신할 드론의 MAV_SYS_ID (즉, px4_instance + 1)와 정확히 일치해야 한다.68 값이 일치하지 않으면 PX4는 명령을 무시하며, 이를 통해 무인기 간의 의도치 않은 명령 혼선을 완벽하게 차단한다.68

 

이러한 격리된 네임스페이스 구조를 통해 중앙의 LLM 계획 모듈은 모든 드론의 개별 측정 정보(Odometry)를 개별 토픽(/px4_n/...)으로 수집하여 군집 전체의 3D 공간 정보를 인지하고, 각 드론의 경로 제어 토픽에 개별적인 조향 명령을 동시다발적으로 발행할 수 있다.70

 

MOSA 부합 PX4-ROS2 기반 LLM 군집 임무 생성 모의시험 구현 블루프린트

앞서 분석한 모자이크전의 전략적 요구사항, LLM 기반 임무 계획 기술, 그리고 PX4-ROS2의 기술적 인프라를 바탕으로, 즉각적인 전력 재조합과 자율 편대비행을 구현하기 위한 최적화된 하이브리드 아키텍처 블루프린트를 다음과 같이 제안한다. 이 시스템은 5개의 모듈화된 계층(Layer)으로 구성되어 MOSA의 개방성 원칙을 엄격히 준수한다.

 

제1계층: 인지 및 임무 생성 계층 (Cognitive & Mission Generation Layer)

인간 지휘관이 모바일 태블릿이나 지상통제장비(GCS)를 통해 자연어로 작전 명령을 하달한다. 이 계층의 LLM 에이전트(예: 소버린 LLM 또는 GPT 계열 모델)는 사용자의 텍스트 프롬프트를 분석한다. 동시에 제3계층(ROS2)으로부터 수신된 군집 내 가용 무인기의 수, 각 무인기의 페이로드 유형, 배터리 상태 및 3D 공간 좌표 정보를 JSON 형식의 컨텍스트로 제공받는다. LLM은 이 데이터를 종합하여 각 무인기의 최적 역할(시장 기반 동적 할당)과 기하학적 목표 웨이포인트(AST 직렬화 리스트)를 산출한다. 이 AI 모듈은 컨테이너화되어 독립적으로 실행되며, 향후 더 나은 모델로 쉽게 교체될 수 있다.

 

제2계층: MOSA 호환 데이터 연동 계층 (Data Interoperability Layer)

LLM이 생성한 JSON 형식의 계획 데이터는 방위산업 표준인 FACE TSS 또는 SOSA 프로파일 형식으로 매핑된다. DDS 기반의 프로토콜 브리지 노드가 이 데이터를 검증하고, ROS 2 통신망에서 사용할 수 있는 표준 액션(Action) 메시지 포맷으로 변환한다. 이 계층의 존재로 인해 상용 로봇 소프트웨어(ROS2)와 군용 암호화 통신/아키텍처가 충돌 없이 상호 연동된다.

 

제3계층: 안전 필터 및 군집 제어 계층 (Swarm Control & Safety Filter Layer)

변환된 고차원 웨이포인트 정보는 ROS2 환경 내에서 동작하는 Swarm Controller 노드에 전달된다. 이 계층은 20Hz 주기로 실행되며, 인공 포텐셜 필드(APF) 알고리즘을 적용하여 LLM이 지시한 궤적의 충돌 위험성을 검사한다. Gazebo 환경에서 브로드캐스트되는 장애물 정보 및 다른 드론의 위치를 기반으로 척력을 계산하고 궤적을 미세 조정한 후, 안전이 100% 보장된 TrajectorySetpoint 메시지를 각 드론의 격리된 네임스페이스(/px4_n)로 분배하여 퍼블리시한다.

 

제4계층: 통신 미들웨어 계층 (Micro XRCE-DDS Middleware Layer)

ROS2 네트워크 상에서 실행 중인 단일 Micro XRCE-DDS Agent가 지정된 UDP 포트를 통해 각 드론 네임스페이스의 메시지를 수집 및 직렬화한다. 이후, 가상 환경 내에서 구동 중인 각 PX4 인스턴스의 Micro XRCE-DDS Client로 데이터를 초저지연으로 전송한다.

