이종 위성군의 자율적 임무 통합 관제

섹션 1: 분산 및 자율 우주 시스템으로의 패러다임 전환

1.1. 단일 시스템에서 분산 우주 임무(DSM)로의 전환

전통적인 우주 임무 아키텍처는 고가의 단일 대형 위성에 의존해왔다. 이러한 시스템은 특정 임무에 대해 고도로 최적화된 성능을 제공하지만, 본질적인 취약성을 내포하고 있다. 특히, 분쟁 가능성이 있는 우주 환경에서 이러한 고가의 단일체 시스템은 성능이 저하되거나 파괴될 경우 대체하는 데 수년이 걸릴 수 있는 취약한 표적이 된다.1 이는 단일 실패 지점(single point of failure)이 전체 임무의 실패로 이어질 수 있는 전략적 위험을 야기한다.

 

 

이러한 한계를 극복하기 위해 분산 우주 임무(Distributed Spacecraft Missions, DSM) 및 분산 위성 시스템(Distributed Satellite Systems, DSS)이라는 새로운 패러다임이 부상하고 있다.2 이 접근법은 단일 대형 위성의 기능을 다수의 소형 위성으로 분산시켜, 이들이 협력하여 공동의 임무 목표를 달성하도록 설계된다. 분산 아키텍처의 핵심 장점은 시스템의 강건성(robustness)과 회복탄력성(resilience)에 있다. 개별 위성의 고장이 전체 시스템의 점진적인 성능 저하로 이어질 뿐, 임무의 완전한 실패를 초래하지 않는 '점진적 기능 저하(graceful degradation)' 특성을 가진다.3 또한, 외부 위협에 대한 생존 가능성이 향상되며, 새로운 기술을 점진적으로 궤도상 시스템에 통합하거나 시스템을 단계적으로 구축하는 유연성을 제공한다.3

 

이러한 전환을 가속하는 경제적 요인도 중요하다. 위성 부품의 소형화와 경량화, 그리고 비용 효율적인 소형 위성 개발 기술의 발전은 DSM의 경제성을 크게 향상시켰다.2 더불어, 민간 부문에서 주도하는 위성 설계 및 대량 생산 기술의 발전은 이전에는 불가능했던 규모의 경제를 실현하며 분산형 위성군 구축 비용을 획기적으로 낮추고 있다.1

 

1.2. 이종성(Heterogeneity)이 더하는 복잡성

분산 위성군의 개념이 더욱 발전하면서, 단순히 동일한 위성들로 구성된 동종(homogeneous) 위성군을 넘어, 다양한 성능과 기능을 가진 위성들로 구성된 이종(heterogeneous) 위성군이 주목받고 있다. 이종 위성군은 서로 다른 센서(예: 광학, SAR), 처리 능력, 통신 장비 등을 탑재한 위성들로 구성되며, 심지어 제작사나 운영 주체가 다른 위성들이 하나의 시스템처럼 연동될 수도 있다.4

 

이러한 이종성은 위성군 전체의 임무 수행 능력을 극대화할 수 있는 잠재력을 지닌다. 예를 들어, 광학 센서와 레이더 센서를 탑재한 위성이 협력하여 기상 조건에 관계없이 특정 지역을 지속적으로 감시할 수 있다. 그러나 이종성은 임무 계획 문제를 단순한 자원 할당 문제에서 복잡한 다중 목표 조합 최적화 문제(multi-objective combinatorial optimization problem)로 변환시킨다.7 시스템은 각 위성의 고유한 능력을 특정 임무의 요구사항과 최적으로 연결해야 하며, 이 과정에서 가시 시간 윈도우, 에너지 제약, 센서 전환 시간 등 수많은 상호 연관된 제약 조건들을 동시에 고려해야 한다.8 이로 인해 해 공간(solution space)의 차원이 급격히 증가하고 복잡성이 기하급수적으로 높아진다.

 

1.3. 자율성의 전략적 필요성

분산 이종 위성군이 가진 잠재력을 최대한 발휘하기 위해서는 자율성(autonomy) 확보가 필수적이다. 자율성이 필요한 첫 번째 이유는 지상 관제 루프(ground-in-the-loop) 운영 방식의 근본적인 한계인 통신 지연 때문이다. 지구와 위성 간 신호 전파 지연과 제한된 지상국 교신 시간으로 인해, 지상에서 모든 것을 통제하는 방식으로는 시시각각 변하는 동적인 상황에 실시간으로 대응하는 것이 불가능하다.10

 

두 번째 이유는 복잡성 관리와 운영자 부담 경감이다. 위성군의 규모가 수십 기를 넘어 수백, 수천 기의 '메가 컨스텔레이션(mega-constellation)'으로 확장됨에 따라, 인간 운영자가 수동 또는 반자동으로 시스템을 관리하는 것은 현실적으로 불가능해진다.11 자율화는 이러한 대규모 시스템을 효율적으로 관리하고, 운영 비용과 인적 부담을 줄이기 위한 유일한 해결책이다.10

 

마지막으로, 자율성은 시스템의 회복탄력성과 대응성을 보장하는 핵심 요소이다. 분쟁 상황이나 예측 불가능한 위협에 노출되었을 때, 위성군이 인간의 개입 없이 스스로 상황을 인지하고, 임무를 재계획하며, 시스템을 재구성하는 '자율적 회복(self-healing)' 능력은 임무의 생존성을 보장하는 데 결정적이다.3 특히 자연재해 감시나 군사적 위협 탐지와 같이 정보의 가치가 시간에 따라 급격히 감소하는 임무에서, 자율적인 실시간 재계획 능력은 임무 성공의 필수 조건이다.5

 

이처럼 분산 이종 위성군으로의 전환은 단순한 기술적 진보를 넘어, 우주 자산의 생존성과 대응성을 높이기 위한 전략적 선택이다. 이러한 변화는 위협적인 우주 환경에 대응하여 임무 연속성을 보장하려는 국방 및 안보 분야의 요구와 깊이 연관되어 있다. 또한, 이종성이 제공하는 유연성은 필연적으로 고도의 자율화를 요구한다. 즉, 강력한 이종 위성군을 구축하려는 노력은 위성 자체에 지능적인 의사결정 능력을 부여하는 연구와 병행될 수밖에 없다. 이 두 가지는 서로 분리될 수 없는, 상호보완적인 관계에 있다.

