EO/SAR 이종 위성군을 위한 AI 기반 감시정찰 기술

1. 궤도상 인텔리전스로의 패러다임 전환

전통적인 위성 감시정찰 패러다임은 지상국 중심의 데이터 처리 모델에 의존해왔다. 그러나 고해상도 전자광학(EO) 및 합성개구레이더(SAR) 센서 기술의 발전은 이러한 모델의 근본적인 한계를 드러내고 있으며, 이는 위성 운용의 무게중심을 지상에서 궤도상으로 이동시키는 기술적 변혁을 촉발하고 있다. 위성 엣지 컴퓨팅, 즉 온보드 인공지능(AI) 기술은 단순한 효율성 개선을 넘어, 위성을 원격 센서에서 자율적인 정보 노드로 변모시키는 핵심 동력으로 작용하고 있다.

 

 

1.1. 데이터 폭증과 다운링크 병목 현상

현대 감시정찰 위성은 전례 없는 속도로 방대한 양의 데이터를 생성하고 있다. 고해상도 센서의 발전은 데이터 수집률을 기하급수적으로 증가시켰으나, 위성과 지상국 간의 데이터 전송을 담당하는 다운링크 대역폭은 이를 따라가지 못하고 있다.1 이러한 불균형은 심각한 '다운링크 병목 현상'을 야기한다. 위성은 한 번의 궤도 선회 동안 다운링크할 수 있는 양보다 훨씬 많은 데이터를 수집할 수 있으며, 이는 고가의 위성 자산이 비효율적으로 사용되고 있음을 의미한다.3

 

이 병목 현상은 데이터 수집과 실제 정보 활용 사이에 상당한 시간 지연을 발생시킨다. 재난 대응, 국가 안보, 군사 작전과 같이 시간이 생명인 시나리오에서 이러한 지연은 치명적인 약점이 될 수 있다.4 수집된 원시 데이터를 모두 지상으로 전송하여 처리하는 전통적인 방식은 더 이상 증가하는 데이터 수요를 감당할 수 없는 한계에 도달했다.

 

1.2. 온보드 데이터 처리(OBDP)의 전략적 이점

온보드 AI를 통한 데이터 처리(On-Board Data Processing, OBDP)는 다운링크 병목 현상을 해결하고 위성 감시정찰 능력의 비약적인 향상을 가능하게 하는 전략적 해법이다. 주요 이점은 다음과 같다.

 

• 향상된 대응성과 자율성: 온보드 AI는 지상국의 개입 없이 실시간으로 데이터를 분석하고 의사결정을 내릴 수 있게 한다.2 예를 들어, 위성 스스로 표적을 식별하거나 위협을 감지하고, 이에 따라 동적으로 임무를 재설정하거나 우주 파편과의 충돌을 회피하는 등의 자율적인 대응이 가능하다.2 이는 '센서-대응' 시간을 획기적으로 단축시킨다.
• 최적화된 데이터 관리: AI 알고리즘은 위성 내에서 직접 원시 데이터의 예비 분석, 특징 추출, 필터링을 수행한다. 이를 통해 구름으로 덮여 사용 불가능한 영상을 폐기하거나 4, 선박이나 차량과 같은 특정 객체의 좌표 및 속도 정보만을 추출하여 전송할 수 있다.4 이는 원시 영상 대신 고부가가치의 정제된 정보를 전송함으로써 다운링크 대역폭 요구사항을 극적으로 감소시킨다.2
• 임무 능력의 확장: OBDP는 위성 군집의 협력적 운용과 같은 고도화된 임무 수행을 지원한다.2 유럽우주국(ESA)의 Ciseres 프로젝트는 온보드 AI를 활용하여 자연재해를 신속하게 탐지하고 대응하는 능력을 시연하는 대표적인 사례이다.4

 

이러한 변화는 단순히 기술적 효율성을 높이는 것을 넘어, 우주 정보 가치 사슬의 구조를 근본적으로 재편하고 있다. 전통적인 수집 → 다운링크 → 처리 → 분석 → 배포의 선형적이고 지상 의존적인 흐름은, 온보드 AI를 통해 수집 → 처리/분석 → 통찰 다운링크 → 배포의 궤도 중심적 모델로 전환된다. 이 역전 현상은 지연 시간 감소, 대역폭 제약 완화, 위성의 자율성 증대라는 연쇄 효과를 낳으며, 위성의 역할을 '하늘을 나는 카메라'에서 '궤도상의 분석가'로 격상시킨다. 나아가, 대규모 저궤도(LEO) 위성군의 경제적 실현 가능성은 온보드 AI의 성공적인 구현과 직접적으로 연결된다. 수백, 수천 개의 위성에서 쏟아지는 데이터를 전통적인 지상 인프라로 감당하는 것은 운영 비용 측면에서 비현실적이다. 온보드 AI는 정보적 의미에서 '데이터 압축기' 역할을 수행하여 지상 인프라 및 운영 비용(OPEX)을 절감함으로써, 대규모 LEO 감시정찰 위성군의 지속 가능한 비즈니스 모델을 가능하게 하는 핵심 기술이라 할 수 있다.