 

제5계층: 비행 제어 및 모의시험 실행 계층 (Flight Execution & Simulation Layer)

Gazebo Harmonic 시뮬레이터 내에서 다수의 PX4 SITL 인스턴스가 오프보드 제어(Offboard Control) 모드로 대기한다. 수신된 궤적 데이터는 PX4의 내부 uORB 메시지 버스를 타고 위치 제어(Position Control) 루프 및 모터 믹서(Motor Mixer)에 도달하여 가상 무인기의 프로펠러를 회전시킨다. 드론이 물리 엔진 상에서 기동하면, 센서 플러그인을 통해 생성된 관성 측정 장치(IMU) 및 비전 센서 데이터가 다시 역방향(PX4 -> DDS -> ROS 2 -> LLM)으로 전달되어, 실시간 폐루프 제어(Closed-loop control) 및 상황 변화에 따른 즉각적인 임무 재조합을 가능하게 한다.

 

결론

모자이크전의 도래는 국방 기술 체계에 있어 '규모와 유연성'이라는 새로운 과제를 던져주고 있다. 단일 플랫폼의 생존성에 의존하던 시대는 저물고, 수많은 분산 자산들을 실시간으로 재조합하여 복잡성을 무기로 삼는 의사결정 중심전으로의 패러다임 전환이 가속화되고 있다. 이러한 전술적 전환을 뒷받침하기 위해 대형 언어 모델(LLM)은 지휘관의 의도를 기계어 및 공간 궤적으로 즉각 번역하고 전력을 동적으로 재할당하는 핵심 지능 엔진의 역할을 수행한다.

 

그러나 LLM의 치명적 한계인 물리적 접지(Physical Grounding) 부재로 인한 충돌 위험 및 환각 오류를 통제하기 위해, 결정론적 인공 포텐셜 필드(APF)와 같은 안전 필터를 결합한 하이브리드 인지-제어 아키텍처가 필수적으로 요구된다. 더 나아가, 이 모든 첨단 소프트웨어 기술이 독점적 기술에 종속되지 않고 무기체계 수명 주기 전반에 걸쳐 상호 운용성과 이식성을 확보하기 위해서는 미국 등 주요 국방 기관이 의무화하고 있는 MOSA(FACE, SOSA 등) 개방형 표준 접근법의 적용이 절대적이다.

 

본 연구에서 제시한 PX4-ROS2 기반의 다중 무인기 모의시험 체계는 DDS 미들웨어를 데이터 패브릭으로 활용함으로써 ROS 생태계와 군용 개방형 아키텍처 간의 간극을 성공적으로 메운다. Gazebo Harmonic과 Micro XRCE-DDS를 통한 정교한 네임스페이스 격리와 SITL/HITL 연동 기술은, LLM 기반의 복잡한 군집 임무 생성과 자율 편대 비행 로직을 현실 세계의 전장에 투입하기 전에 위험성 없이 철저히 검증할 수 있는 가장 강력한 개발 환경(Blueprint)을 제공한다. 이 통합 아키텍처의 구축은 국방 혁신과 미래 항공 무인 체계의 지능화를 선도하는 핵심 기반 기술이 될 것이다.

 