 

섹션 2: 궤도상 임무 관리 아키텍처

위성군이 어떻게 의사결정을 내리는지를 규정하는 상위 수준의 제어 아키텍처는 시스템의 확장성, 강건성, 그리고 실시간 대응 능력에 지대한 영향을 미친다. 전통적인 중앙 집중형 모델과 현재 연구의 주류를 이루는 분산형 모델은 뚜렷한 장단점을 가지며, 이들의 특성을 이해하는 것은 자율 위성군 설계를 위한 첫걸음이다.

 

2.1. 중앙 집중형 대 분산형 명령 및 제어

 

• 중앙 집중형 모델(Centralized Model): 이 모델에서는 지상국이나 특정 '마스터' 위성과 같은 단일 주체가 모든 계획 및 할당 결정을 내린다. 개념적으로 단순하고 전역 최적화(global optimization)를 달성하기에 용이하다는 장점이 있다. 하지만 이 중앙 제어 노드가 단일 실패 지점이 되어 시스템 전체의 취약성을 높이고, 통신 병목 현상을 유발하여 대규모 위성군으로의 확장성과 실시간 대응 능력을 심각하게 저해한다.11
• 분산형 모델(Decentralized Model): 의사결정 권한이 개별 위성(에이전트)들에게 분산되는 구조이다. 각 위성은 자신의 상태 정보와 위성 간 통신 링크(Inter-Satellite Link, ISL)를 통해 이웃 위성으로부터 공유받은 제한된 정보를 바탕으로 국지적인 의사결정을 내린다. 이러한 방식은 본질적으로 확장성이 뛰어나고, 개별 위성의 고장에 강건하며, 전체 시스템의 회복탄력성을 높인다.14 현대 자율 위성군 연구는 압도적으로 이 분산형 모델에 초점을 맞추고 있다.
• 하이브리드 모델(Hybrid Models): 순수한 중앙 집중형과 분산형의 장점을 결합하려는 시도도 존재한다. 예를 들어, 평상시에는 분산적으로 운영되다가 특정 임무 할당 단계에서 일시적으로 마스터-슬레이브(master-slave) 구조를 형성하여 효율적인 의사결정을 내리는 방식이 연구되고 있다.9 이는 중앙 집중형 의사결정의 효율성과 분산형 프레임워크의 강건성을 조화시키려는 접근법이다.

 

2.2. 분산 아키텍처 심층 분석

 

분산 아키텍처의 성공적인 구현은 몇 가지 핵심 요소에 달려 있다.

 

• 핵심 특징: 분산 시스템은 위성 간 통신 링크(ISL) 기반의 국지적 통신에 의존한다.17 시스템의 목표는 어떤 단일 에이전트도 완전한 전역 상태 정보를 갖지 않은 상태에서, 국지적인 상호작용만을 통해 전역적으로 최적이거나 거의 최적인 행동을 이끌어내는 것이다.16
• 통신 오버헤드와 토폴로지: 분산 시스템의 가장 큰 난제 중 하나는 통신 관리이다. 위성 간 통신에 사용되는 대역폭과 에너지는 매우 제한된 자원이므로, 최소한의 통신 오버헤드로 효과적인 협력을 달성하는 것이 중요하다.14 위성들이 어떻게 연결되어 있는지를 나타내는 네트워크 토폴로지는 시스템 성능과 통신 비용에 직접적인 영향을 미친다.16
• 확장성(Scalability): 분산 계획의 가장 큰 장점은 위성 수가 증가함에 따라 시스템이 원활하게 확장된다는 점이다. 잘 설계된 분산 시스템에서는 전체 네트워크 크기와 무관하게 개별 위성에 가해지는 통신 및 계산 부담이 일정하게 유지되거나 점진적으로만 증가한다.14

 

2.3. 사례 연구: DARPA 블랙잭 프로그램과 "핏 보스"

 

미국 국방고등연구계획국(DARPA)의 블랙잭(Blackjack) 프로그램은 분산 자율 아키텍처의 실제 구현 사례로서 중요한 시사점을 제공한다.

 

• 프로그램 목표: 블랙잭 프로그램의 목표는 저궤도(LEO)상에서 상호 연결성이 높고, 회복탄력적이며, 지속적인 커버리지를 제공하는 글로벌 고속 네트워크의 핵심 요소를 개발하고 시연하는 것이다. 특히 상용 위성 버스 기술을 적극 활용하여 비용을 절감하는 것을 목표로 한다.1
• "핏 보스(Pit Boss)" - 자율 핵심: 핏 보스는 블랙잭 위성군의 심장부에 해당하는 자율 임무 관리 시스템이다. 이는 각 위성의 '두뇌'를 연결하는 역할을 하며, 위성군 전체로부터 데이터를 자율적으로 수집, 처리, 융합하도록 설계되었다.13 핏 보스는 스스로 임무를 부여하고, 정보를 처리하며, 필요한 사용자에게 분배하는 분산형 우주 기반 시스템(distributed space-based enterprise)으로 정의된다.21
• 운용 교리의 전환: 핏 보스는 운영 패러다임을 '운영자 개입 루프(operator-in-the-loop)'에서 '운영자 감독 루프(operator-on-the-loop)'로 전환하는 것을 명시적인 목표로 삼는다.20 이는 인간 운영자가 개별 위성의 행동을 일일이 제어하는 대신, 자율 시스템에 상위 수준의 목표를 설정하고 그 수행 과정을 감독하는 역할로 전환됨을 의미한다. 이는 대규모 위성군을 시급한 상황에서 관리하기 위한 필수적인 단계이다.
• 기술적 구성 요소: 핏 보스 시스템은 궤도상 분산 의사결정 프로세서, 고도의 사이버 보안 기능, 그리고 제3자가 개발한 알고리즘을 '무질량 탑재체(massless payloads)' 형태로 탑재할 수 있는 유연하고 개방적인 아키텍처를 포함한다.1

 

이러한 아키텍처 선택은 시스템 설계 철학의 근본적인 변화를 보여준다. 중앙 집중형 시스템이 이론적으로 전역 최적해를 더 쉽게 찾을 수 있지만, 시스템의 취약성이 크다는 단점이 있다. 반면, 분산 시스템은 완벽한 최적성을 일부 희생하는 대신 강건성과 확장성을 우선시한다. DARPA와 같은 국방 분야에서 분산 아키텍처를 강력하게 선호하는 현상은, 분쟁 가능성이 있는 환경에서는 완벽한 최적화보다 시스템의 생존성과 회복탄력성이 더 높은 가치를 지닌다는 것을 명확히 보여준다.

