재사용 우주발사체 유도항법제어(GNC) 핵심 기술 및 연구 동향

1. 재사용 발사체 귀환 임무를 위한 GNC 아키텍처

재사용 우주발사체(Reusable Launch Vehicle, RLV)의 성공적인 회수는 발사체의 상태를 정밀하게 추정하고(항법), 최적의 경로를 생성하며(유도), 생성된 경로를 정확히 추종하도록 동체를 제어하는(제어) 유도항법제어(Guidance, Navigation, and Control, GNC) 시스템의 성능에 전적으로 의존한다.1 RLV의 귀환 임무는 단일한 GNC 문제로 정의되지 않으며, 비행 환경과 동역학적 특성이 급격하게 변하는 여러 단계의 연속적인 도전 과제로 구성된다. 따라서 RLV의 GNC 시스템은 각 비행 단계의 고유한 요구사항을 충족시키기 위해 설계된 다중 모드(Multi-Mode) 아키텍처를 기반으로 한다.

 

 

1.1. 임무 단계 분석: 순차적 도전 과제

RLV의 1단 부스터가 2단과 분리된 후 지상 또는 해상의 착륙 지점으로 귀환하는 과정은 물리적 환경과 제어 목표가 뚜렷하게 구분되는 네 가지 주요 단계로 나눌 수 있다.2 GNC 시스템은 각 단계의 시작과 끝을 정확히 인지하고, 해당 단계에 최적화된 알고리즘으로 원활하게 전환해야 한다.

 

1.1.1. 고고도 탄도 비행 (High-Altitude Ballistic Flight)

2단 분리 직후, 1단 부스터는 대기 영향이 거의 없는 고고도에서 탄도 비행을 시작한다. 이 단계에서 GNC 시스템의 주된 임무는 자세 제어이다. 공력이나 주 엔진 추력을 사용할 수 없기 때문에 궤적을 직접 제어하는 것은 불가능하다.2 대신, 반작용 제어 시스템(Reaction Control System, RCS)이라는 소형 추력기를 사용하여 동체의 방향을 바꾼다. 가장 중요한 기동은 '플립오버(Flip-over)' 기동으로, 엔진 부분을 비행 방향으로 돌려 다음 단계인 재진입 연소를 준비하는 것이다.2 이 기동이 완료되면, GNC 시스템은 재진입 연소 시작 시점까지 목표 자세를 안정적으로 유지하는 역할을 수행한다.

 

1.1.2. 재진입 연소 (Re-entry Burn)

재진입 연소는 RLV가 밀도 높은 대기권에 진입하기 직전, 속도를 줄이고 동체에 가해지는 극심한 공력 하중과 열을 제한하기 위해 수행하는 핵심적인 역추진 기동이다.2 이 단계에서 GNC 시스템은 복수의 주 엔진(예: Falcon 9의 경우 3개)을 재점화하여 추력의 크기와 방향(Thrust Vector Control, TVC)을 정밀하게 제어한다. 재진입 연소는 단순히 감속만을 위한 것이 아니다. 이는 탄도 비행 단계에서 누적된 위치 및 속도 오차를 보정하는 첫 번째이자 가장 중요한 기회이다.2 유도 시스템은 현재 위치에서 목표 착륙 지점까지의 최적 궤적을 실시간으로 계산하고, 제어 시스템은 이 궤적을 따라가도록 엔진을 조종한다.

 

1.1.3. 공력 비행 (Aerodynamic Descent)

재진입 연소가 끝나면 발사체는 주 엔진 추력 없이 오직 공기역학적 힘을 이용하여 비행하는 공력 비행 단계에 진입한다. 이 단계에서 GNC 시스템의 목표는 최종 착륙 연소를 시작하기 위한 최적의 지점, 즉 특정 고도, 속도, 위치로 구성된 '키홀(keyhole)'을 향해 동체를 유도하는 것이다.2 제어는 주로 동체 상단에 장착된 그리드 핀(Grid Fins)과 같은 공력 제어면을 통해 이루어지며, RCS는 자세 안정화를 보조하는 역할을 한다.4 이 구간에서 발사체는 초음속에서 아음속에 이르는 넓은 속도 영역을 통과하며 극심한 공력 및 열 스트레스를 견뎌야 한다. 유도 시스템은 변화하는 바람과 대기 밀도에 대응하여 에너지(고도와 속도)를 관리하고 측면 오차를 수정하기 위해 동체의 받음각(Angle of Attack)과 뱅크각(Bank Angle)을 지속적으로 조절한다. 이 단계에서 동체의 안정성은 매우 미미할 수 있어, 정밀하고 강인한 제어 시스템이 필수적이다.6

 

1.1.4. 착륙 연소 (Landing Burn)

착륙 연소는 귀환 임무의 마지막이자 가장 높은 정밀도를 요구하는 단계이다. 낮은 고도에서 시작되며, 통상적으로 단일 주 엔진을 재점화하여 최종 감속을 수행한다.2 GNC 시스템은 수평 및 수직 속도를 완벽하게 '0'으로 만들면서, 해상 바지선과 같은 매우 좁은 목표 지점에 오차 범위 10m 이내로 정확하게 연착륙(soft landing)을 완수해야 한다.1 이 단계에서는 TVC가 주된 제어 수단으로 사용되며, 공력 제어면과 RCS가 보조적인 역할을 한다. 유도 시스템은 저고도에서의 바람과 같은 국소적인 환경 변화까지 고려하여 마지막 순간까지 최적의 착륙 궤적을 실시간으로 생성하고 수정해야 한다.8

 

1.2. 통합 GNC 시스템: 상태 기반 아키텍처

RLV의 GNC 시스템은 단일체가 아닌, 모듈화된 상태 기반(State-driven) 아키텍처로 구성된다. 이 시스템의 최상위에는 비행 관리자(Flight Management, FM) 기능이 존재한다.2 FM은 관제탑과 같은 역할을 수행하며, 고도, 속도, 동압 등 발사체의 현재 상태를 지속적으로 감시하고, 앞서 설명한 각 비행 단계에 맞춰 GNC 시스템의 작동 모드를 전환시키는 핵심적인 역할을 담당한다. 이러한 아키텍처는 다음과 같은 상호 연결된 핵심 기능들로 구성된다.