참고 자료

  1. MOSAIC WARFARE - CSBA, 4월 4, 2026에 액세스, https://csbaonline.org/uploads/documents/Mosaic_Warfare_Web.pdf
  2. Mosaic Warfare: Exploiting Artificial Intelligence and Autonomous Systems to Implement Decision-Centric Operations | CSBA, 4월 4, 2026에 액세스, https://csbaonline.org/research/publications/mosaic-warfare-exploiting-artificial-intelligence-and-autonomous-systems-to-implement-decision-centric-operations
  3. DARPA Pushes 'Mosaic Warfare' Concept - National Defense Magazine, 4월 4, 2026에 액세스, https://www.nationaldefensemagazine.org/articles/2018/11/16/darpa-pushes-mosaic-warfare-concept
  4. Strategic Technology Office Outlines Vision for “Mosaic Warfare” - DARPA, 4월 4, 2026에 액세스, https://www.darpa.mil/news/2017/sto-mosaic-warfare
  5. DARPA's Mosaic Warfare — Multi Domain Ops, But Faster - DSIAC, 4월 4, 2026에 액세스, https://dsiac.dtic.mil/articles/darpas-mosaic-warfare-multi-domain-ops-but-faster/
  6. DARPA Tiles Together a Vision of Mosaic Warfare, 4월 4, 2026에 액세스, https://www.darpa.mil/news/features/mosaic-warfare
  7. ROS 2 | PX4 Guide (main), 4월 4, 2026에 액세스, https://docs.px4.io/main/en/ros2/
  8. Connecting Open Standards using Modular Open Systems Approach - The Open Group, 4월 4, 2026에 액세스, https://www.opengroup.org/sites/default/files/FACE_TIM_2025_Andre_Connecting%20Open%20Standards%20using%20MOSA_v4.pdf
  9. ROS-LLM: A ROS framework for embodied AI with task feedback and structured reasoning - arXiv, 4월 4, 2026에 액세스, https://arxiv.org/html/2406.19741v1
  10. AlphaMosaic: AI-Powered Battle Management Takes Flight - Leidos, 4월 4, 2026에 액세스, https://www.leidos.com/insights/alphamosaic-ai-powered-battle-management-takes-flight
  11. The Global Swarm Robotics and Swarm Intelligence Market - Hans Konstapel Blogs, 4월 4, 2026에 액세스, https://constable.blog/wp-content/uploads/The-Global-Swarm-Robotics-and-Swarm-Intelligence-Market.pdf
  12. Timothy Grayson - Mosaic Warfare - SPIE, 4월 4, 2026에 액세스, https://spie.org/news/dcs-plenary---mosaic-warfare
  13. Human, Machine, War: How the Mind-Tech Nexus will Win Future Wars - Department of War, 4월 4, 2026에 액세스, https://media.defense.gov/2025/Apr/18/2003694020/-1/-1/1/B-188%20HMW%20FINAL%204.8.25%20-%20WITH%20508%20CHECK.PDF
  14. Robot Planning via LLM Proposals and Symbolic Verification - MDPI, 4월 4, 2026에 액세스, https://www.mdpi.com/2504-4990/8/1/22
  15. Agentic UAVs: LLM-Driven Autonomy with Integrated Tool-Calling and Cognitive Reasoning, 4월 4, 2026에 액세스, https://arxiv.org/html/2509.13352v1
  16. Innovation Timeline - DARPA, 4월 4, 2026에 액세스, https://www.darpa.mil/about/innovation-timeline
  17. Mosaic Warfare: Small and Scalable are Beautiful - War on the Rocks, 4월 4, 2026에 액세스, https://warontherocks.com/2019/12/mosaic-warfare-small-and-scalable-are-beautiful/
  18. What is mosaic warfare? - Leidos, 4월 4, 2026에 액세스, https://www.leidos.com/insights/what-mosaic-warfare
  19. Conditions and Strategy for Applying the Mosaic Warfare Concept to the Korean Military Force -Focusing on AI Decision-Making Support System - KoreaScience, 4월 4, 2026에 액세스, https://koreascience.kr/article/JAKO202314857630564.page