 

더 나아가, 핏 보스 개념은 자율 기술의 초점이 개별 '자율 플랫폼'에서 '자율 시스템의 시스템(autonomous system-of-systems)'으로 이동하고 있음을 시사한다. 혁신은 단순히 위성 하나를 똑똑하게 만드는 데 있는 것이 아니라, 네트워크로 연결된 '궤도상의 집단 지성'을 창조하는 데 있다. 이는 분산 컴퓨팅, 다중 에이전트 협력, 그리고 시스템 간 신뢰 구축과 같은 훨씬 더 어려운 문제들을 포함하며, 연구의 복잡성을 한 차원 높은 수준으로 끌어올린다.

 

섹션 3: 임무 할당 및 스케줄링 알고리즘 비교 분석

이종 위성군의 최적 임무 할당 문제는 다양한 알고리즘을 통해 해결될 수 있다. 각 알고리즘 계열은 고유한 장단점을 가지며, 특정 문제 상황에 더 적합한 특성을 보인다. 본 섹션에서는 시장 기반 메커니즘과 같은 고전적인 접근법부터 수학적 및 휴리스틱 최적화 기법까지를 비교 분석하여, 각 패러다임의 강점과 약점을 체계적으로 이해하고자 한다.

 

3.1. 시장 기반 메커니즘: 경매와 계약망

 

• 핵심 원리: 이 접근법은 임무 할당 문제를 경제적 거래 과정으로 모델링한다. 임무가 '공고'되면, 각 위성은 자신의 능력과 자원 가용성에 따라 '입찰'하고, 가장 적합한 조건을 제시한 위성에게 임무가 '낙찰'되는 방식이다.16 이러한 분산형 협상 과정은 동적인 환경 변화에 매우 강건하고 유연하다.
• 경매 기반 알고리즘: 대표적인 예로, 위성 고장 발생 후 실시간으로 임무를 재할당하기 위한 조합 경매(combinatorial auction) 기반 알고리즘이 있다.23 성능 영향(Performance Impact, PI) 알고리즘과 그 분산형 버전인 PIDSM 또한 이러한 관점에서 해석될 수 있다. 이 알고리즘에서 위성들은 전체 시스템의 적합도(fitness)를 향상시키기 위해 반복적으로 임무를 선택하고 제거하는 과정을 거치는데, 이는 일종의 협상 과정과 유사하다.17
• 계약망 프로토콜(Contract Net Protocol, CNP): 다중 에이전트 시스템에서 잘 알려진 협력 메커니즘으로, 임무 충돌을 해결하고 관측 이익을 증대시키기 위한 2차 할당 전략에 활용된다.22
• 장점: 개별 노드(위성)의 고장에 대한 강건성이 높고, 통신 오버헤드가 네트워크 크기와 무관하게 일정하여 확장성이 매우 뛰어나다.16
• 단점: 전역 최적화 기법에 비해 차선의 해(sub-optimal solution)를 도출할 수 있다. 또한, 경쟁적인 시장 모델은 특정 네트워크 조건 하에서 성능 저하를 유발하는 양성 피드백 루프에 빠질 위험이 있다.16

 

3.2. 수학적 및 휴리스틱 최적화

 

• 고전적 최적화: 수학적으로 최적의 해를 찾으려는 접근법이다.

• 해밀턴-야코비-벨만(HJB) 최적성: 위성 클러스터의 재배치(reconfiguration)를 위해 최소 시간 또는 최소 연료 소모 기동을 생성하는 데 사용된다.14 최적성에 대한 강력한 이론적 기반을 제공한다.
• 정수 계획법(Integer Programming, IP): 스케줄링 문제를 공식화하여 전역 최적해를 찾을 수 있지만, 문제의 복잡도가 지수적으로 증가하여 대규모 실시간 문제에는 적용하기 어렵다.24

• 휴리스틱 및 메타휴리스틱 접근법: 경험적 규칙이나 자연 현상에서 영감을 얻은 과정을 통해, 합리적인 시간 내에 최적해는 아니지만 충분히 좋은 해를 찾는 방법이다.

• 유전 알고리즘(Genetic Algorithm, GA): 다중 우주선 연료 재보급 문제나 협력적 임무 계획과 같은 복잡한 문제에 사용되는 집단 기반 탐색 기법이다.14
• 담금질 기법(Simulated Annealing, SA): 종종 유전 알고리즘과 결합된 하이브리드 형태(H-GASA)로 사용되어, 지역 최적점(local optima)에 빠지는 것을 방지하고 해 탐색 성능을 향상시킨다.22
• 대리 모델(Surrogate Models): 복잡한 궤도 역학 계산을 근사화하여 계획 수립에 필요한 계산 오버헤드를 크게 줄이고, 더 빠른 온라인 재계획을 가능하게 한다.14

 

3.3. 임무 할당 패러다임 비교 분석표

 

아래 표는 앞서 논의된 알고리즘 계열들의 핵심 특성을 요약하여 비교한 것이다.

 

알고리즘 분류	주요 예시	최적성	확장성	실시간 적응성	통신 오버헤드	주요 활용 사례	참고 자료
시장 기반	경매 알고리즘, CNP, PIDSM	차선 (지역 최적)	높음	높음	낮고 일정함	동적 임무 할당, 고장 복구, 대규모 위성군	16
수학적 최적화	정수 계획법(IP), HJB	전역 최적 (이론상)	낮음	낮음	높음 (전역 상태 필요)	오프라인 계획, 소규모 클러스터, 기동 최적화	14
휴리스틱/메타휴리스틱	유전 알고리즘(GA), SA	근사 최적	중간	중간	중간	복잡한 오프라인 최적화, 초기 계획 생성	14
강화학습	MARL, PPO, HRL	정책 의존적 (근사 최적 가능)	높음	매우 높음	가변적 (프레임워크에 따라 다름)	동적/불확실 환경, 연속적 의사결정	9

 

이러한 분석을 통해 우리는 '최적성'과 '실용성(확장성/속도)' 사이에 근본적인 상충 관계가 존재함을 알 수 있다. 연구 동향은 명확히 두 갈래로 나뉜다. 하나는 증명 가능한 최적해를 추구하지만 소규모 또는 오프라인 문제에 국한되는 접근법(IP, HJB 등)이고, 다른 하나는 대규모 동적 위성군을 위해 속도와 확장성을 우선시하는 접근법(시장 기반, 휴리스틱, 그리고 점차 강화학습)이다. 미래의 연구 방향은 이 두 접근법을 결합한 하이브리드 방식에 있을 가능성이 높다. 예를 들어, 계산 비용이 높은 최적화 기법을 오프라인에서 사용하여 고품질의 초기 계획을 생성한 후, 궤도상에서는 경매나 강화학습과 같은 빠르고 적응적인 방법을 사용하여 실시간으로 계획을 수정하고 재계획하는 방식이 유망하다.