 

• 유도 (Guidance): 발사체가 따라야 할 기준 궤적(위치, 속도, 자세 등)을 생성한다.2
• 항법 (Navigation): 다수의 센서로부터 수신된 데이터를 융합하여 발사체의 현재 상태를 가장 정확하게 추정한다.2
• 제어 (Control): TVC, RCS, 공력 제어면과 같은 구동기를 조작하여 유도 시스템이 생성한 기준 궤적을 추종하고 동체의 안정성을 유지한다.2
• 고장 탐지, 분리 및 복구 (Fault Detection, Isolation, and Recovery, FDIR): 시스템 전반에 걸쳐 작동하는 중요한 기능으로, 센서나 구동기 등에 고장이 발생하더라도 임무를 지속할 수 있도록 시스템의 강인성을 보장한다.1

 

이러한 GNC 시스템의 구조는 본질적으로 강인한 상태 기계(Robust State Machine)로 볼 수 있다. 각 비행 단계 내에서의 성능 최적화도 중요하지만, 한 단계에서 다음 단계로 전환되는 과정의 신뢰성이 임무 성공에 더욱 치명적이다. 예를 들어, 재진입 연소에서 공력 비행 단계로의 전환 시점을 잘못 판단하면, 너무 이른 전환은 불필요한 연료 소모를, 너무 늦은 전환은 과도한 공력 하중으로 인한 구조적 파괴를 초래할 수 있다. 따라서 GNC 시스템 설계의 핵심 과제 중 하나는 센서 잡음, 비정상적인 비행 조건, 시스템 지연 시간 등에도 불구하고 각 단계 전환 로직이 완벽하게 작동하도록 설계하고 검증하는 것이다. 전체 임무의 성패는 이처럼 시간에 민감하고 불연속적인 제어 모드 간의 완벽한 인수인계에 달려 있다.

 

표 1: RLV 귀환 임무 단계별 GNC 프로파일

 

임무 단계	주요 목표	핵심 도전 과제	주요 센서	주요 구동기
고고도 탄도 비행	재진입 연소를 위한 자세 정렬 (플립오버 기동)	진공 환경에서의 정밀 자세 제어, 궤적 제어 불가	IMU, (D)GNSS	RCS
재진입 연소	대기권 진입을 위한 감속, 공력 하중 제한, 누적 궤적 오차 보정	다중 엔진 추력 제어, 실시간 궤적 최적화, 극심한 동압 변화	IMU, (D)GNSS	TVC, RCS
공력 비행	착륙 연소 시작 지점으로의 에너지 관리 및 유도	높은 공력 및 열 스트레스, 불안정한 동체 동역학, 바람 등 외란 대응	IMU, (D)GNSS, FADS	공력 제어면 (그리드 핀), RCS
착륙 연소	목표 지점 정밀 연착륙 (수직/수평 속도 0)	10m 이내의 핀포인트 착륙 정확도, 저고도 바람 영향, 연료 소모 최소화	IMU, (D)GNSS, 레이다/레이저 고도계	TVC, 공력 제어면, RCS

 

2. 탑재 유도 시스템: 실시간 최적 궤적 생성

재사용 발사체 유도 기술의 핵심은 지상 관제소의 개입 없이 발사체 스스로 현재 상태에서 목표 지점까지 도달하는 최적의 경로를 실시간으로 계산해내는 능력에 있다. 특히 동력을 사용하는 하강 및 착륙 단계에서의 유도 문제(Powered Descent Guidance, PDG)는 현대 RLV GNC 기술의 정점을 보여준다. 이는 과거의 방식처럼 미리 계산된 경로를 단순히 따라가는 것이 아니라, 비행 중에 마주치는 각종 불확실성에 대응하여 끊임없이 최적의 경로를 '재창조'하는 과정이다.

 

2.1. 동력 하강 유도(PDG) 문제: 비볼록(Non-Convex) 최적화의 난제

PDG 문제의 목표는 현재 발사체의 상태(위치, 속도, 질량)로부터 시작하여, 연료 소모를 최소화하면서 최종적으로 목표 지점에 정확하고 부드럽게 착륙하는 궤적을 생성하는 것이다.9 이는 수학적으로 최적 제어 문제(Optimal Control Problem)에 해당하지만, 몇 가지 본질적인 비볼록(non-convex) 제약 조건 때문에 전통적인 방법으로는 실시간으로 최적해를 구하기가 매우 어렵다.12

 

• 최소 추력 제약: SpaceX의 멀린 엔진과 같은 로켓 엔진은 특정 수준 이하로 추력을 낮출 수 없다. 즉, 엔진을 완전히 끄는 것(추력 0)과 최소 추력 사이에는 작동 불가능한 '데드 존(dead zone)'이 존재한다. 이로 인해 가능한 추력 벡터의 집합은 속이 빈 고리(annulus) 형태가 되며, 이는 대표적인 비볼록 집합이다.12
• 추력 방향 제약: 엔진의 짐벌(gimbal) 각도는 물리적으로 제한되며, 착륙용 카메라나 고도계와 같은 탑재 센서의 시야각(Field-of-View) 확보를 위해 특정 방향으로는 추력을 분사할 수 없는 경우가 있다. 이는 가능한 추력 방향을 원뿔(cone) 형태로 제한하여 또 다른 비볼록 제약 조건을 형성한다.13
• 상태 제약: 발사체는 지면 아래로 파고드는 비행 경로를 피해야 하며(활공각 제약), 구조적 한계를 넘어서는 과도한 속도를 내서는 안 된다(최대 속도 제약).15

 

이러한 비볼록 문제에서는 국소 최적해(local optimum)는 쉽게 찾을 수 있지만, 그것이 전역 최적해(global optimum)라는 보장이 없으며, 계산 과정이 복잡하여 실시간 탑재 컴퓨터에서의 연산에 부적합하다.

 

2.2. 볼록 최적화: 유도 기술의 패러다임 전환

현대 RLV 유도 기술의 혁신은 이 다루기 힘든 비볼록 최적 제어 문제를 연속적인 볼록 최적화(Convex Optimization) 문제로 변환하여 해결하는 기법의 도입에서 비롯되었다.3 볼록 최적화 문제는 단 하나의 최적해가 존재하며, 이를 매우 빠르고 신뢰성 있게 찾을 수 있는 알고리즘이 잘 개발되어 있다.

 

• 무손실 볼록화 (Lossless Convexification): SpaceX의 Lars Blackmore와 같은 연구자들이 개척한 이 핵심적인 이론적 돌파구는, 최소 추력 제약과 같은 비볼록 제약 조건을 이보다 더 큰 볼록 집합으로 완화(relax)하는 아이디어에 기반한다.13 여기서 '무손실'이라는 이름이 붙은 이유는, 이렇게 완화된 문제의 최적해가 원래의 비볼록 제약 조건의 경계에 정확히 위치하여, 결국 원래 문제의 최적해와 동일하다는 것을 수학적으로 증명했기 때문이다. 이로써 문제의 본질적인 최적성을 잃지 않으면서도 계산적으로 훨씬 다루기 쉬운 볼록 문제로 변환할 수 있게 되었다.
• 순차적 볼록 프로그래밍 (Sequential Convex Programming, SCP / SCvx): 이는 무손실 볼록화 이론을 실제 알고리즘으로 구현하는 반복적 기법이다. 먼저 이전 단계에서 계산된 궤적을 기준으로 비선형적인 발사체의 동역학을 선형화하거나 볼록화한다. 그 다음, 이 근사된 동역학과 볼록화된 제약 조건 하에서 연료 소모를 최소화하는 볼록 최적화 부문제(subproblem)를 푼다. 이 부문제는 주로 2차원뿔 계획법(Second-Order Cone Program, SOCP) 형태로 구성되며, 현대적인 내부점(interior-point) 알고리즘을 통해 극도로 빠르게 해를 구할 수 있다.3 이렇게 얻어진 해는 다음 반복 단계의 기준 궤적으로 사용되며, 이 과정을 수차례 반복하면 최적의 연료 효율을 갖는 실행 가능한 궤적으로 빠르게 수렴한다.2 이 전체 과정은 1초에 한 번 이상(1Hz+) 반복될 수 있어, 실시간 궤적 재계산이 가능하다.1