 

1.3. 이종 EO/SAR 위성군 컨텍스트 정의

본 보고서의 핵심은 EO 센서와 SAR 센서를 함께 운용하는 이종(heterogeneous) 위성군에 온보드 AI를 적용하는 것이다. 두 센서는 상호 보완적인 특성을 가진다. EO 센서는 주간 및 청천 시에 인간이 직관적으로 해석하기 쉬운 고해상도 가시광선 영상을 제공한다. 반면, SAR 센서는 주야 및 기상 조건에 관계없이 전파를 이용하여 지표면의 구조적 특성, 질감, 변화 등을 탐지할 수 있다.

 

따라서 이종 위성군 운용의 핵심 과제이자 기회는, 근본적으로 다른 두 종류의 데이터를 궤도상에서 실시간으로 융합하여 단일 센서로는 얻을 수 없는 더 깊이 있는 시너지를 창출하는 것이다. 이는 후속 장에서 논의될 기술적 분석의 기반이 된다.

 

2. 자동화된 EO/SAR 데이터 활용을 위한 핵심 AI 역량

궤도상 감시정찰 임무를 성공적으로 수행하기 위해서는 위성의 제한된 자원 환경 내에서 EO 및 SAR 데이터를 효과적으로 처리할 수 있는 고도로 최적화된 AI 기술이 필수적이다. 본 장에서는 객체 탐지와 같은 기본적인 임무부터 다중 센서 융합, 이상 징후 탐지와 같은 고도화된 임무에 필요한 핵심 AI 역량을 기술적으로 분석한다.

 

2.1. 자원 제약 환경에서의 실시간 객체 및 변화 탐지

위성은 크기, 무게, 전력(SWaP)에 극심한 제약을 받기 때문에, 지상에서 사용되는 대규모 AI 모델을 그대로 탑재하는 것은 불가능하다.8 따라서 연산량과 메모리 사용량을 최소화한 경량화 모델 아키텍처가 필수적이다.

 

• 경량화 모델 아키텍처:

• MSF-SNET: 경량 SNET을 백본으로 사용하여 파라미터 수와 연산 복잡도를 줄인 1단계(one-stage) 다중 스케일 특징 융합 탐지기로, 위성 탑재를 목적으로 설계되었다.8
• Lite-YOLOv5: YOLOv5 모델을 경량화하여 온보드 SAR 선박 탐지에 적용한 사례로, 연산 부하를 줄이기 위한 특화된 모듈을 포함한다.7
• MIOU loss 기반 YOLOv7-Tiny: NVIDIA Jetson AGX Orin과 같은 엣지 디바이스에서 TensorRT 최적화를 통해 초당 160 프레임(FPS)의 빠른 추론 속도를 달성하며 온보드 탐지에 높은 잠재력을 보였다.7

• 변화 탐지 프레임워크:

• 변화 탐지는 일반적으로 다중 시점 영상 간의 정합(registration), 특징 추출, 변화 정보 추출의 단계를 거친다. 정확한 변화 탐지를 위해서는 영상 정합이 매우 중요하며, 최근에는 딥러닝 네트워크를 이용해 전통적인 방식보다 훨씬 강건한 정합 및 특징 매핑을 수행하는 연구가 활발히 진행되고 있다.10

 

2.2. 이종 데이터 융합을 위한 AI 기반 다중 센서 융합

EO와 SAR 데이터는 각각 픽셀의 밝기 값과 후방 산란된 전파의 진폭/위상이라는 근본적으로 다른 물리량을 표현한다. 이러한 이종 데이터를 효과적으로 융합하는 것은 고차원적인 정보 분석을 위해 필수적이다.

 

• AI 기반 융합 전략:

• 심층 학습 모델 활용: 컨볼루션 신경망(CNN)과 같은 딥러닝 모델은 서로 다른 종류의 입력 데이터로부터 공동의 특징 표현(joint representation)을 학습하는 데 탁월한 능력을 보인다.11 EO 영상과 SAR 영상에서 추출된 특징 맵을 입력으로 받아 융합된 특징을 생성하고, 이를 기반으로 최종 분석을 수행할 수 있다.
• 트랜스포머 아키텍처: 영상 전체의 전역적인 맥락을 파악하는 데 강점을 가진 트랜스포머 아키텍처는 다중 모드 데이터셋을 융합하는 데 높은 잠재력을 보인다.12 EO와 SAR 데이터 간의 복잡한 상호 관계를 학습하여 보다 정교한 융합 결과를 도출할 수 있다.
• 다중 모드 AI 에이전트: 두 센서에서 공통적으로 탐지된 객체에 대해 더 높은 신뢰도를 부여하는 등, 여러 감지 결과를 종합하여 최종 결정을 내리는 다중 모드 AI 에이전트 개념은 이종 위성군 운용에 직접적으로 적용될 수 있다.11

 

성공적인 궤도상 융합 시스템은 단순한 융합 알고리즘을 넘어, 각 센서 데이터의 고유한 노이즈와 왜곡을 처리하는 전처리 단계가 매우 중요하다. 예를 들어, EO 영상의 구름을 제거하고 SAR 영상의 스펙클 노이즈를 감소시키는 경량 AI 모델을 각 데이터 스트림에 먼저 적용한 후, 정제된 특징들을 최종 융합 모델에 입력하는 다단계 파이프라인 방식이 효과적일 수 있다. 전체 융합 성능은 이러한 초기 전처리 단계의 품질에 크게 좌우된다.