 

또한, 모든 현대적 할당 방법의 중심에는 '가치' 또는 '보상'이라는 개념이 자리 잡고 있다. 경매에서의 '입찰가', 유전 알고리즘의 '적합도 함수', 강화학습의 '보상 신호' 등 형태는 다르지만, 알고리즘은 항상 특정 방식으로 정의된 임무 성공도를 최적화하려 한다. 이 보상 함수를 어떻게 정의하는가는 알고리즘 자체의 설계만큼이나 중요하고 어려운 문제이다. 과학적 가치, 정보의 적시성, 자원 소모 비용 등 복잡한 임무 목표를 알고리즘이 최적화할 수 있는 단일 값으로 정량화하는 '보상 공학(reward engineering)'은 임무 기획자와 알고리즘 설계자 간의 핵심적인 소통 영역이 될 것이다.

 

섹션 4: AI의 부상: 동적 의사결정을 위한 강화학습

인공지능, 특히 강화학습(Reinforcement Learning, RL)과 다중 에이전트 강화학습(Multi-Agent RL, MARL)은 위성군에 진정한 적응형 자율성을 부여하기 위한 가장 유망한 기술 분야로 부상하고 있다. 강화학습은 미리 프로그래밍된 논리로는 대응하기 어려운 동적이고 불확실한 환경 문제에 독보적으로 적합하다.

 

4.1. AI를 위한 문제 정의: 마르코프 게임과 순차적 결정

 

• 순차적 결정 문제(Sequential Decision Problem): 위성 임무 계획은 본질적으로 시간에 따라 일련의 결정을 내려 장기적인 목표를 최대화해야 하는 순차적 결정 문제이다.15
• 마르코프 결정 과정(MDPs): 단일 위성의 경우, 이 문제는 마르코프 결정 과정(Markov Decision Process, MDP)으로 모델링될 수 있다.9 MDP는 현재 상태에서 어떤 행동을 취했을 때 다음 상태와 보상이 어떻게 변할지를 확률적으로 정의하는 수학적 프레임워크이다.
• 마르코프 게임(Markov Games): 상호작용하는 여러 위성(에이전트)이 관여하게 되면, 문제는 마르코프 게임(또는 확률 게임, Stochastic Game) 프레임워크로 확장된다. 이 프레임워크는 상태 전이와 보상이 모든 에이전트의 *공동 행동(joint action)*에 의해 결정된다는 점을 명시적으로 모델링하여, 위성군 내의 협력적 또는 경쟁적 상호작용을 포착한다.26 이러한 문제 정의는 MARL을 적용하기 위한 핵심적인 이론적 기반이 된다.

 

4.2. 핵심 기술로서의 다중 에이전트 강화학습(MARL)

 

• MARL의 필요성: MARL은 에이전트들이 동적인 환경과의 상호작용을 통해 최적의 전략을 학습하고 지속적으로 정책을 개선해 나가기 때문에 협력적 계획 수립 문제에 매우 효과적이다.25 이는 임무 계획 문제를 분산 최적화 문제에서 협력적 의사결정 문제로 전환하는 패러다임의 변화를 가져온다.26
• 중앙 집중식 훈련과 분산식 실행(CTDE): 이는 MARL 분야에서 가장 지배적이고 강력한 패러다임 중 하나이다.15 지상에서 수행되는 오프라인 훈련 단계에서는 중앙의 '비평가(critic)'가 모든 에이전트의 전역 상태와 행동 정보에 접근하여 복잡한 협력 전략을 학습한다. 훈련이 완료된 후, 개별 '행위자(actor)' 정책은 각 위성에 배포되어, 오직 자신의 국지적 관측 정보만을 사용하여 분산적으로 의사결정을 수행한다.15 이 접근법은 중앙에서 학습된 깊이 있는 협력 지식과 궤도상에서 요구되는 빠르고 강건한 분산 실행 능력을 결합하는 장점을 가진다.
• 정책 기반 방법론: PPO (Proximal Policy Optimization): PPO와 그 다중 에이전트 변형인 MAPPO(Multi-Agent PPO)는 이 분야에서 매우 효과적이고 안정적인 알고리즘으로 자주 언급된다.9 이 알고리즘들은 최적의 관측 구성을 달성하기 위해 위성의 자세각(off-nadir angle)이나 촬영 시간과 같은 파라미터를 동적으로 스케줄링하는 데 사용된다.25

 

4.3. 위성군 관리를 위한 고급 강화학습 개념

 

• 계층적 강화학습(Hierarchical Reinforcement Learning, HRL): 매우 복잡하고 장기적인 임무의 경우, HRL을 사용하여 문제를 계층적으로 분해할 수 있다. 상위 수준의 정책은 하위 목표(sub-goal)를 설정하는 법을 배우고, 하위 수준의 정책은 그 목표를 달성하는 법을 배운다. 이는 학습 효율성을 높이고 시스템의 신뢰성을 향상시킨다.15 예를 들어, 상위 정책이 어떤 표적 군집을 관측할지 결정하면, 하위 정책은 해당 표적들을 관측하기 위한 최적의 자세 기동 순서를 찾는 식이다.
• 동적 재계획 처리: 강화학습은 동적 재계획 문제에 자연스럽게 부합한다. 새로운 임무가 도착하거나 재난 발생과 같은 환경 조건이 변했을 때, 시스템은 복잡한 최적화 문제를 처음부터 다시 풀 필요가 없다. 이미 학습된 정책은 새로운 상태 정보를 입력받아 즉각적으로 새로운 최적 행동을 생성할 수 있다.8 일부 프레임워크에서는 내재적 호기심 모듈(Intrinsic Curiosity Module, ICM)을 통합하여 에이전트가 더 새롭고 잠재적으로 더 나은 전략을 탐색하도록 장려함으로써, 지역 최적점에 빠지는 것을 방지하기도 한다.25