 

2.3. 비행 단계별 유도 전략

• 재진입 및 착륙 연소: 이 두 동력 비행 단계는 연료 최적화를 목표로 하는 SCP/SCvx 유도 알고리즘이 적용되는 핵심 구간이다.2 유도 시스템은 발사체의 위치, 속도, 자세, 추력 프로파일을 포함하는 완전한 5자유도(5-DOF) 또는 6자유도(6-DOF) 기준 궤적을 생성하여 제어 시스템에 전달한다.2
• 공력 비행: 이 무동력 비행 단계에서는 유도 목표가 연료 최적화에서 에너지 관리로 전환된다. 유도 시스템은 공력 제어면을 이용해 자세(받음각, 뱅크각)를 조절함으로써, 바람이나 대기 밀도 변화와 같은 외란을 극복하고 원하는 착륙 연소 시작 지점으로 동체를 조종한다.2

 

이러한 탑재 볼록 최적화 기술의 도입은 RLV 유도 시스템에 근본적인 패러다임 전환을 가져왔다. 과거의 유도 시스템이 미리 정해진 단 하나의 '정답' 궤적을 오차 없이 따라가는 '궤적 추종(trajectory tracking)' 방식이었다면 20, 현대 RLV의 유도 시스템은 매 순간 현재 자신의 상태로부터 목표까지의 새로운 '정답' 궤적을 계산해내는 '연속적 궤적 재 생성(continuous trajectory regeneration)' 방식이다. 예를 들어, 강한 돌풍을 만났을 때 과거 시스템은 이를 '오차'로 인식하고 원래 경로로 복귀하려 애썼겠지만, 현대 시스템은 돌풍으로 인해 변한 현재 상태를 새로운 '출발점'으로 인식하고, 그 지점에서부터 가장 연료 효율적인 새로운 최적 경로를 즉시 계산해낸다. 이처럼 시스템은 자신이 '있어야 했던' 곳이 아닌, '실제로 있는' 곳에서 항상 최적의 비행을 수행한다. 이러한 '계산 G&C(Computational G&C)' 8 철학이야말로 상당한 불확실성이 존재하는 실제 환경에서 정밀 착륙을 가능하게 하는 핵심적인 기술적 도약이다.9

 

3. 전 영역 항법: 진공에서 착륙까지

재사용 발사체의 귀환 임무 전 과정에 걸쳐, 유도 및 제어 시스템이 올바르게 작동하기 위해서는 발사체의 현재 상태(위치, 속도, 자세)를 정확하고 신뢰성 있게 아는 것이 선행되어야 한다. 이를 담당하는 것이 항법 시스템이다. RLV는 진공의 우주 공간에서부터 밀도 높은 대기권을 거쳐 지표면에 도달하기까지 극적으로 변화하는 환경을 경험하므로, 단일 센서만으로는 모든 구간에서 요구되는 성능을 만족시킬 수 없다. 따라서 RLV의 항법 시스템은 다수의 이종 센서 데이터를 융합하여 최적의 상태 추정치를 제공하는 정교한 아키텍처를 갖는다.

 

3.1. 다중 센서 융합 및 상태 추정

RLV의 항법 시스템은 다양한 센서들로 구성된 센서 스위트(sensor suite)와 이들의 측정값을 통합하여 하나의 일관된 상태 정보로 만들어내는 필터링 알고리즘으로 이루어진다.6

 

• 핵심 센서:

• 관성 측정 장치 (Inertial Measurement Unit, IMU): 가속도계와 자이로스코프로 구성되어, 높은 주파수(예: 200 Hz)로 발사체의 가속도와 각속도를 측정한다. IMU는 항법 시스템의 중추로서, 외부 정보 없이도 독립적으로 상태를 추정할 수 있다. 하지만 측정 오차가 시간에 따라 누적되어, 외부의 보정 없이는 위치 및 속도 추정치가 점차 실제 값에서 멀어지는 드리프트(drift) 현상이 발생한다.6
• (차분) 위성 항법 시스템 ((D)GNSS): GPS와 같은 위성 신호를 수신하여 비교적 낮은 주파수(예: 10 Hz)로 매우 정확한 절대 위치 및 속도 정보를 제공한다. GNSS는 IMU의 장기적인 드리프트를 보정하는 데 핵심적인 역할을 한다. 지상의 기준국 정보를 함께 사용하는 DGNSS는 정확도를 센티미터 수준까지 높일 수 있다.2

• 보조 센서:

• 레이다 및 레이저 고도계/거리측정기: 최종 착륙 단계에서 지면으로부터의 정확한 상대 고도(AGL) 정보를 제공한다. 이는 GNSS로 계산된 고도보다 훨씬 신뢰성이 높아 연착륙에 필수적이다.6
• 대기 데이터 시스템 (Flush Air Data System, FADS): 동체 표면에 장착된 센서를 통해 받음각, 미끄럼각, 동압과 같은 공기역학적 파라미터를 측정한다. 이 정보는 공력 비행 단계에서의 정밀한 제어에 매우 중요하다.2

• 필터링 기법: 다양한 센서 데이터를 융합하는 데는 **확장 칼만 필터(Extended Kalman Filter, EKF)**가 널리 사용된다. EKF는 발사체의 동역학 모델을 이용해 다음 상태를 예측하고, 각 센서로부터 들어온 실제 측정값을 이용해 이 예측치를 보정하는 과정을 반복한다. 이를 통해 발사체의 실제 상태뿐만 아니라 각 센서의 오차(바이어스, 잡음 등)까지 최적으로 추정해낸다.6 시스템의 비선형성이 강한 경우에는 무향 칼만 필터(Unscented Kalman Filter, UKF)가 더 나은 성능을 보이기도 한다.22 특히, GNSS 위성으로부터의 원시 측정값(pseudorange 등)을 필터에 직접 입력하는 '강결합(tightly-coupled)' 방식은 위성 가시성이 좋지 않은 상황에서도 더 강인한 항법 성능을 제공한다.7

 

3.2. 재진입 통신 두절 구간 항법

발사체가 고속으로 대기권에 재진입할 때, 동체 주변의 공기가 압축되고 가열되면서 이온화된 플라즈마 층(plasma sheath)이 형성된다. 이 플라즈마 층은 GNSS 신호를 포함한 대부분의 무선 주파수 신호를 차단하거나 왜곡시켜, 수십 초간 통신 및 항법이 불가능한 '블랙아웃(blackout)' 구간을 만든다.24

 

이 블랙아웃 구간 동안 GNC 시스템은 외부의 도움 없이 오직 관성 항법에만 의존해야 한다.7 즉, IMU가 제공하는 가속도와 각속도 데이터만을 적분하여 자신의 위치와 속도, 자세를 추정해야 한다. 따라서 블랙아웃이 끝나는 시점에서의 상태 추정 정확도는 전적으로 IMU의 정밀도와, 블랙아웃 시작 직전까지 칼만 필터가 얼마나 정확하게 IMU의 오차 특성을 추정해 놓았는지에 따라 결정된다.