  20. South Korea Looking For More Military Tech Cooperation With Allies, 4월 4, 2026에 액세스, https://www.nationaldefensemagazine.org/articles/2025/3/28/south-korea-looking-for-more-military-tech-cooperation-with-allies
  21. South Korea is successfully moving forward with the implementation of AI in the defense sector | DEFENSEMAGAZINE.com, 4월 4, 2026에 액세스, https://www.defensemagazine.com/article/south-korea-is-successfully-moving-forward-with-the-implementation-of-ai-in-the-defense-sector
  22. 미래 전쟁에 대비한 한국군의 정보통신 발전 방향 연구 - DSpace@HANSUNG - 한성대학교, 4월 4, 2026에 액세스, https://dspace.hansung.ac.kr/bitstream/2024.oak/10646/2/200000869582%20.pdf
  23. World Shows Growing Interest in Korean Defense Industry, Products - Businesskorea, 4월 4, 2026에 액세스, http://pdf.businesskorea.co.kr/414/414100.pdf
  24. South Korea to develop a sovereign AI - ForkLog, 4월 4, 2026에 액세스, https://forklog.com/en/south-korea-to-develop-a-sovereign-ai/
  25. Korea defense firms deploy AI to cut battlefield decisions and pilot drones - CHOSUNBIZ, 4월 4, 2026에 액세스, https://biz.chosun.com/en/en-industry/2026/01/01/C23N74DMLRBG7CULD5W7MMQR4U/
  26. Department of Defense AI Solutions | Mosaic ATM Sevices, 4월 4, 2026에 액세스, https://mosaicatm.com/department-of-defense-ai-solutions/
  27. South Korea accelerates AI push in next-generation weapons programs, 4월 4, 2026에 액세스, https://asianews.network/south-korea-accelerates-ai-push-in-next-generation-weapons-programs/
  28. Utilizing LLMs as a Task Planning Agent for Robotics - hlfshell, 4월 4, 2026에 액세스, https://hlfshell.ai/posts/llm-task-planner/
  29. Integrating Quantized LLMs into Robotics Systems as Edge AI to Leverage their Natural Language Processing Capabilities - arXiv, 4월 4, 2026에 액세스, https://arxiv.org/html/2506.09581v1
  30. Transforming Robot Programming with Language AI | by Haitham Bou Ammar - Medium, 4월 4, 2026에 액세스, https://medium.com/@haitham.bouammar71/transforming-robot-programming-with-language-ai-c8ed974c4df5
  31. SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models - ResearchGate, 4월 4, 2026에 액세스, https://www.researchgate.net/publication/400371117_SkySim_A_ROS2-based_Simulation_Environment_for_Natural_Language_Control_of_Drone_Swarms_using_Large_Language_Models
  32. One For All: LLM-based Heterogeneous Mission Planning in Precision Agriculture - UC Merced robotics, 4월 4, 2026에 액세스, https://robotics.ucmerced.edu/sites/g/files/ufvvjh1576/f/page/documents/ifacagricontrol.pdf
  33. Distributed AI Agents for Cognitive Underwater Robot Autonomy - arXiv, 4월 4, 2026에 액세스, https://arxiv.org/html/2507.23735v2
  34. (PDF) Review of LLM based Control - ResearchGate, 4월 4, 2026에 액세스, https://www.researchgate.net/publication/390334927_Review_of_LLM_based_Control
  35. SWARM: Pioneering The Future of Autonomous Drone Operations and Electronic Warfare, 4월 4, 2026에 액세스, https://www.cyberdefensemagazine.com/swarm-pioneering-the-future-of-autonomous-drone-operations-and-electronic-warfare/
  36. OFFSET: OFFensive Swarm-Enabled Tactics - DARPA, 4월 4, 2026에 액세스, https://www.darpa.mil/research/programs/offensive-swarm-enabled-tactics
  37. Multi-UAV Task Assignment in Dynamic Environments: Current Trends and Future Directions - MDPI, 4월 4, 2026에 액세스, https://www.mdpi.com/2504-446X/9/1/75