 

MARL의 도입은 임무 계획의 패러다임을 '최적화로서의 계획(planning as optimization)'에서 '학습된 행동으로서의 계획(planning as a learned behavior)'으로 전환시키고 있다. 이는 단순히 주어진 문제를 푸는 알고리즘을 설계하는 것이 아니라, 시스템이 스스로 문제를 푸는 방법을 배우도록 하는 환경과 보상 함수를 설계하는 근본적인 변화를 의미한다. 이러한 접근법은 초기 설계에서 명시적으로 고려되지 않은 불확실성이나 새로운 상황에 대해 훨씬 더 강건한 대응을 가능하게 한다. '지상에서의 오프라인 훈련, 궤도상에서의 온라인 실행' 프레임워크는 이러한 철학의 실용적인 구현체이다.26 무거운 계산 부담이 따르는 학습 과정은 지상에서 미리 수행하고, 그 결과로 얻어진 가볍고 반응성이 빠른 정책을 궤도상의 위성에 탑재하여 운영하는 것이다.

 

특히, CTDE 패러다임은 우주 환경에서 실용적인 MARL을 가능하게 하는 결정적인 열쇠이다. 이는 협력을 위해 전역 정보가 필요하지만, 통신 제약으로 인해 분산적인 자율 실행이 요구되는 딜레마를 우아하게 해결한다. 훈련 단계에서 전역 정보를 활용하여 협력의 본질을 학습하고, 실행 단계에서는 그 학습된 지식이 내재된 분산 정책을 통해 국지적 정보만으로도 조화롭게 행동할 수 있게 하는 것이다. 이 아키텍처 패턴은 분산 협력의 핵심적인 난제를 해결하는, AI 커뮤니티가 이 특정 문제 영역에 기여한 가장 중요한 성과 중 하나로 평가될 수 있다.

 

섹션 5: 시스템 자율성 정의 및 측정

자율 시스템 연구에서 종종 간과되지만 매우 중요한 측면은 자율성을 서술하고 측정하기 위한 표준화된 언어와 프레임워크의 필요성이다. 공식적인 용어 없이는 시스템 간의 성능을 비교하거나 명확한 개발 목표를 설정하기 어렵다. 본 섹션에서는 자율성 수준(Levels of Autonomy, LoA)을 정의하기 위해 등장하고 있는 새로운 프레임워크들을 검토한다.

 

5.1. 공식적 용어의 필요성: 자율성 수준(LoA)

 

• 문제 제기: 자율 시스템이 보편화됨에 따라, 기술 개발, 사용자 수용성 확보, 그리고 입법가나 대중과 같은 이해관계자들과의 소통을 위해 단계적인 접근법과 공통된 이해의 틀이 필요해졌다.28
• 타 산업과의 비교: 우주 커뮤니티는 이미 자동차 및 항공 산업에서 차량의 자율화 역량을 특징짓기 위해 5단계 또는 6단계의 표준화된 자율성 수준을 확립한 사례를 참고하고 있다.28
• 제안된 우주선 자율성 수준: 이러한 흐름에 맞춰, 연구자들은 위성의 상위 수준 자율 역량을 설명하기 위한 6단계의 '우주선 자율성 수준(Spacecraft Autonomy Levels)'을 제안했다.28 제공된 자료에 구체적인 단계별 정의는 없지만, 그 의도는 자율성의 정도를 논의하기 위한 공통의 참조 프레임워크를 만드는 데 있다.

 

5.2. 기본 모델로서의 OODA 루프

 

• 개념: 관찰(Observe)-판단(Orient)-결정(Decide)-행동(Act)으로 이어지는 OODA 루프는 의사결정 과정을 설명하는 잘 알려진 모델이다. 이 모델이 자율 시스템의 기본 추상화 모델로 제안되고 있다.28
• 자율 시스템의 시스템(SoAS)을 위한 분류 체계: 한 연구에서는 OODA 루프를 사용하여 자율 시스템의 시스템(SoAS)을 그 구성 시스템 간의 정보 공유 수준에 따라 분류하는 체계를 제안했다. 이 분류 체계는 자율성과 협력 수준이 증가함에 따라 7단계의 정보 공유 수준을 제시한다.28 예를 들어, 가장 낮은 수준은 원시적인 '관찰' 데이터만을 공유하는 것이고, 가장 높은 수준은 '결정'된 의도까지 공유하며 행동을 공동으로 계획하는 단계일 수 있다.

 

5.3. 자율성의 물리적 구현: 궤도상 처리와 엣지 AI

 

• 연산의 엣지(Edge)로의 이동: 더 높은 수준의 자율성을 가능하게 하는 핵심 기술 동향은 지상 기반 처리에서 궤도상의 '엣지' 컴퓨팅으로의 전환이다. 전력 효율이 높고 방사선에 강한 하드웨어 가속기의 발전으로, 복잡한 AI/ML 알고리즘을 우주선에서 직접 실행하는 것이 가능해지고 있다.29
• 장점: 궤도상 처리는 통신 지연을 줄이는 데 필수적이다. 이를 통해 위성은 데이터를 수집하는 즉시 분석하고, 즉각적인 결정을 내리며(예: 구름 낀 이미지 폐기), 지상의 명령을 기다리지 않고 환경에 반응할 수 있다.29 이는 이전 섹션에서 논의된 동적인 폐쇄 루프 임무 수행(closed-loop tasking)을 위한 전제 조건이다.
• 사례: Φ-sat-1: 유럽우주국(ESA)의 Φ-sat-1 임무는 이 분야의 선구적인 사례로, 궤도상의 전용 하드웨어 가속기에서 AI 심층 컨볼루션 신경망(Deep Convolutional Neural Network)을 성공적으로 실행하여 구름을 탐지하는 능력을 입증했다.29

 

자율성 수준(LoA) 프레임워크에 대한 논의는 이 분야가 순수한 기술 탐색 단계를 넘어 시스템 공학 및 거버넌스의 단계로 성숙하고 있음을 보여주는 신호이다. 공통 언어에 대한 필요성은 기술이 충분히 복잡해지고 널리 보급되어 개발자, 운영자, 사용자, 규제 기관 모두가 명확하게 소통해야 할 때 발생한다. 이는 자율 기술이 실험실을 떠나 실제 운영 환경으로 이동하고 있음을 시사한다.