 

3.3. 최종 접근 및 상대 항법

발사체가 착륙 지점에 근접함에 따라, 지구 전체 좌표계에서의 절대 위치 정확도보다 착륙 패드에 대한 상대 위치 정확도가 더 중요해진다. 최종 착륙 단계에서는 스캐닝 라이다(Lidar)나 비전 시스템과 같은 특수 센서를 사용하여 착륙 목표물과의 상대적인 위치 및 속도를 직접 측정할 수 있다.27 이 정보는 최종 유도 보정에 사용되어 핀포인트 착륙의 정밀도를 극대화한다.

 

RLV의 항법 시스템은 단순히 정확도를 높이기 위해 설계된 것이 아니라, 예기치 못한 상황에서도 시스템이 기능을 유지할 수 있도록 하는 점진적 성능 저하(graceful degradation) 및 고장 관리에 초점을 맞춰 설계된다. 여러 종류의 센서를 중복적으로 사용하는 것은, 일부 센서가 고장 나거나 GNSS 신호가 차단되는 것과 같은 상황에서도 유효한 상태 추정치를 계속해서 제공하기 위한 '심층 방어(defense-in-depth)' 전략의 일환이다. 칼만 필터는 단순히 데이터를 융합하는 역할을 넘어, 각 센서 데이터의 신뢰도를 지속적으로 평가한다. 만약 특정 센서의 측정값이 필터의 예측과 지속적으로 크게 벗어난다면, FDIR 시스템은 해당 센서를 고장으로 판단하고 필터가 그 데이터를 무시하도록 지시할 수 있다.1 이처럼 RLV의 항법 시스템은 GNSS의 도움을 받는 고정밀 모드에서 IMU에만 의존하는 저정밀 모드로, 또는 그 반대로 자연스럽게 전환하며 예상된 신호 두절과 예상치 못한 고장 모두에 자율적으로 대처하도록 설계된 강인한 시스템이다.

 

4. 정밀 제어 및 구동기 관리

제어 시스템은 유도 시스템이 생성한 '이상적인' 비행 경로를 발사체가 '현실에서' 따라가도록 만드는 역할을 한다. 이를 위해 제어 시스템은 발사체에 장착된 여러 종류의 구동기(actuator)를 조작하여 필요한 힘과 토크를 생성한다. RLV는 비행 단계에 따라 효과적인 구동기가 다르기 때문에, 이들을 어떻게 조화롭게 사용하여 원하는 움직임을 만들어낼 것인가 하는 '제어 할당(Control Allocation)' 문제가 GNC 시스템의 핵심 과제 중 하나로 부상한다.

 

4.1. 하이브리드 구동 시스템

RLV는 일반적으로 다음과 같은 이종(heterogeneous) 구동기들을 조합하여 사용한다.

 

• 추력 벡터 제어 (Thrust Vector Control, TVC): 주 엔진의 노즐 방향을 바꾸는(gimballing) 방식으로, 재진입 및 착륙 연소와 같은 동력 비행 구간에서 가장 강력한 제어력을 제공한다.2
• 반작용 제어 시스템 (Reaction Control System, RCS): 소형 추력기를 분사하여 힘을 얻는 방식으로, 대기가 없는 우주 공간(탄도 비행 단계)에서 유일한 자세 제어 수단이며, 대기권 내에서도 다른 구동기들을 보조하는 역할을 한다.2
• 공력 제어면 (Aerodynamic Surfaces): Falcon 9의 그리드 핀 5이나 날개 형태의 제어면으로, 동압이 높은 공력 비행 단계에서 공기의 힘을 이용하여 자세를 제어하고 동체를 조종하는 데 사용된다.4

 

4.2. 첨단 제어 할당: 구동기 통합 운용 문제

비행 제어기는 발사체에 가해져야 할 총 토크(회전력)를 계산한다. 제어 할당 하위 시스템은 이 단일한 토크 명령을 받아, 각 구동기에 전달할 개별적인 명령(예: 엔진 짐벌 각도, RCS 추력기 분사 시간, 핀 편향각)으로 분배하는 역할을 담당한다.31 특히 공력 제어면과 RCS가 동시에 작동하는 구간에서는 이 문제가 매우 복잡해진다. 주요 제어 할당 전략은 다음과 같다.34

 

• 비례 할당 (Proportional Allocation): 동압(dynamic pressure)의 크기에 따라 RCS와 공력 제어면의 기여도를 비례적으로 나누는 간단한 방식이다. 구현은 쉽지만, 각 구동기의 물리적 한계(최대 각도, 최대 속도 등)를 고려하지 않아 최적의 성능을 보장하기 어렵다.34
• 데이지 체인 (Daisy-Chaining): 구동기에 우선순위를 부여하는 방식이다. 예를 들어, 연료 효율이 좋은 공력 제어면을 주 구동기로 사용하고, 공력 제어면만으로 필요한 토크를 만들 수 없을 때(포화 상태)에만 보조적으로 RCS를 작동시킨다. 단순하지만, 구동기 전환 시 제어력이 급격하게 변할 수 있다는 단점이 있다.34
• 다중 목표 최적 할당 (Multi-Objective Optimal Allocation): 가장 진보된 방식으로, 제어 할당 문제를 실시간 최적화 문제로 공식화한다. 이 최적화 문제는 '요구되는 토크를 정확히 생성'하는 것을 기본 제약으로 삼으면서, 동시에 'RCS 연료 소모 최소화', '구동기 마모 최소화' 등 여러 목표를 만족시키는 최적의 명령 조합을 찾는다. 주로 이차 계획법(Quadratic Programming, QP) 형태로 구성되며, 가장 효율적이고 부드러운 제어를 가능하게 한다.31

 

4.3. 강인 및 고장 감내 제어

제어 시스템은 공기역학 모델의 불확실성, 예측 불가능한 바람이나 돌풍, 연료 소모에 따른 질량 특성 변화 등 다양한 불확실성에도 불구하고 안정적인 성능을 유지해야 한다.4 이를 위해 H-infinity (H∞​) 제어와 같은 강인 제어(Robust Control) 기법이 사용될 수 있다. 이 기법은 설계 단계에서부터 불확실성의 범위를 고려하여, 어떤 상황에서도 시스템의 안정성과 성능이 보장되는 제어기를 설계하는 것을 목표로 한다.29

 