 

2.3. 고도화된 이상 징후 및 패턴 인식

감시정찰의 궁극적인 목표 중 하나는 사전에 정의되지 않은, 예상치 못한 '미지의 위협(unknown unknowns)'을 탐지하는 것이다.13 이를 위해 AI 기반 이상 징후 탐지 기술이 핵심적인 역할을 수행한다.

 

• AI 기반 이상 징후 탐지: AI 모델은 방대한 데이터 속에서 정상적인 패턴을 학습하고, 이로부터 벗어나는 이례적인 현상이나 객체를 식별할 수 있다.11 이는 잠재적 위협이 심각한 상황으로 발전하기 전에 조기에 경고하는 데 매우 중요하다.11
• 생성형 AI(Generative AI)의 역할:

• 데이터 부족 문제 해결: 이상 징후는 정의상 드물게 발생하기 때문에, 관련 학습 데이터를 충분히 확보하는 것은 매우 어렵다.14 이는 AI 모델의 성능을 저해하는 주요 요인이다.
• 합성 데이터 생성: GAN(Generative Adversarial Network), VAE(Variational Autoencoder), 확산 모델(Diffusion Model)과 같은 생성형 AI 기술은 실제와 매우 유사한 고품질의 합성 위성 영상을 생성할 수 있다.12 이를 통해 특정 군사 장비나 재난 초기 상황과 같이 희귀한 이벤트에 대한 데이터를 대량으로 생성하여 AI 모델의 탐지 성능과 강건성을 크게 향상시킬 수 있다.14
• 퓨샷(Few-Shot) 및 제로샷(Zero-Shot) 학습: 생성형 AI와 비전-언어 모델(VLM)은 소수의 데이터만으로도 새로운 객체를 학습하거나, 심지어 데이터 없이 텍스트 설명만으로 객체를 인식하는 것을 가능하게 한다. 이는 궤도상에서 새로운 위협에 신속하게 대응해야 할 때 매우 중요한 능력이다.17

 

이러한 기술적 흐름은 생성형 AI와 궤도상 이상 징후 탐지 시스템이 상호 보완적인 관계를 넘어, 서로의 전제 조건이 되어가고 있음을 시사한다. 효과적인 궤도상 이상 징후 탐지 모델을 개발하고 배치하기 위해서는, 지상에서 다양한 이상 상황에 대한 고품질 합성 데이터를 생성하는 강력한 생성형 AI 파이프라인 구축이 선행되어야 한다. 궤도상 추론 모델의 성능은 지상에서 생성된 합성 데이터의 품질에 직접적으로 의존하게 될 것이다.

 

3. 하드웨어 기반: 우주 엣지를 위한 처리 아키텍처

궤도상 AI의 성공적인 구현은 알고리즘뿐만 아니라 이를 실행할 수 있는 강력하고 신뢰성 있는 하드웨어에 달려있다. 우주 환경의 극심한 제약 조건 속에서 최적의 성능을 발휘하기 위한 다양한 프로세서 아키텍처와 내방사선 설계 전략에 대한 심층적인 분석이 필요하다.

 

3.1. 아키텍처 트레이드오프: CPU, GPU, FPGA, 뉴로모픽 프로세서

기존의 우주용 프로세서 대비 수십, 수백 배의 연산 능력이 요구되는 온보드 AI 처리를 위해서는 임무의 특성과 제약 조건에 맞는 최적의 하드웨어 아키텍처 선정이 중요하다.9

 

• FPGA (Field-Programmable Gate Array): 병렬 처리 능력과 재프로그래밍이 가능한 유연성을 겸비하여 특정 데이터 경로 최적화에 유리하다. AI 알고리즘이 계속해서 발전하는 상황에서 궤도상 업데이트가 가능하다는 점은 큰 장점이다.19 Microchip(PolarFire)과 AMD/Xilinx(Versal)가 이 분야의 주요 공급사이다.20
• GPU/AI 가속기: 대규모 병렬 연산에 최적화되어 있어 딥러닝 추론에 가장 높은 성능을 제공한다. 전력 소모가 큰 상용 GPU를 우주 환경에 맞게 개조하는 것이 기술적 과제이다. 국내 기업 텔레픽스가 NVIDIA Jetson Orin NX를 기반으로 개발한 'TetraPLEX'는 성공적인 우주 검증을 통해 기존 시스템 대비 35배의 처리 속도 향상을 입증하며 이 분야의 가능성을 보여주었다.22
• 뉴로모픽 프로세서: 인간의 뇌 구조를 모방하여 이벤트 기반의 스파이킹 신경망(SNN)을 처리하는 데 특화된 칩이다.24 Brainchip의 Akida와 같은 뉴로모픽 칩은 초저전력으로 '항상 켜져 있는(always-on)' 감시 임무에 이상적이다.25 실제로 Akida 칩을 1단계 관문(gating)으로 사용하여 선박 존재 유무를 먼저 판단하고, 선박이 있을 경우에만 2단계의 고성능 YOLOv5 모델을 구동하는 2단계 시스템은 Jetson Nano 단독 사용 대비 에너지 소비를 75% 이상 절감하는 효율성을 보였다.26