 

OODA 루프 모델은 자율 시스템을 설계하고 분석하는 데 강력한 진단 도구를 제공한다. 자율성을 관찰, 판단, 결정, 행동의 네 단계로 분해함으로써, 설계자들은 정보 병목 현상이 어디에서 발생하는지, 그리고 에이전트 간의 협력이 어느 단계에서 가장 유익할지를 정확히 파악할 수 있다. 예를 들어, "위성들이 더 나은 공동 상황 인식을 위해 원시 관측 데이터를 공유해야 하는가(판단), 아니면 충돌을 피하기 위해 최종 행동 계획만을 공유해야 하는가(행동)?"와 같은 정밀한 설계 질문을 던질 수 있게 된다. 이러한 프레임워크는 '자율성'이라는 단일 개념에 대한 논의를 특정 정보 흐름과 협력 전략에 대한 미묘한 논의로 발전시켜, 더 정교하고 효율적인 시스템 설계를 가능하게 한다.

 

섹션 6: 핵심 기술 동인 및 새로운 지평

본 섹션에서는 진보된 자율성을 현실로 만드는 기반 하드웨어 및 소프트웨어 기술에 초점을 맞춘다. 통신, 컴퓨팅, 시뮬레이션 간의 공생 관계를 조명하고, 연합 학습(Federated Learning)과 같은 새로운 개념을 전망한다.

 

6.1. 통신 백본: 지속적이고 광대역의 ISL

 

• ISL의 중요성: 분산 자율성은 근본적으로 위성 간 통신 링크(ISL)를 통해 서로 통신하는 능력에 의존한다.3
• 스타링크 혁명: 최근 Muon Space가 SpaceX와 맺은 계약은 스타링크의 광학 미니 레이저 터미널을 다른 상용 위성에 통합하는 것으로, 이는 우주 통신 역사에 분수령이 되는 사건이다.31 이로써 처음으로 지속적이고 높은 처리량(25 Gbps)을 가진 저지연 광학 메시 네트워크에 접근할 수 있게 되었다.
• 변혁적 영향: 이 기술은 전통적인 지상국 교신 방식의 병목 현상을 근본적으로 제거한다. 궤도상에 '데이터 센터급 파이프라인'을 구축하여 지속적인 데이터 스트리밍, 실시간 명령 및 제어, 그리고 진정한 의미의 폐쇄 루프 임무 수행(closed-loop tasking)을 가능하게 한다.31 이는 임무 설계 방식을 근본적으로 바꾸어, 이전에는 고립된 개체였던 위성들을 글로벌 네트워크에 항상 연결된 활성 노드로 변모시킨다.34

 

6.2. 고충실도 환경: 디지털 트윈의 역할

 

• 개념: 디지털 트윈(Digital Twin, DT)은 물리적 시스템(개별 위성 또는 전체 위성군)의 동적인 가상 복제품으로, 실시간 데이터로 지속적으로 업데이트된다.35
• 임무 계획에서의 적용: 디지털 트윈은 자율 알고리즘을 실제 위성에 배포하기 전에 개발, 테스트, 검증할 수 있는 고충실도 환경을 제공한다. 이를 통해 복잡한 시나리오를 시뮬레이션하고, 이상 상황에 대한 시스템 반응을 평가하며, 임무 파라미터를 최적화할 수 있다.35
• 생애주기 관리: 디지털 트윈은 임무 전 설계 단계에만 국한되지 않는다. 예측 유지보수, 고장 진단, 실시간 운영 지원 등을 가능하게 하여 위성의 전체 운영 생애주기에 걸쳐 데이터 및 모델 기반 접근법을 제공한다.35 시뮬레이션 모델과 실시간 데이터 스트림, 그리고 머신러닝 알고리즘의 통합이 핵심적인 특징이다.35

 

6.3. 미래의 지평: 궤도상 연합 학습

 

• 개념: 제공된 자료에서 '연합 학습(Federated Learning)'이라는 용어가 명시적으로 언급되지는 않았지만, 그 기반이 되는 요소들은 존재한다. 연합 학습은 다수의 분산된 에이전트가 자신의 원시 데이터를 공유하지 않으면서 공유된 글로벌 모델을 훈련시키는 분산 머신러닝 접근법이다. 각 위성은 자신의 로컬 데이터로 모델을 훈련시킨 후, 데이터 자체가 아닌 모델 업데이트(가중치 등) 정보만을 공유하여 글로벌 모델을 개선한다.
• 잠재적 적용 분야: 이 개념은 이종 위성군에 매우 적합하다. 이를 통해 위성군은 대역폭을 절약하고 데이터 프라이버시/보안을 유지하면서(특히 서로 다른 운영 주체의 위성들이 섞여 있을 경우) 협력적으로 성능을 개선해 나갈 수 있다. 예를 들어, 더 정확한 구름 예측 모델이나 이상 징후 탐지 모델을 공동으로 학습할 수 있다.
• 기반 기술: 이 개념은 이미 논의된 궤도상 처리 능력(엣지 AI) 29과 위성 간 통신 링크 38에 의존한다.

 

스타링크와 같은 상업적으로 이용 가능한 지속적, 광대역 광학 ISL의 등장은 현재 연구 단계에 있는 진보된 MARL 알고리즘의 잠재력을 완전히 발현시킬 핵심 촉매제이다. 정교한 분산 AI가 요구하는 막대한 통신량과 희소하고 저대역폭인 현실 우주 통신 환경 사이에는 그동안 큰 간극이 존재했다. 이 기술은 그 간극을 메우고 있다. 이는 통신 제약으로 인해 시뮬레이션에만 머물러 있던 알고리즘들이 이제 실제 궤도상 배포를 고려할 수 있게 되었음을 의미하며, 우주에서의 분산 AI 운영이 급격히 가속화될 것임을 예고한다.

 

한편, 디지털 트윈은 자율 시스템을 위한 필수적인 '샌드박스'이자 '비행 시뮬레이터'로서 신뢰와 검증이라는 중대한 문제를 해결하는 역할을 하고 있다. 고위험 환경에 AI를 배포하는 데 가장 큰 장벽 중 하나는 그 행동을 공식적으로 검증할 수 없다는 점이다. 디지털 트윈은 현실적인 시뮬레이션 환경에서 철저한 테스트와 검증을 수행할 수 있는 메커니즘을 제공함으로써, 운영자의 신뢰를 구축하고 시스템의 안전을 보장한다. 따라서 디지털 트윈 기술의 발전은 AI 기반 자율성의 채택을 직접적으로 가능하게 하는 핵심 동인이며, 이는 검증, 확인 및 신뢰 구축에 필요한 환경을 제공하기 때문이다.