능동적 고장 감내 제어(Active Fault-Tolerant Control, FTC)는 단순한 강인성을 넘어선 개념이다. FTC 시스템은 FDIR 모듈을 통해 그리드 핀 하나가 고착되거나 RCS 추력기 하나가 고장 나는 등의 상황을 실시간으로 탐지하고 진단한다. 그 후, 제어 할당 로직을 즉시 재구성하여 고장 난 구동기를 제외한 나머지 정상적인 구동기들에게 제어력을 재분배함으로써, 임무를 안전하게 지속할 수 있도록 한다.31

 

제어 할당 알고리즘의 정교함은 성능(연료 효율)과 안전성(고장 감내 능력)을 동시에 향상시키는 핵심적인 역할을 한다. 예를 들어, 데이지 체인과 같은 단순한 할당 방식은 공력 제어면의 미세한 조작으로 해결할 수 있는 상황에서도 연료 소모가 큰 RCS를 불필요하게 사용할 수 있다.34 반면, 최적 할당 알고리즘은 명시적으로 연료 사용을 최소화하여 성능 여유를 확보한다.31 더 중요한 것은 고장 상황에 대한 대처 능력이다. 단순한 방식은 특정 구동기가 고장 나면 대처할 방법이 없지만, 제약 조건이 있는 최적화 문제로 구성된 최적 할당 알고리즘은 이러한 상황에 자연스럽게 대처할 수 있다. 고장 난 구동기를 다음 계산 스텝에서 사용 가능한 구동기 집합에서 제외하기만 하면, 알고리즘은 남아있는 정상 구동기들을 이용해 요구 토크를 생성하는 '차선'의 최적 해를 자동으로 찾아낸다. 이처럼 제어 할당 시스템은 단순한 신호 분배기가 아니라, 상위 제어기의 목표와 하드웨어의 물리적 현실을 잇는 동적이고 지능적인 자원 관리자로서, 명목 성능과 비상시 생존 능력을 모두 결정하는 핵심 기술이다.

 

표 2: 하이브리드 구동 시스템을 위한 제어 할당 전략 비교

 

전략	작동 원리	장점	단점	계산 복잡도
비례 할당	동압 등 스케줄링 변수에 따라 구동기 기여도를 비례적으로 분배	구조가 간단하고 논리가 명확함, 구현 용이	구동기 물리적 제약 미고려, 비최적 성능, 불필요한 연료 소모 가능성	낮음
데이지 체인	구동기 우선순위에 따라 순차적으로 사용 (주 구동기 포화 시 보조 구동기 사용)	구조가 간단함, 물리적 제약 일부 반영	비최적 해법, 구동기 전환 시 제어 불연속성 발생 가능	낮음
다중 목표 최적 할당	요구 토크 생성을 제약으로, 연료 소모 최소화 등을 목표로 실시간 최적화 문제 해결	최적 성능 보장 (연료 효율 극대화), 부드러운 제어, 고장 상황에 대한 자연스러운 재구성 능력	계산 부하가 높음, 복잡한 알고리즘 구현 필요	높음

 

5. 핵심 구현 기술 및 방법론

RLV GNC 시스템의 성공적인 구현은 앞서 논의된 유도, 항법, 제어 알고리즘뿐만 아니라, 최종 착륙 단계의 안전을 보장하고 전체 개발 주기의 신뢰성을 확보하는 데 필수적인 특정 지원 기술 및 개발 방법론에 의해 뒷받침된다. 특히 착륙 직전의 위험 요소 탐지 및 회피 기술과 개발 전 과정에 걸친 고정밀 시뮬레이션 기반의 검증 및 확인(V&V)은 RLV 기술의 성숙도를 결정하는 중요한 척도이다.

 

5.1. 자율 위험 탐지 및 회피 (Hazard Detection and Avoidance, HDA)

핀포인트 착륙은 단순히 목표 좌표에 도달하는 것을 넘어, 착륙 지점이 동체가 안전하게 설 수 있는 장소임을 보장해야 한다. HDA 시스템은 이 마지막 안전 점검을 자율적으로 수행하는 역할을 한다.28

 

• HDA 프로세스:

1. 지형 매핑: 최종 하강 중(지상 수백 미터 상공), 스캐닝 라이다(Lidar) 또는 플래시 라이다(Flash Lidar)와 같은 센서가 착륙 예정 지역을 스캔하여 실시간으로 3차원 디지털 고도 지도(Digital Elevation Map, DEM)를 생성한다.28
2. 위험 요소 식별: 탑재된 알고리즘이 이 지도를 분석하여 표면의 경사도, 거칠기, 암석이나 분화구의 존재 여부 등과 같은 위험 요소를 식별한다.28
3. 안전 지점 선택: 시스템은 다수의 후보 착륙 지점을 평가하고, 각 지점의 위험도와 해당 지점으로 기수를 돌리는 데 필요한 연료 소모량 등을 종합적으로 고려하여 최적의 안전 착륙 지점을 최종적으로 선정한다.28

 

이 기술은 NASA의 ALHAT(Autonomous Landing Hazard Avoidance Technology) 및 SPLICE(Safe and Precise Landing – Integrated Capabilities Evolution) 프로그램과 같이 행성 착륙선을 위해 개발된 기술에서 직접적으로 발전한 것이다.38 HDA 시스템은 지형을 스캔하는 동안 발사체 자신이 움직임으로 인해 발생하는 이미지 왜곡을 스스로 보상하는 정교한 기능을 포함해야 한다.28

 

5.2. 고정밀 시뮬레이션을 통한 검증 및 확인 (Verification & Validation, V&V)

RLV의 GNC 알고리즘은 비용과 위험 때문에 실제 비행 시험만으로는 충분히 검증할 수 없다. 따라서 고정밀 시뮬레이션에 기반한 엄격한 V&V 프로세스가 필수적이다.42

 

• 충실도 격차 (Fidelity Gap): GNC 알고리즘은 일반적으로 강체(rigid body) 동역학 모델과 이상적인 구동기 모델과 같이 단순화된 모델을 사용하여 설계된다. 하지만 실제 발사체는 연료 출렁임(sloshing), 동체 굽힘(bending)과 같은 복잡하고 모델링되지 않은 동역학적 특성을 보인다.44 V&V의 목적은 GNC 시스템이 이러한 '충실도 격차'에도 불구하고 강인하게 작동하는지를 보장하는 것이다.
• 고정밀 시뮬레이터: 기능 공학 시뮬레이터(Functional Engineering Simulator, FES) 2라고도 불리는 이 복잡한 소프트웨어 환경은 다음과 같은 실제 물리 현상을 정밀하게 모델링한다:

• 다물체 동역학: 안정성에 영향을 줄 수 있는 탱크 내 연료의 출렁임 현상.42
• 구조 유연성: 제어 시스템과 상호작용하여 진동을 유발할 수 있는 동체의 굽힘 및 진동 모드.42
• 구동기 동역학: TVC 및 핀 구동기의 응답 지연, 속도 제한 등 실제적인 특성.42
• 환경 모델: 정밀한 중력장, 대기 모델 및 바람 모델.