 

이러한 뉴로모픽 칩의 등장은 단순한 하드웨어 선택을 넘어, 위성 전체의 에너지 효율을 극적으로 향상시키는 새로운 운영 개념을 제시한다. 위성 영상의 대부분이 특별한 정보가 없다는 사실에 착안하여 26, 초저전력 뉴로모픽 '파수꾼'이 지속적으로 데이터를 감시하다가 잠재적으로 중요한 이벤트가 발생했을 때만 고전력의 주 프로세서를 활성화하는 계층적 처리 모델은 위성의 운영 수명을 연장하고 열 관리 부담을 줄이는 혁신적인 접근 방식이다. 미래의 온보드 시스템은 위성군뿐만 아니라 단일 위성 내에서도 이종 프로세서가 결합된 형태로 발전할 것이다.

 

3.2. 개방형 아키텍처의 전략적 중요성: RISC-V의 부상

전통적인 우주용 프로세서는 SPARC과 같은 독점적인 명령어 집합 아키텍처(ISA)에 의존해왔다.28 그러나 최근에는 개방형, 모듈형, 로열티가 없는 RISC-V가 차세대 우주 컴퓨팅의 대안으로 급부상하고 있다.

 

• AI를 위한 맞춤화: RISC-V의 가장 큰 장점은 확장성이다. 개발자는 특정 AI 연산(예: 벡터 처리)을 가속화하기 위한 맞춤형 명령어를 추가하거나 전용 가속기를 긴밀하게 통합할 수 있다.29 이는 독점 ISA로는 불가능한 수준의 최적화를 가능하게 한다. RISC-V는 특정 감시정찰 AI 알고리즘에 내재된 고유한 연산 패턴을 하드웨어 수준에서 가속화하도록 설계될 수 있어, 범용 프로세서 대비 월등한 와트당 성능(performance-per-watt)을 달성할 수 있다. 이는 RISC-V가 단순한 저비용 대안이 아니라, 특정 고성능 엣지 AI 임무에 전략적으로 우월한 선택지임을 의미한다.
• 생태계와 도입: NASA는 차세대 우주 컴퓨터 프로젝트에 SiFive의 X288 기반 RISC-V 설계를 채택했으며, ESA 역시 RISC-V 기반 프로세서 개발을 적극적으로 추진하고 있다.28 이는 RISC-V가 기존의 독점 프로세서를 대체할 강력하고 효율적인 개방형 표준으로 자리매김하고 있음을 보여준다.32

 

3.3. 내방사선 설계 및 상용 기성품(COTS) 통합 전략

우주 공간의 방사선은 반도체 소자에 오류를 일으키거나 영구적인 손상을 줄 수 있으므로, 이에 대한 대비가 필수적이다.

 

• 내방사선 기술의 스펙트럼:

• 내방사선(Radiation-Hardened, Rad-Hard): 설계 단계부터 극한의 방사선 환경을 견디도록 제작된 부품이다. 정지궤도(GEO)나 심우주 탐사와 같은 장기간 고가치 임무에 필수적이지만, 가격이 매우 비싸고 상용 기술보다 수 세대 뒤처지는 단점이 있다.33
• 방사선 내성(Radiation-Tolerant, Rad-Tolerant): 설계 기법(RHBD), 공정 개선, 부품 선별 등을 통해 상당한 수준의 방사선 저항성을 확보한 부품으로, Rad-Hard와 상용 부품 사이의 합리적인 대안으로 주목받고 있다.20
• 상용 기성품(COTS) 기반 컴퓨팅: 최고 수준의 성능을 제공하지만 방사선 내성이 전혀 없는 상용 부품을 활용하는 접근 방식이다. 차폐, 시스템 이중화, 오류 탐지 및 복구 소프트웨어 등 정교한 시스템 수준의 완화 기법이 요구된다. 개별 위성의 손실을 감수할 수 있는 대규모 LEO 위성군에 적합하며, '뉴스페이스(New Space)' 패러다임의 핵심 전략이다.33

다음 표는 현재 사용 가능한 주요 우주용 AI 처리 플랫폼의 특성을 비교 분석한 것이다.

 

표 3.1: 우주용 AI 처리 플랫폼 비교

 

프로세서/플랫폼	제조사/기관	아키텍처	성능 지표	전력 (일반)	내방사선 수준	주요 특징 / 목표 응용 분야
Versal AI Core XQRVC1902	AMD/Xilinx	적응형 SoC (FPGA + AI 엔진)	높은 TOPS (AI/ML용)	높음	방사선 내성	온보드 데이터 처리, AI 추론, 신호 처리
PolarFire SoC FPGA	Microchip	FPGA + RISC-V CPU 서브시스템	최대 461k LEs	낮음 (SRAM FPGA 대비 ~50%)	방사선 내성	실시간 리눅스 가능 처리, 제어 및 데이터 경로
Akida AKD1000	Brainchip	뉴로모픽 (SNN)	이벤트 기반 처리	초저전력 (<1W)	COTS (시스템 완화 필요)	저전력 게이팅, 상시 이상 징후 탐지
TetraPLEX	TelePIX	GPU 기반 (NVIDIA Jetson)	높은 TFLOPS (GPU)	높음	COTS (LEO에서 검증됨)	고처리량 영상 처리, 실시간 분석
X288 기반 HPSC	SiFive/NASA	RISC-V CPU + 벡터 확장	기존 대비 100배 성능 향상	중간	COTS/내성 변종	차세대 범용 및 AI 우주 컴퓨팅
hisoar	O.C.E. Tech	매니코어 DSP	12 TOPS, 64 GFLOPS	6 W	내방사선	고성능 신호/영상 처리