  38. A survey on joint-operation application for unmanned swarm formations under a complex confrontation environment - IEEE Xplore, 4월 4, 2026에 액세스, http://ieeexplore.ieee.org/iel7/5971804/10403806/10403831.pdf
  39. Toward Edge General Intelligence With Agentic AI and Agentification: Concepts, Technologies, and Future Directions - Auburn University, 4월 4, 2026에 액세스, https://www.eng.auburn.edu/~szm0001/papers/ComST-Zhang26.pdf
  40. LLM-Based Dynamic Event-Triggered Communication for Multi-UAV Formation Control in Urban Environments - ResearchGate, 4월 4, 2026에 액세스, https://www.researchgate.net/publication/398561377_LLM-Based_Dynamic_Event-Triggered_Communication_for_Multi-UAV_Formation_Control_in_Urban_Environments
  41. Topology Perception and Relative Positioning of UAV Swarm Formation Based on Low-Rank Optimization - MDPI, 4월 4, 2026에 액세스, https://www.mdpi.com/2226-4310/11/6/466
  42. Autonomous Defense Drone Swarm Market Research Report 2034 - Market Intelo, 4월 4, 2026에 액세스, https://marketintelo.com/report/autonomous-defense-drone-swarm-market
  43. LEVIOSA: Natural Language-Based Uncrewed Aerial Vehicle Trajectory Generation, 4월 4, 2026에 액세스, https://www.researchgate.net/publication/385957271_LEVIOSA_Natural_Language-Based_Uncrewed_Aerial_Vehicle_Trajectory_Generation
  44. Multimodal Large Language Models-Enabled UAV Swarm: Towards Efficient and Intelligent Autonomous Aerial Systems | Request PDF - ResearchGate, 4월 4, 2026에 액세스, https://www.researchgate.net/publication/398801520_Multimodal_Large_Language_Models-Enabled_UAV_Swarm_Towards_Efficient_and_Intelligent_Autonomous_Aerial_Systems
  45. SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models - arXiv, 4월 4, 2026에 액세스, https://www.arxiv.org/pdf/2602.01226
  46. Our framework incorporates several LLMs to generate and refine drone waypoints based on user commands. - ResearchGate, 4월 4, 2026에 액세스, https://www.researchgate.net/figure/Our-framework-incorporates-several-LLMs-to-generate-and-refine-drone-waypoints-based-on_fig1_385957271
  47. Modular Open Systems Approach (MOSA) - Defense Standardization Program, 4월 4, 2026에 액세스, https://www.dsp.dla.mil/Programs/MOSA/
  48. Implementing a Modular Open Systems Approach in Department of Defense Programs - USD(R&E), 4월 4, 2026에 액세스, https://www.cto.mil/wp-content/uploads/2025/03/MOSA-Implementation-Guidebook-27Feb2025-Cleared.pdf
  49. A guide to the DoD's Modular Open Systems Approach | Systel Rugged Computing, 4월 4, 2026에 액세스, https://systelusa.com/blog/guide-dod-modular-open-systems-approach-mosa/
  50. What Is Mosa Sosa Cmoss - Curtiss-Wright Defense Solutions, 4월 4, 2026에 액세스, https://defense-solutions.curtisswright.com/resources/white-papers/what-is-mosa-sosa-cmoss
  51. MOSA | NAVAIR, 4월 4, 2026에 액세스, https://www.navair.navy.mil/MOSA
  52. Future Airborne Capability Environment | FACE Consortium - ADLINK, 4월 4, 2026에 액세스, https://www.adlinktech.com/en/face
  53. Leveraging Commercial Avionics Standards: Understanding the FACE Reference Architecture - RTI, 4월 4, 2026에 액세스, https://www.rti.com/blog/understanding-face-reference-architecture
  54. MOSA systems: The benefits of deploying a datacentric architecture, 4월 4, 2026에 액세스, https://militaryembedded.com/unmanned/payloads/mosa-systems-the-benefits-of-deploying-a-datacentric-architecture