• 통합 시뮬레이션 (Co-Simulation): 비인과적(acausal) 물리 모델링에 강점이 있는 Modelica와 같은 툴을 제어 시스템 설계 환경인 Simulink와 통합하여, GNC 알고리즘의 강인성을 시험하기 위한 포괄적인 시뮬레이션 프레임워크를 구축한다.42 이 시뮬레이터 내에서 수천, 수만 번의
  몬테카를로 분석을 수행하여 광범위한 비정상 조건 하에서의 성능과 강인성을 통계적으로 평가한다.35

 

RLV GNC의 V&V 프로세스는 개발 마지막 단계에서 수행되는 단순한 최종 확인 절차가 아니다. 이는 GNC 알고리즘 자체를 형성하는, 설계 주기와 통합된 반복적인 과정이다. 전통적인 개발 방식은 '설계 후 시험'의 순차적 흐름을 따르지만, 현대 RLV 개발에서는 GNC 설계와 V&V가 긴밀하게 연결된 순환 고리를 형성한다.42 예를 들어, GNC 엔지니어는 단순화된 모델을 기반으로 제어기를 설계한 후, 이를 고정밀 시뮬레이터에서 테스트한다.44 이 과정에서 단순 모델에서는 무시되었던 동체의 구조적 굽힘 모드와 제어 시스템 간의 상호작용으로 인해 불안정성이 발견될 수 있다.47 이러한 시뮬레이션 결과는 다시 GNC 엔지니어에게 피드백되어, 특정 주파수의 진동을 회피하기 위한 노치 필터(notch filter)를 추가하는 등 제어기 재설계를 유도한다. 이처럼 고정밀 시뮬레이션은 수동적인 평가 도구가 아니라, GNC 설계 가정의 한계를 능동적으로 발견하고 개선 방향을 제시하는 핵심적인 개발 도구이다. 단순화된 설계 모델과 복잡한 검증 모델 사이의 이러한 반복적인 피드백 루프는 RLV와 같이 극도로 복잡한 시스템의 개발 리스크를 관리하는 현대 항공우주 GNC 개발의 핵심 원리이다.

 

6. 미래 연구 아이템 식별

재사용 발사체 GNC 기술은 볼록 최적화 기반의 실시간 유도와 다중 센서 융합 항법 등 이미 상당한 기술적 성취를 이루었지만, 더 높은 수준의 자율성, 강인성, 효율성을 달성하기 위한 연구는 계속되고 있다. 현재의 기술적 한계를 극복하고 차세대 RLV 시스템을 구현하기 위한 핵심 연구 아이템은 다음과 같이 식별될 수 있다.

 

6.1. 과학적 머신러닝 기반 유도 시스템

• 현재 과제: 순차적 볼록 프로그래밍(SCP/SCvx)은 매우 강력하지만, 여전히 탑재 컴퓨터에 상당한 계산 부하를 주며, 정확한 동역학 모델에 의존한다.
• 연구 방향: 과학적 머신러닝(Scientific Machine Learning, SciML) 및 물리 정보 신경망(Physics-Informed Neural Networks, PINNs)을 활용하여 데이터 기반 유도 알고리즘을 개발하는 것이다.49
• 개념: 이 접근법은 비행 중에 실시간으로 최적화 문제를 푸는 대신, 오프라인에서 신경망을 학습시켜 최적 제어 해를 근사하는 함수를 만든다. 핵심은 신경망 학습 과정의 손실 함수에 미분 방정식으로 표현되는 물리 법칙(운동 방정식)을 포함시키는 것이다. 이를 통해 신경망은 시뮬레이션 데이터뿐만 아니라 시스템을 지배하는 물리적 일관성까지 함께 학습하게 된다. 이 방식은 신경망 추론의 빠른 계산 속도(마이크로초 단위)와 물리 기반 모델의 정확성을 결합하여, 더 빠르고 강인하며 데이터 효율적인 유도 솔루션을 제공할 잠재력을 가진다.49 AQResNet(Adaptive Quadratic Residual Neural Networks)과 같은 향상된 신경망 구조는 예측 정확도를 높이고 네트워크 크기를 줄이기 위해 연구되고 있다.49

 

6.2. 강화학습 기반 적응 제어

• 현재 과제: 전통적인 제어 기법으로는 모델링되지 않은 큰 불확실성이나 예측하지 못한 심각한 고장 상황에 대처하는 강인한 제어기를 설계하기가 매우 어렵다.
• 연구 방향: 심층 강화학습(Deep Reinforcement Learning, DRL)을 적용하여 제어 정책을 학습시키는 것이다.50
• 개념: '에이전트'로 불리는 제어 알고리즘이 수백만 번의 시뮬레이션 착륙을 통해 시행착오를 겪으며 학습한다. 에이전트는 성공적인 착륙에 대해서는 '보상'을, 실패에 대해서는 '벌점'을 받으며, 총 보상을 극대화하는 방향으로 자신의 제어 정책을 점진적으로 개선해 나간다. 이 과정을 통해 DRL 에이전트는 인간 설계자가 미처 예상하지 못했던 다중 구동기 고장이나 극심한 대기 외란과 같은 극한의 비정상 상황을 극복하는 새롭고 매우 강인한 제어 전략을 스스로 발견할 수 있다.50 SD3(Softmax Double Deep Deterministic Policy Gradient)와 같은 알고리즘이 이 분야에서 연구되고 있다.50

 

6.3. 비전 기반 항법 및 통합 위험 회피

• 현재 과제: 현재 항법 시스템은 IMU와 RF 센서(GNSS, 레이다)에 크게 의존하며, 위험 탐지 및 회피(HDA)는 주로 최종 착륙 단계에서 별도의 기능으로 작동한다.
• 연구 방향: 수동적인 비전(카메라) 시스템을 주 항법 센서로 활용하고, 이를 위험 회피 기능과 긴밀하게 통합하는 것이다.27
• 개념: 탑재된 카메라가 촬영한 지형 이미지를 미리 저장된 지도와 비교하여 정확한 위치를 추정하는 지형 참조 항법(Terrain Relative Navigation, TRN) 기술을 고도화하여 GNSS 통신 두절 구간 동안의 오차 누적을 억제한다. 더 나아가, 딥러닝 기반의 이미지 처리 기술을 GNC 루프에 직접 통합하여, 유도 알고리즘이 실시간으로 위험 요소와 안전 지대에 대한 정보를 직접 입력받도록 한다. 이는 위험 회피를 위한 급격한 회피 기동 대신, 더 부드럽고 연료 효율적인 경로 수정이 가능하게 한다.52 궁극적으로 이는 HDA의 '감지' 기능과 GNC의 '행동' 기능을 하나의 유기적인 시스템으로 융합하는 것을 목표로 한다.