 

4. 위성군 수준의 인텔리전스: 분산 및 협력형 AI

단일 위성의 능력을 넘어, 위성군 전체를 하나의 유기적인 지능형 네트워크로 운용하기 위한 기술은 궤도상 인텔리전스의 궁극적인 지향점이다. 본 장에서는 위성군이 데이터를 분석하고, 자원을 관리하며, 네트워크 전체에 걸쳐 협력적으로 학습하는 분산 AI 기술을 다룬다.

 

4.1. 분산형 궤도상 모델 훈련을 위한 연합 학습(Federated Learning)

연합 학습(FL)은 원시 데이터를 공유하지 않고 각 위성에서 로컬로 학습한 모델의 파라미터(가중치 등)만을 교환하여 전체 모델을 개선하는 분산 학습 방식이다. 이는 데이터 프라이버시를 보호하고 중앙 서버로의 막대한 데이터 전송량을 줄일 수 있는 혁신적인 접근법이다.34

 

• LEO 위성군 환경의 도전 과제: 표준적인 연합 학습은 안정적인 클라이언트-서버 연결을 가정하지만, LEO 위성군은 위성 간(ISL) 및 위성-지상 간 링크가 간헐적으로 끊기고 네트워크 토폴로지가 동적으로 변하는 특성을 가진다.34
• 위성 환경에 적응된 연합 학습 프레임워크:

• 계층적 및 접속 인식 FL: sat-QFL, SemSpaceFL과 같은 프레임워크는 위성을 지상국과 연결되는 주(primary) 위성과 ISL로만 연결되는 보조(secondary) 위성으로 역할을 나누고, 지상국 접속 가능 시간에 맞춰 학습을 스케줄링하는 계층적 접근 방식을 제안한다.34
• 완전 분산형 FL (DFL): DFedSat과 같은 프레임워크는 중앙 서버 없이 ISL을 통한 위성 간 직접 통신만으로 모델을 집계한다. 특히, 동일 궤도면 내(intra-plane)와 다른 궤도면 간(inter-plane)의 모델 집계를 위한 적응형 메커니즘과 불안정한 링크에 대응하기 위한 자기 보상 메커니즘을 도입하여 강건성을 높였다.35

 

연합 학습은 위성군을 단순한 데이터 수집 네트워크에서 시간이 지남에 따라 스스로 성능을 개선하고 새로운 환경에 적응하는 회복력 있는 분산 학습 시스템으로 변모시킨다. 예를 들어, 한 위성이 새로운 종류의 위장막을 식별하면, 원시 영상을 지상으로 보내지 않고도 학습된 모델 업데이트를 위성군 전체에 신속하게 전파하여 모든 위성이 며칠 내에 새로운 위협을 인식할 수 있게 된다. 이는 기존의 정적인 모델 운용 방식으로는 불가능했던, 위성군의 지능이 운영 수명 동안 지속적으로 진화하는 새로운 패러다임을 연다.

 

4.2. 이종 자산의 지능형 임무 계획 및 자원 관리

서로 다른 특성을 가진 EO 및 SAR 위성으로 구성된 이종 위성군의 관측 및 다운링크 임무를 효율적으로 스케줄링하는 것은 복잡한 최적화 문제이다.37

 

• 최적화 기법:

• 혼합 정수 선형 계획법 (MILP): 다양한 운영 제약 조건(시간 창, 데이터 일관성 등)을 고려하여 수학적으로 최적의 해를 보장하는 기법으로, SAR-EO 위성 편대군 스케줄링에 성공적으로 적용된 바 있다.37
• 심층 강화 학습 (DRL): 대규모 위성군과 같이 MILP로 풀기 어려운 문제에 대해, 강화 학습 에이전트가 동적으로 위성의 관측 각도 등을 조절하여 최적의 관측 구성을 찾아내는 연구가 진행되고 있다.38

이러한 지능형 스케줄링에서 AI는 복잡한 문제를 푸는 '도구'인 동시에, 문제의 복잡성을 가중시키는 '원인'이 되기도 한다. 온보드 AI 처리 능력이 도입되면서, 스케줄러는 단순히 기하학적인 관측 가능 시간뿐만 아니라 각 위성의 연산 능력, 특정 AI 작업에 필요한 전력, 추론 시간까지 고려해야 한다. 또한, 구름 낀 지역을 SAR 위성이 먼저 관측하여 표적 유무를 확인한 후, 맑은 날씨에 EO 위성이 고해상도 촬영을 하도록 하는 협력 관측을 스케줄링해야 한다. 이는 위성군 스케줄러가 단순한 기하학적 계획자에서 관측 시간, 연산 자원, 전력 예산, ISL 대역폭을 네트워크 전체에 걸쳐 할당하는 정교한 자원 관리자로 진화해야 함을 의미한다.