  55. Sensor Open Systems Architecture (SOSA): Enabling the next generation of flexible and adaptable radar systems - Vita Technologies, 4월 4, 2026에 액세스, https://vita.militaryembedded.com/6951-sensor-open-systems-architecture-sosa-enabling-the-next-generation-of-flexible-and-adaptable-radar-systems/
  56. SOSA Standards to Embedded Systems Development - Connector Supplier, 4월 4, 2026에 액세스, https://connectorsupplier.com/sosa-standards-to-embedded-systems-development/
  57. The Future of Standardized Defense Platforms Using MOSA, SOSA and VPX Open Architectures - Vicor Corporation, 4월 4, 2026에 액세스, https://www.vicorpower.com/resource-library/white-papers/defense-platforms-using-mosa-sosa-and-vpx
  58. The FACE Transport Services Segment (TSS): Where Data Blossoms - RTI, 4월 4, 2026에 액세스, https://www.rti.com/blog/face-transport-services-segment-tss
  59. From ROS to ROS 2: A Comprehensive Guide to the Next Generation Robotics | by ScaleX Innovation, 4월 4, 2026에 액세스, https://scalexi.medium.com/from-ros-to-ros-2-a-comprehensive-guide-to-the-next-generation-robotics-f93a4e2e5793
  60. Multi-Vendor Interoperability Demo Showcasing: FACE, SOSA, and DO-178C DAL A Certification - YouTube, 4월 4, 2026에 액세스, https://www.youtube.com/watch?v=pivAclKxVbU
  61. A ROS2-Based Gateway for Modular Hardware Usage in Heterogeneous Environments, 4월 4, 2026에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC11478838/
  62. ROS 2 User Guide | PX4 Guide (main) - PX4 Autopilot, 4월 4, 2026에 액세스, https://docs.px4.io/main/en/ros2/user_guide
  63. Simulation | PX4 Guide (main), 4월 4, 2026에 액세스, https://docs.px4.io/main/en/simulation/
  64. Hardware in the Loop Simulation (HITL) | PX4 Guide (main), 4월 4, 2026에 액세스, https://docs.px4.io/main/en/simulation/hitl
  65. HITL and SITL Testing for PX4 Part 2: Introduction to Hardware in the Loop - YouTube, 4월 4, 2026에 액세스, https://www.youtube.com/watch?v=hgSc6fOrHt8
  66. artastier/PX4_Swarm_Controller: The aim of this ROS2 package is to facilitate the implementation of a drone swarm controller through simulation on Gazebo. - GitHub, 4월 4, 2026에 액세스, https://github.com/artastier/PX4_Swarm_Controller
  67. Multi-Vehicle Simulation with Gazebo | PX4 Guide (main), 4월 4, 2026에 액세스, https://docs.px4.io/main/en/sim_gazebo_gz/multi_vehicle_simulation
  68. Multi-Vehicle Simulation with ROS 2 | PX4 Guide (main), 4월 4, 2026에 액세스, https://docs.px4.io/main/en/ros2/multi_vehicle
  69. Impossible to publish for multi-drone simulation with ROS2 & Gazebo - PX4 Autopilot, 4월 4, 2026에 액세스, https://discuss.px4.io/t/impossible-to-publish-for-multi-drone-simulation-with-ros2-gazebo/35682
  70. How to run multivehicle sitl in gazebo with offboard control - PX4 Discussion Forum, 4월 4, 2026에 액세스, https://discuss.px4.io/t/how-to-run-multivehicle-sitl-in-gazebo-with-offboard-control/30611

 

'과학기술' 카테고리의 다른 글

2026년 미국 항공우주국(NASA) 아르테미스 프로그램 및 심우주 탐사 전략의 전면 개편과 루나 게이트웨이 취소에 따른 파급 효과 분석  (0) 2026.04.11
ROS2 기반 큐브위성 비행소프트웨어 개발 및 NASA 42 시뮬레이터 연동 연구  (0) 2026.04.06
도심환경 UAM 자율 원격 운용을 위한 원격 조종 시스템 구축 및 경로계획, 영상항법 기법  (0) 2026.03.17
달 궤도 복합 임무형 위성군 궤도 설계 및 기반 기술  (0) 2026.03.16
머신러닝 기반의 도심 항공 모빌리티(UAM) 설계 및 운영 체계 고도화  (0) 2026.03.15

관련글

티스토리툴바