 

6.4. GNC-고장 관리 통합 아키텍처

• 현재 과제: 현재의 FDIR 시스템은 고장이 발생하면 미리 정의된 보수적인 안전 모드로 전환하거나, 단순한 제어기 재구성을 수행하는 데 그치는 경우가 많다.36
• 연구 방향: FDIR 시스템이 단순한 고장 경보를 넘어, 상세한 진단 정보를 유도 계획기(guidance planner)에 직접 제공하는 아키텍처를 개발하는 것이다.
• 개념: 예를 들어, "RCS 5번 추력기 고장"이라는 이진 정보 대신, FDIR 시스템이 "현재 발사체가 생성할 수 있는 최대 토크는 롤 방향으로 70%, 피치 방향으로 95% 수준임"과 같이 시스템의 저하된 성능에 대한 새로운 모델을 유도 모듈에 전달한다. 그러면 실시간 궤적 최적화기는 이 새로운 제약 조건을 반영하여, 현재의 저하된 능력으로 도달할 수 있는 최적의 착륙 지점까지의 새로운 전역 최적 궤적을 자동으로 다시 계산한다. 이는 고장 관리를 사전에 정의된 논리에 따라 반응하는 시스템에서, 현재 자신의 능력을 정확히 인지하고 목표를 능동적으로 재설정하여 최적의 계획을 다시 수립하는 시스템으로 전환시키는 것이다. 이를 통해 훨씬 더 광범위한 잠재적 고장 시나리오로부터 안전하게 회수할 확률을 극대화할 수 있다.

 

이러한 미래 연구 방향들의 공통적인 흐름은, RLV GNC 기술이 '미리 프로그래밍된 결정론적 강인성'에서 '실시간 지능형 적응 및 학습'으로 진화하고 있다는 점이다. 현재의 최첨단 시스템은 설계 단계에서 예측되고 분석된 범위 내의 불확실성과 고장에 잘 대처한다. 반면, SciML, DRL, 통합 비전, 통합 고장 관리와 같은 미래 기술들은 시스템이 명시적으로 프로그래밍되지 않은 상황에 대해 스스로 '학습'하고 '적응'하는 능력을 부여하는 것을 목표로 한다. 이는 단순히 복잡한 계획을 정확히 수행하는 '자동(automatic)' 시스템에서, 자신의 상태, 주변 환경, 그리고 자신의 건전성을 종합적으로 '인지'하여 완전히 새로운 계획을 수립하고 실행할 수 있는 '자율(autonomous)' 또는 '인지(cognitive)' 시스템으로 나아가는 GNC 기술의 패러다임 전환을 의미한다.

 