 

4.3. 글로벌 동향: 주요 프로젝트 및 참여자

전 세계적으로 우주 선진 기관 및 기업들은 궤도상 인텔리전스 기술 개발을 주도하고 있다.

 

• ESA (유럽우주국): Φ-sat-2 프로젝트는 원시 데이터부터 최종 분석 산출물(Level-2)까지 전체 처리 파이프라인을 위성 내에서 수행하는 대표적인 기술 시연 위성이다. 구름, 도로, 선박, 화재 탐지 등 다양한 AI 애플리케이션을 탑재하고 있다.41
• NASA (미국 항공우주국): NOS(New Observation System) 프로그램은 상용 엣지 컴퓨팅 기술을 과학 임무에 적극적으로 활용하고 있다. 2024년 3월에 발사된 CogniSAT-6/HAMMER 위성은 Intel Myriad 하드웨어 상에서 CNN 기반의 구름 탐지, 홍수 매핑 등 온보드 분석 알고리즘을 테스트하는 핵심 플랫폼이다.42
• 대한민국:

• 텔레픽스 (TelePIX): 고성능 GPU 기반 AI 프로세서 'TetraPLEX'를 자체 개발하고 성공적으로 우주 검증을 마친 국내 대표적인 뉴스페이스 기업이다. 이 성과는 NASA 기술 보고서에도 등재되며 세계적으로 기술력을 인정받았다.23
• 학계 및 연구계: 충남대학교, 한국항공우주연구원(KARI) 등은 쎄트렉아이와 같은 산업체와 협력하여 실시간 온보드 AI 및 SAR 영상 분석과 같은 주제에 대한 연구를 활발히 수행하고 있다.45

 

5. 미래 연구 분야 및 전략적 권고 사항

본 보고서의 분석을 종합하여, EO/SAR 이종 위성군을 위한 온보드 AI 컴퓨팅 기반 감시정찰 기술 연구를 시작하는 데 있어 핵심적인 미래 연구 분야와 전략적 권고 사항을 제시한다.

 

5.1. 주요 연구 이슈 및 미해결 과제

 

• 궤도상 모델 업데이트 및 검증: 임무 안정성을 해치지 않으면서 궤도상에서 AI 모델을 안전하고 신뢰성 있게 업데이트, 검증, 재훈련하는 방법론 연구가 시급하다. 특히 연합 학습 환경에서 모델의 성능을 일관되게 유지하는 것이 주요 과제이다.
• 설명가능 AI (XAI) 및 신뢰성: 국방 및 안보와 관련된 중대한 결정에 있어 AI의 판단은 '블랙박스'로 남겨둘 수 없다. 제한된 자원 환경에서 AI가 생성한 경보의 근거를 제시할 수 있는 경량 XAI 기술 개발이 필수적이다.14
• 강건한 실시간 EO/SAR 융합: 이론적인 융합 모델을 넘어, 실제 우주 환경에서 발생하는 데이터의 불완전성(영상 정합 오류, 센서 노이즈 등)에 강건하게 대처할 수 있는 실용적인 궤도상 융합 기술 구현이 여전히 중요한 도전 과제로 남아있다.
• 전력 및 열 관리: 온보드 처리 성능이 향상될수록 고성능 칩의 전력 소모와 발열 문제도 심각해진다. 진공 상태인 우주 공간에서 효과적으로 열을 관리하는 것은 시스템 수준의 핵심 제약 조건이다.2

 

5.2. 유망 기술 및 알고리즘 동향

 

• 양자 연합 학습 (QFL): 양자 키 분배(QKD) 기술을 연합 학습에 통합하여, 미래의 양자 컴퓨팅 위협에도 안전하게 위성 간 모델을 교환할 수 있는 양자 내성 보안 프레임워크를 제공하는 신흥 기술 분야이다.34
• 궤도상 생성형 AI: 학습 데이터 생성을 넘어, 궤도상에서 직접 생성형 AI를 활용하여 구름에 가려진 영역을 SAR 데이터 기반으로 복원하거나, 산불 확산 경로를 예측하는 등 고도화된 임무 수행이 가능해질 것이다.12
• 완전 자율형 위성군: 온보드 AI, 지능형 스케줄링, 위성 간 통신 기술의 융합은 인간의 개입 없이 스스로 상태를 진단하고, 상위 전략 목표에 따라 관측 계획을 수립하며, 협력적으로 현상을 분석하는 완전 자율형 위성군의 등장을 예고한다.

 

5.3. R&D 착수를 위한 전략적 권고 사항

 

• 권고 1 (하드웨어): 이원화된 하드웨어 전략 채택

• 단기 기술 시연 및 LEO 임무용으로는 텔레픽스의 TetraPLEX 성공 사례를 참고하여 NVIDIA Jetson과 같은 COTS 기반 플랫폼에 집중한다. 시스템 수준의 방사선 완화 및 오류 내성 설계 기술 확보에 주력한다.
• 장기 및 고가치 자산용으로는 핵심 EO/SAR 처리 및 AI 워크로드를 위한 맞춤형 가속기가 긴밀하게 통합된 RISC-V 기반 시스템온칩(SoC) 개발에 착수한다. SiFive와 같은 RISC-V IP 공급사 또는 전문 연구 기관과의 파트너십을 고려한다.