 

섹션 7: 종합 및 미래 연구를 위한 전략적 제언

본 보고서는 이종 위성군의 자율적 임무 할당 및 관제에 대한 현재 연구 동향과 미래 전망을 종합적으로 분석했다. 마지막으로, 핵심적인 발견들을 종합하고 새로운 연구 프로그램을 시작하려는 연구자를 위한 구체적이고 실행 가능한 제언을 제시하고자 한다.

 

7.1. 핵심 발견의 통합: AI, 통신, 엣지 컴퓨팅의 융합

 

• 지배적인 동향: 분석 결과, 가장 중요한 동향은 세 가지 기술 벡터의 융합이다: 첫째, 진보된 적응형 알고리즘(특히 MARL), 둘째, 지속적이고 광대역인 통신(광학 ISL), 셋째, 강력하고 효율적인 궤도상 연산(엣지 AI). 가장 빠른 기술 발전과 미래의 혁신은 바로 이 세 영역의 교차점에서 일어날 것이다.
• 접근법의 성숙도: 고전적 최적화 및 시장 기반 방법론은 특정 문제에 대해 성숙하고 효과적인 해결책을 제공하지만, 연구 분야의 전반적인 추진력은 동적 환경에서의 뛰어난 유연성과 적응성 때문에 AI/ML 기반 접근법으로 명확하게 이동하고 있다.

 

7.2. 연구 프로그램을 위한 제언

 

새로운 연구 프로그램을 시작하는 데 있어 다음과 같은 전략적 방향을 고려할 것을 제언한다.

 

• 하이브리드 알고리즘 접근법에 집중: 순수한 강화학습은 학습에 많은 데이터를 요구하여 비효율적일 수 있다. 고전적 최적화 방법(예: 대리 모델, HJB 이론)을 사용하여 강화학습 에이전트에게 초기 '좋은' 정책을 제공하거나 행동 공간을 제한하는 하이브리드 알고리즘 개발은 매우 유망한 연구 분야이다. 이는 학습 속도를 크게 가속하고 시스템의 안전 제약 조건을 보장하는 데 기여할 수 있다.
• 확장성과 이종성 문제 우선 해결: 미래 연구는 고도의 이종성을 가진 메가 컨스텔레이션의 도전을 명시적으로 다루어야 한다. 여기에는 에이전트 수의 변화에 강건하고(확장성), 다양한 능력을 효과적으로 활용할 수 있는(이종성) MARL 알고리즘 개발이 포함된다. 통신 효율적인 학습 및 협력 전략에 대한 연구가 무엇보다 중요할 것이다.
• 신뢰 가능한 자율성과 설명가능 AI(XAI) 연구: 자율 시스템이 조언 역할을 넘어 임무에 결정적인 의사결정을 내리게 됨에 따라, 그 시스템을 신뢰할 수 있도록 보장하는 것이 필수적이다. 이는 아직 해결되지 않은 중요한 연구 영역이다. 향후 연구는 다음 영역에 초점을 맞춰야 한다.

• 검증 및 확인(V&V): 학습된 복잡한 정책의 행동을 어떻게 공식적으로 검증할 수 있는가? 디지털 트윈의 활용이 여기서 결정적인 역할을 할 것이다.35
• 설명가능성(XAI): 자율 시스템이 특정 결정을 왜 내렸는지 설명할 수 있는가? 이는 운영자의 신뢰와 사후 분석을 위해 매우 중요하다.
• 보안: 분산 학습 기반 시스템을 데이터 오염이나 보상 신호 조작과 같은 적대적 공격으로부터 어떻게 보호할 수 있는가? 이는 제공된 문헌에서는 거의 다루어지지 않은 미개척 분야이다.

• 현실적인 시뮬레이션 환경 개발: MARL의 발전은 시뮬레이션 환경의 품질에 크게 의존한다. 궤도 역학, 통신 제약, 이종 센서 모델 등을 정확하게 모델링하는 고충실도의 확장 가능한 디지털 트윈 환경을 구축하는 데 투자하는 것은 다른 모든 연구 활동의 효율을 극대화하는 지렛대 역할을 할 것이다.

 

7.3. 맺음말: 자율 위성군의 미래

우주 운영의 미래는 네트워크로 연결되고, 협력하며, 지능적인 시스템에 달려 있다. 본 보고서에서 개괄한 연구와 기술들은 이러한 미래를 위한 기초적인 구성 요소들을 제공한다. 이 미래는 우주 기반 자산으로부터 전례 없는 수준의 회복탄력성, 대응성, 그리고 과학적 성과를 약속한다. 앞으로의 핵심 과제는 특정 능력을 개별적으로 시연하는 것을 넘어, 이러한 구성 요소들을 신뢰할 수 있고, 확장 가능하며, 운영상 강건한 '시스템의 시스템'으로 통합하는 것이 될 것이다.

 