참고 자료

1. 재사용 발사체 GNC 시스템 개발, 9월 10, 2025에 액세스, https://pasusaerospace.com/reusable-launcher
2. End-to-End GNC Solution for Reusable Launch Vehicles - MDPI, 9월 10, 2025에 액세스, https://www.mdpi.com/2226-4310/12/4/339
3. Onboard Guidance for Reusable Rockets: Aerodynamic Descent ..., 9월 10, 2025에 액세스, https://elib.dlr.de/140559/1/Onboard_Guidance_for_Reusable_Rockets_PD_L.pdf
4. Definition of a Landing Strategy for a Model-Scale Reusable Rocket - EuroGNC Conference - CEAS, 9월 10, 2025에 액세스, https://eurognc.ceas.org/archive/EuroGNC2022/pdf/CEAS-GNC-2022-020.pdf
5. Falcon 9 - SpaceX, 9월 10, 2025에 액세스, https://www.spacex.com/vehicles/falcon-9/
6. Navigation System for Reusable Launch Vehicle - CORE, 9월 10, 2025에 액세스, https://elib.dlr.de/53096/1/AAS_08-076.pdf
7. (PDF) Navigation System for Reusable Launch Vehicle - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/224998460_Navigation_System_for_Reusable_Launch_Vehicle
8. Guidance of Reusable Launchers: Improving Descent and Landing Performance - University of Bristol Research Portal, 9월 10, 2025에 액세스, https://research-information.bris.ac.uk/files/203243300/Guidence_of_Reusable_Launchers_Improving_descent_and_landing_performance.pdf
9. (PDF) Design of the landing guidance for the retro-propulsive vertical landing of a reusable rocket stage - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/358673395_Design_of_the_landing_guidance_for_the_retro-propulsive_vertical_landing_of_a_reusable_rocket_stage
10. The Design of the GNC of the Re-entry Module of Space Rider - eucass, 9월 10, 2025에 액세스, https://www.eucass.eu/doi/EUCASS2019-1016.pdf
11. End-to-End GNC Solution for Reusable Launch Vehicles - CoLab, 9월 10, 2025에 액세스, https://colab.ws/articles/10.3390%2Faerospace12040339
12. A paper by Lars Blackmore of spacex on soft landing. Gives insight into the control logic used for soft landing. - Reddit, 9월 10, 2025에 액세스, https://www.reddit.com/r/spacex/comments/7t2tb2/a_paper_by_lars_blackmore_of_spacex_on_soft/
13. Lossless Convexification of Nonconvex Control Bound and Pointing Constraints of the Soft Landing Optimal Control Problem - Lars Blackmore, 9월 10, 2025에 액세스, http://www.larsblackmore.com/iee_tcst13.pdf
14. (PDF) Capabilities of convex Powered-Descent Guidance algorithms for pinpoint and precision landing - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/224228951_Capabilities_of_convex_Powered-Descent_Guidance_algorithms_for_pinpoint_and_precision_landing
15. (PDF) Lossless Convexification of Nonconvex Control Bound and Pointing Constraints in the Soft Landing Optimal Control Problem - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/257426699_Lossless_Convexification_of_Nonconvex_Control_Bound_and_Pointing_Constraints_in_the_Soft_Landing_Optimal_Control_Problem
16. Coupling of Advanced Guidance and Robust Control for the Descent and Precise Landing of Reusable Launchers - MDPI, 9월 10, 2025에 액세스, https://www.mdpi.com/2226-4310/11/11/914
17. Lossless Convexification of Control Constraints for a Class of Nonlinear Optimal Control Problems. - Lars Blackmore, 9월 10, 2025에 액세스, http://www.larsblackmore.com/BlackmoreEtAlACC2012.pdf
18. Convex Optimization of Ascent and Powered Descent of a Reusable Launch Vehicle | Request PDF - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/367318540_Convex_Optimization_of_Ascent_and_Powered_Descent_of_a_Reusable_Launch_Vehicle
19. Six-Degrees-of-Freedom Rocket Landing Optimization via Augmented Convex-Concave Decomposition, 9월 10, 2025에 액세스, https://elib.dlr.de/197523/1/SixDoF_Rocket_Landing_via_ACCD_JGCD_accepted.pdf
20. Advanced Guidance and Control Project for Reusable Launch Vehicles, 9월 10, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20000070419/downloads/20000070419.pdf
21. ISRO completes its RLV technology demonstrations through LEX trio, 9월 10, 2025에 액세스, https://www.isro.gov.in/ISRO_Completes_RLV_Technology_Demonstrations_RLV-LEX3.html
22. A Distributionally Robust Fusion Framework for Autonomous Multisensor Spacecraft Navigation during Entry Phase of Mars Entry, Descent, and Landing - MDPI, 9월 10, 2025에 액세스, https://www.mdpi.com/2072-4292/15/4/1139
23. Navigation Fusion Method with Improving Sensor Failure Tolerance for Rocket Formation Landings - Kyushu University Pure Portal Site, 9월 10, 2025에 액세스, https://kyushu-u.elsevierpure.com/en/publications/navigation-fusion-method-with-improving-sensor-failure-tolerance-
24. Mitigation of Communication Blackout During Re-Entry Using Static Magnetic Field - volume | PIER Journals, 9월 10, 2025에 액세스, https://www.jpier.org/issues/volume.html?paper=15070107
25. Reducing RF blackout during re-entry of the reusable launch vehicle - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/224407737_Reducing_RF_blackout_during_re-entry_of_the_reusable_launch_vehicle
26. Advances in Inertial Guidance Technology for Aerospace Systems - College of Engineering - Purdue University, 9월 10, 2025에 액세스, https://engineering.purdue.edu/RDSL/aiaa-guidance-navigation.pdf
27. Draper Research Payload Flies on Blue Origin New Shepard NS-24, 9월 10, 2025에 액세스, https://www.draper.com/media-center/news-releases/detail/23479/draper-research-payload-flies-on-blue-origin-new-shepard-ns-24
28. Lander Hazard Detection and Avoidance | NGC, 9월 10, 2025에 액세스, https://ngcaerospace.com/en/technologies/hazard-detection-and-avoidance/
29. robust control for reusable rockets via structured h∞ synthesis, 9월 10, 2025에 액세스, https://elib.dlr.de/143014/1/Sagliano_2021e.pdf
30. Design of a Control Allocation Solution for the Winged Reusable Launch Vehicle ReFEx - DLR, 9월 10, 2025에 액세스, https://elib.dlr.de/148374/1/ReFEx_Control_allocation.pdf
31. Practical Method of Control Allocation of Jets and Aerosurfaces for Reusable Launch Vehicle at Entry Phase | Request PDF - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/384339927_Practical_Method_of_Control_Allocation_of_Jets_and_Aerosurfaces_for_Reusable_Launch_Vehicle_at_Entry_Phase
32. Design of a Control Allocation Solution for the Winged Reusable Launch Vehicle ReFEx, 9월 10, 2025에 액세스, https://arc.aiaa.org/doi/abs/10.2514/6.2022-1842
33. Design of a Control Allocation Solution for the Winged Reusable Launch Vehicle ReFEx | Request PDF - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/357593017_Design_of_a_Control_Allocation_Solution_for_the_Winged_Reusable_Launch_Vehicle_ReFEx
34. RCS and Aero Surfaces Control Allocation Research on RLV's Re ..., 9월 10, 2025에 액세스, https://www.mdpi.com/2076-3417/9/8/1617
35. ESA GNC Conference Papers Repository, 9월 10, 2025에 액세스, https://www.esa-gnc.eu/paper/?paper_id=23191
36. Active Fault-Tolerant Control System Design for Spacecraft Attitude ..., 9월 10, 2025에 액세스, https://qiangs.github.io/Papers/Shen2018TIE.pdf
37. Adaptive Fault-Tolerant Control for Flexible Variable Structure Spacecraft with Actuator Saturation and Multiple Faults - MDPI, 9월 10, 2025에 액세스, https://www.mdpi.com/2076-3417/12/11/5319
38. Hazard Detection Lidar - NASA Science, 9월 10, 2025에 액세스, https://science.nasa.gov/mission/hazard-detection-lidar/
39. Lidar Sensors for Autonomous Landing and Hazard Avoidance - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/268459622_Lidar_Sensors_for_Autonomous_Landing_and_Hazard_Avoidance
40. Autonomous Landing Hazard Avoidance Technology - Wikipedia, 9월 10, 2025에 액세스, https://en.wikipedia.org/wiki/Autonomous_Landing_Hazard_Avoidance_Technology
41. NASA Tests New Ways to Stick the Landing in Challenging Terrain, 9월 10, 2025에 액세스, https://www.nasa.gov/directorates/stmd/nasa-tests-new-ways-to-stick-the-landing-in-challenging-terrain/
42. Physical Modeling and Simulation of Structural Flexibility in Reusable Launch Vehicles for GNC Algorithms Verification and Validation | Request PDF - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/388221797_Physical_Modeling_and_Simulation_of_Structural_Flexibility_in_Reusable_Launch_Vehicles_for_GNC_Algorithms_Verification_and_Validation
43. Looking to the Future: A Call to Action for Advanced GNC Algorithm Verification and Validation, 9월 10, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20240003178/downloads/GNC%20VandVSummary%20NJD%20FINAL%20VERSION%2008%20Feb%202024.pdf
44. Physical Modeling and Simulation of Reusable Rockets for GNC Verification and Validation, 9월 10, 2025에 액세스, https://www.mdpi.com/2226-4310/11/5/337
45. Guidance and Control System Design for Reusable Launch Vehicle Descent and Precise Landing - POLITesi - Politecnico di Milano, 9월 10, 2025에 액세스, https://www.politesi.polimi.it/retrieve/18dcac31-ad24-4737-9378-89d2cee37f1b/PhD_ADO_10022024_FINAL.pdf
46. Analysis of the attempt of launcher stage return by SpaceX' Falcon 9 - ResearchGate, 9월 10, 2025에 액세스, https://www.researchgate.net/publication/312314085_Analysis_of_the_attempt_of_launcher_stage_return_by_SpaceX'_Falcon_9
47. Physical Modeling and Simulation of Structural Flexibility in Reusable Launch Vehicles for GNC Algorithms Verification and Validation | AIAA SciTech Forum, 9월 10, 2025에 액세스, https://arc.aiaa.org/doi/10.2514/6.2025-1562
48. Mission Analysis and Preliminary Re-entry Trajectory Design of the DLR Reusability Flight Experiment ReFEx - eucass, 9월 10, 2025에 액세스, https://www.eucass.eu/doi/EUCASS2019-0436.pdf
49. (PDF) Optimal Reusable Rocket Landing Guidance: A Cutting-Edge ..., 9월 10, 2025에 액세스, https://www.researchgate.net/publication/377787315_Optimal_Reusable_Rocket_Landing_Guidance_A_Cutting-Edge_Approach_Integrating_Scientific_Machine_Learning_and_Enhanced_Neural_Networks
50. Powered Landing Control of Reusable Rockets Based on Softmax Double DDPG - MDPI, 9월 10, 2025에 액세스, https://www.mdpi.com/2226-4310/10/7/590
51. A point of view on Machine learning for GNC for Space Applications: Towards non-linear control - eucass, 9월 10, 2025에 액세스, https://www.eucass.eu/doi/EUCASS2022-6308.pdf
52. Guidance, Navigation, and Control | Space Systems Engineering Laboratory, 9월 10, 2025에 액세스, https://ssel.arizona.edu/research-projects/space-guidance
53. Intelligent Spacecraft Visual GNC Architecture With the State-Of-the-Art AI Components for On-Orbit Manipulation - PMC - PubMed Central, 9월 10, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC8204185/