• 권고 2 (소프트웨어): 계층적 경량 AI 파이프라인 개발 우선순위 부여

• 초기 데이터 분류를 위해 뉴로모픽 또는 기타 저전력 특화 하드웨어 기반의 '파수꾼' 모델 개발에 투자한다.
• 선택된 하드웨어 플랫폼에 최적화된 모듈형 경량 탐지 및 분류 모델 라이브러리를 구축한다.
• 모든 궤도상 모델 훈련을 지원하는 기반 역량으로서, 합성 데이터 생성을 위한 강력한 지상 기반 생성형 AI 파이프라인을 구축한다.

• 권고 3 (시스템): 위성군 지능의 핵심 아키텍처로 연합 학습에 집중

• 계획 중인 EO/SAR 위성군의 궤도 역학과 통신 제약을 정확히 모사하는 고충실도 네트워크 모델에서 DFedSat과 같은 연합 학습 프레임워크 시뮬레이션을 시작한다.
• 링크 실패에 대응하기 위한 강건한 모델 집계, 동기화, 자기 보상 프로토콜을 개발하고 테스트하는 것을 핵심 연구 과제로 삼는다. 이것이 진정한 분산 지능을 구현하는 열쇠가 될 것이다.

 

참고 자료

1. Expandable On-Board Real-Time Edge Computing Architecture for Luojia3 Intelligent Remote Sensing Satellite - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/14/15/3596
2. Review on Hardware Devices and Software Techniques Enabling Neural Network Inference Onboard Satellites - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/16/21/3957
3. Nanosatellite Constellation and Ground Station Co-design for Low-Latency Critical Event Detection - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2503.01756v1
4. Onboard Data Processing - eoPortal, 10월 28, 2025에 액세스, https://www.eoportal.org/other-space-activities/onboard-data-processing
5. solutions | D-Orbit, 10월 28, 2025에 액세스, https://www.dorbit.space/solutions
6. AI/ML for Mission Processing Onboard Satellites - Lockheed Martin, 10월 28, 2025에 액세스, https://www.lockheedmartin.com/content/dam/lockheed-martin/space/documents/ai-ml/PIRA-aiaa-6.2022-1472-aiml-mission-processing-onboard-satellites-paper.pdf
7. On-Board Multi-Class Geospatial Object Detection Based on ... - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/15/16/3963
8. A Lightweight Object Detection Framework for Remote Sensing Images - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/13/4/683
9. Onboard Processing in Satellite Communications Using AI Accelerators - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2226-4310/10/2/101
10. A Survey of Change Detection Methods Based on Remote Sensing Images for Multi-Source and Multi-Objective Scenarios - MDPI, 10월 28, 2025에 액세스, https://www.mdpi.com/2072-4292/12/15/2460
11. Machine Learning-Based and AI Powered Satellite Imagery Processing for Global Air Traffic Surveillance Systems - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/390230651_Machine_Learning-Based_and_AI_Powered_Satellite_Imagery_Processing_for_Global_Air_Traffic_Surveillance_Systems
12. Generative AI for Predicting 2D and 3D Wildfire Spread: Beyond Physics-Based Models and Traditional Deep Learning - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2506.02485v1
13. Building Machine Learning Challenges for Anomaly Detection in Science - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2503.02112v1
14. When Geoscience Meets Generative AI and Large Language Models: Foundations, Trends, and Future Challenges - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2402.03349v1
15. Synthetic Data Generation for Anomaly Detection on Table Grapes - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/pdf/2412.12949
16. Generative AI for RF Sensing in IoT systems - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2407.07506v2
17. OmniAcc: Personalized Accessibility Assistant Using Generative AI - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2509.07220v1
18. Onboard Processing in Satellite Communications Using AI Accelerators - SciSpace, 10월 28, 2025에 액세스, https://scispace.com/pdf/onboard-processing-in-satellite-communications-using-ai-1y4u5843.pdf
19. (PDF) Hardware Platforms Enabling Edge AI for Space Applications ..., 10월 28, 2025에 액세스, https://www.researchgate.net/publication/394368753_Hardware_Platforms_Enabling_Edge_AI_for_Space_Applications_A_Critical_Review
20. Radiation-Tolerant FPGAs - Microchip Technology, 10월 28, 2025에 액세스, https://www.microchip.com/en-us/products/fpgas-and-plds/radiation-tolerant-fpgas
21. Space - AMD, 10월 28, 2025에 액세스, https://www.amd.com/en/solutions/aerospace-and-defense/space.html
22. 텔레픽스 - 위키백과, 우리 모두의 백과사전, 10월 28, 2025에 액세스, https://ko.wikipedia.org/wiki/%ED%85%94%EB%A0%88%ED%94%BD%EC%8A%A4
23. 위성 솔루션 전문 텔레픽스의 '테트라플렉스' 기술, NASA 위성 기술 보고서 등재, 10월 28, 2025에 액세스, https://www.besuccess.com/?p=174903