참고 자료

1. Blackjack - DARPA, 10월 28, 2025에 액세스, https://www.darpa.mil/research/programs/blackjack
2. Tailoring the Systems Engineering Design Process for the Attitude and Orbit Control System of a Formation-Flying Small-Satellite Constellation - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2571-5577/8/4/117
3. Trusted Autonomous Operations of Distributed Satellite Systems Using Optical Sensors - PMC - PubMed Central, 10월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC10052948/
4. Publications - Department of Aerospace and Geodesy, 10월 28, 2025에 액세스, https://www.asg.ed.tum.de/en/asg/research-and-innovation/publications/
5. Decentralized Satellite Constellation Replanning for ... - AIAA ARC, 10월 28, 2025에 액세스, https://arc.aiaa.org/doi/pdfplus/10.2514/1.A36143
6. Decentralized Satellite Constellation Replanning for Event Observation | Journal of Spacecraft and Rockets - AIAA ARC, 10월 28, 2025에 액세스, https://arc.aiaa.org/doi/10.2514/1.A36143
7. Remote-Sensing Satellite Mission Scheduling Optimisation Method under Dynamic Mission Priorities - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2227-7390/12/11/1704
8. A Review of Multi-Satellite Imaging Mission Planning Based on Surrogate Model Expensive Multi-Objective Evolutionary Algorithms: The Latest Developments and Future Trends - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2226-4310/11/10/793
9. Mission Sequence Model and Deep Reinforcement Learning-Based Replanning Method for Multi-Satellite Observation - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/1424-8220/25/6/1707
10. autonomous space software: Topics by Science.gov, 10월 28, 2025에 액세스, https://www.science.gov/topicpages/a/autonomous+space+software.html
11. Mission Planning Techniques for Cooperative LEO Spacecraft Constellations by Skylar A. Cox - Engineering | USU, 10월 28, 2025에 액세스, https://engineering.usu.edu/ece/files/pdfs/student-papers/dissertations/2023/dissertation-cox.pdf
12. Cognitive Engine One: A Cross-Layer Framework for Autonomy in Multi-Provider Space Communications Environments, 10월 28, 2025에 액세스, https://ntrs.nasa.gov/api/citations/20240012466/downloads/ce1_preprint_1017.pdf
13. AUTONOMOUS SYSTEMS - The Aerospace Corporation, 10월 28, 2025에 액세스, https://aerospace.org/sites/default/files/2019-04/Autonomous-Systems_0419.pdf
14. Planning Algorithm for Multiple Satellite Clusters | Request PDF - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/245433075_Planning_Algorithm_for_Multiple_Satellite_Clusters
15. An LEO Constellation Early Warning System Decision-Making Method Based on Hierarchical Reinforcement Learning - PMC - PubMed Central, 10월 28, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC9967591/
16. Market-based task allocation in distributed satellite systems, 10월 28, 2025에 액세스, https://eprints.soton.ac.uk/339034/1/jvdhorst_thesis.pdf
17. A Distributed Approach for Time-Dependent Observation ... - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/15/7/1761
18. (PDF) A Distributed Approach for Time-Dependent Observation Scheduling Problem in the Agile Earth Observation Satellite Constellation - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/369586952_A_Distributed_Approach_for_Time-Dependent_Observation_Scheduling_Problem_in_the_Agile_Earth_Observation_Satellite_Constellation
19. Blackjack Program of DARPA (Defence Advanced Research Projects Agency) - eoPortal, 10월 28, 2025에 액세스, https://www.eoportal.org/ftp/satellite-missions/b/Blackjack_010222/Blackjack.html
20. Pit Boss brings autonomous mission management to space - Nov 19, 2019 - Raytheon, 10월 28, 2025에 액세스, https://raytheon.mediaroom.com/2019-11-19-Pit-Boss-brings-autonomous-mission-management-to-space
21. DARPA Pit Boss Contractors SEAKR and SSCI Team with DARPA for Blackjack Early Risk Reduction Orbital Flights, 10월 28, 2025에 액세스, https://www.ssci.com/news/darpa-pit-boss-contractors-seakr-and-ssci-team-with-darpa-for-blackjack-early-risk-reduction-orbital-flights/
22. A new multi-satellite autonomous mission allocation and planning method - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/328844156_A_new_multi-satellite_autonomous_mission_allocation_and_planning_method
23. Satellite replacement and task reallocation for multiple-payload fractionated Earth observation mission | Request PDF - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/360107297_Satellite_replacement_and_task_reallocation_for_multiple-payload_fractionated_Earth_observation_mission
24. Scalable Ground Station Selection for Large LEO Constellations - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2510.03438v1
25. Full article: Deep reinforcement learning–driven multi-satellite ..., 10월 28, 2025에 액세스, https://www.tandfonline.com/doi/full/10.1080/17538947.2025.2554310?src=
26. (PDF) MARL-based Multi-satellite Intelligent Task Planning Method, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/376027366_MARL-based_Multi-satellite_Intelligent_Task_Planning_Method
27. An algorithm of cooperative multiple satellites mission planning based on multi-agent reinforcement learning | Request PDF - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/291138174_An_algorithm_of_cooperative_multiple_satellites_mission_planning_based_on_multi-agent_reinforcement_learning
28. Autonomy Levels for Small Satellite Clusters | Request PDF, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/347153589_Autonomy_Levels_for_Small_Satellite_Clusters
29. A Novel Method for Rapid Orbital Deployment of ML for Space Applications - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/387113556_A_Novel_Method_for_Rapid_Orbital_Deployment_of_ML_for_Space_Applications
30. Satellite Computing: Vision and Challenges - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/373001435_Satellite_Computing_Vision_and_Challenges
31. Muon Space to Integrate SpaceX's Starlink Space Lasers Into Its Halo Satellite Platform, 10월 28, 2025에 액세스, https://www.designdevelopmenttoday.com/industries/aerospace/news/22953068/muon-space-to-integrate-spacexs-starlink-space-lasers-into-its-halo-satellite-platform
32. Muon Space to Integrate SpaceX's Starlink Mini Space Lasers Into Its Halo™ Satellite Platform - PR Newswire, 10월 28, 2025에 액세스, https://www.prnewswire.com/news-releases/muon-space-to-integrate-spacexs-starlink-mini-space-lasers-into-its-halo-satellite-platform-302589505.html
33. Muon Space to Equip Halo Satellites with Starlink Mini Laser Links for Real-Time Global Connectivity, 10월 28, 2025에 액세스, https://www.spacedaily.com/reports/Muon_Space_to_Equip_Halo_Satellites_with_Starlink_Mini_Laser_Links_for_Real_Time_Global_Connectivity_999.html
34. Muon Space Enters A New Agreement With SpaceX - Orbital Today, 10월 28, 2025에 액세스, https://orbitaltoday.com/2025/10/25/muon-space-enters-a-new-agreement-with-spacex/
35. SimOps Platform Delivering Digital Twin Solutions - ESA Technology Broker, 10월 28, 2025에 액세스, https://www.esa-technology-broker.co.uk/technologies/simops-platform-delivering-digital-twin-solutions
36. Application Status and Prospect of Digital Twin for On-Orbit Spacecraft - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/353506041_Application_Status_and_Prospect_of_Digital_Twin_for_On-Orbit_Spacecraft
37. Space Operations Decision Support: When Space Complexity Becomes Your Strategic Advantage - Parc Technologies, 10월 28, 2025에 액세스, https://www.parc-technologies.com/space-operations-decision-support/
38. On the Architectural Split and Radio Intelligence Controller Placement in Integrated O-RAN-enabled Non-Terrestrial Networks - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2507.02680v1