24. Low Power & Low Latency Cloud Cover Detection in Small Satellites Using On-board Neuromorphic Processors | Request PDF - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/372866491_Low_Power_Low_Latency_Cloud_Cover_Detection_in_Small_Satellites_Using_On-board_Neuromorphic_Processors
25. (PDF) Brainsat: Hardware Development of a Neuromorphic On-Board Computer Applied to Methane Detection from Low Earth Orbit. - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/386550593_Brainsat_Hardware_development_of_a_neuromorphic_on-board_computer_applied_to_methane_detection_from_low_earth_orbit
26. (PDF) Low-power Ship Detection in Satellite Images Using ..., 10월 28, 2025에 액세스, https://www.researchgate.net/publication/381485651_Low-power_Ship_Detection_in_Satellite_Images_Using_Neuromorphic_Hardware
27. Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2406.11319v1
28. A European Roadmap to Leverage RISC-V in Space Applications - TU Delft Research Portal, 10월 28, 2025에 액세스, https://research.tudelft.nl/files/144856099/A_European_Roadmap_to_Leverage_RISC_V_in_Space_Applications.pdf
29. RISC-V: The AI-Native Platform for the Next Trillion Dollars of Compute, 10월 28, 2025에 액세스, https://riscv.org/blog/risc-v-ai-native/
30. RISC-V Exceeding Expectations in AI, China Deployment - EE Times, 10월 28, 2025에 액세스, https://www.eetimes.com/risc-v-exceeding-expectations-in-ai-china-deployment/
31. RISC-V Solutions for Aerospace & Defense - SiFive, 10월 28, 2025에 액세스, https://www.sifive.com/solutions/aerospace-defense
32. NOEL-V: A RISC-V Processor for High-Performance Space Applications | Gaisler, 10월 28, 2025에 액세스, https://www.gaisler.com/news-events/noel-v-a-risc-v-processor-for-high-performance-space-applications
33. Space On Board Computing Platform Market Size to Hit USD 4.79 ..., 10월 28, 2025에 액세스, https://www.precedenceresearch.com/space-on-board-computing-platform-market
34. sat-QFL: Secure Quantum Federated Learning for Low Orbit Satellites - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/html/2509.16504v1
35. DFedSat: Communication-Efficient and Robust Decentralized ... - arXiv, 10월 28, 2025에 액세스, https://arxiv.org/abs/2407.05850
36. [PDF] Federated Learning in Satellite Constellations - Semantic Scholar, 10월 28, 2025에 액세스, https://www.semanticscholar.org/paper/Federated-Learning-in-Satellite-Constellations-Matthiesen-Razmi/66f8a335ed0744e9252828fac80e06d7da114184
37. Optimal Surveillance Scheduling for Multiple SAR-EO Satellite Train Constellation, 10월 28, 2025에 액세스, https://pure.kaist.ac.kr/en/publications/optimal-surveillance-scheduling-for-multiple-sar-eo-satellite-tra
38. Research on integrated satellite imaging planning systems and analysis of opportunities for satellite visits to the Korean Peninsula, 10월 28, 2025에 액세스, https://journal.kass.ne.kr/articles/pdf/8b8e/JOSS-2025-002-01-3.pdf
39. Optimal Surveillance Scheduling for Multiple SAR-EO Satellite Train Constellation | AIAA Aviation Forum and ASCEND co-located Conference Proceedings, 10월 28, 2025에 액세스, https://arc.aiaa.org/doi/abs/10.2514/6.2024-4851
40. Successive Observation Oriented Scheduling and Task Planning of Heterogeneous Constellation | Request PDF - ResearchGate, 10월 28, 2025에 액세스, https://www.researchgate.net/publication/380761756_Successive_Observation_Oriented_Scheduling_and_Task_Planning_of_Heterogeneous_Constellation
41. On-Orbit Data Centers: Mapping the Leaders in Space-Based AI ..., 10월 28, 2025에 액세스, https://www.cutter.com/article/orbit-data-centers-mapping-leaders-space-ai-computing
42. LEVERAGING COMMERCIAL ASSETS, EDGE COMPUTING, AND NEAR REAL-TIME COMMUNICATIONS FOR AN ENHANCED NEW OBSERVING STRATEGIES (NOS) F - JPL Artificial Intelligence Group, 10월 28, 2025에 액세스, https://ai.jpl.nasa.gov/public/documents/papers/NOS-IGARSS-2024.pdf
43. 텔레픽스 기업정보 - 점핏 - 사람인, 10월 28, 2025에 액세스, https://jumpit.saramin.co.kr/company/Njg0ODEwMTU2Mg==?company_nm=%ED%85%94%EB%A0%88%ED%94%BD%EC%8A%A4
44. 위성용 엣지 AI 컴퓨터 개발…NASA가 인정한 한국 회사는 - 서울경제, 10월 28, 2025에 액세스, https://www.sedaily.com/NewsView/2GQBGPB372
45. ksas.or.kr, 10월 28, 2025에 액세스, https://ksas.or.kr/wp/2022b/SessionPaperList.asp?code=1643