IoT기반 초연결 공간 분산지능 기술

IoT 기술은 연결성과 관리 중심의 1.0에서 초연결성, 지능 중심의 2.0으로 진화 중이며, 지능화, 복잡계화가 진행되고 있다[(그림 2) 참조]. 즉, 사물의 등록, 탐색, 연결을 통해 모든 것이 인터넷에 연결된 세상을 이루기 위한 IoT 1.0에서 이젠 사물에 지능을 부여하여 현장에서 문제에 대응하는 즉시적 해결이 가능한 2.0 시대로 진입하고 있다.

(그림 2)

IoT 1.0 vs 2.0

초연결된 IoT 공간에서 지능적으로 해결되어야 할 문제 중에는 모든 정보와 지능적 역량이 한 곳에 모이는 것도 어렵고, 개별적 상황을 모두 완전히 반영하기도 어려운 환경이 존재한다. 우리는 이를 복잡계 문제라고 한다. 제조, 재난안전, 교통, 금융, 물류, 유통, 소셜네트워크, 에너지 등은 현대사회가 안고 있는 복잡계 문제의 대표적인 사례이다. 이와 같은 복잡계 문제는 <표 1>과 같은 특징을 가지고 있다.

<표 1>

복잡계 문제의 특징[4]

제조분야는 분산지능의 한 부류인 멀티에이전트 시스템으로 풀고자 많은 노력을 해왔던 복잡계의 한 예로서, 특히 4차 산업혁명의 원조 격인 독일의 인더스트리 4.0이 부각되면서 더욱 주목을 받는 분야이다[(그림 3) 참조]. 인더스트리 3.0은 소재, 제품, 기기의 지능화를 통해 중앙제어장치의 명령을 받아 생산기기가 소재를 가공하던 일방향 서비스 로직인 반면, 인더스트리 4.0은 소재와 반제품이 스스로 지능화된 생산기기와 무선으로 데이터를 송수신하면서 생산 경로를 결정하는 모듈 단위의 유연한 분산·자율제어 생산체계이다. 인더스트리 4.0에서 분산·자율제어 생산체계가 유리한 것은 과거의 소품종 대량생산 체제가 다품종 소량생산 체제로 전환되는 환경에 기인하며, 대량 생산체계에서 생산계획을 세우는 것은 관련 전문가들이 많은 시간을 소요하면서 최적의 계획(Global Optimization)을 만들어 내는 복잡한 과정이 요구된 반면, 다품종 소량 생산체계에서는 수시로 변경되는 제품 생산 요구에 대응하기 위해 최적에 가까운 계획(Local Optimization)을 빠르게 찾아내는 것이 요구되기 때문이다.

(그림 3)

Industry 3.0 vs Industry 4.0[5]

[출처] 박형근, 김영훈, “인더스트리 4.0, 독일의 미래 제조업 청사진,” 포스코 경영연구소 POSRI보고서, 2014. 2.

화재현장은 사람(소방구조대원), 사물(소방드론, 소방로봇 등 각종 소방 장치), 공간(건물의 정보)이 유기적으로 연결된 초연결 지능 공간이며, <표 1>의 복잡계 특성을 갖는 소규모 공간의 예가 된다. 소방관의 소방활동, 화재의 진행 방향, 화인에 의한 폭발 예측, 실내외 대류변화 등 수 많은 예측불가 요인이 공존(Unpredictable & Sensitive)하며 화염이나 장애물에 의한 통신단절과 이에 따른 고립이 빈번하여 한 곳으로 정보가 모일 수도 없고 한 곳에서 통제할 수도 없는 환경을 연출(NSPL)한다. 여기에 더해, 긴박하고 복잡한 현장 상황은 소방관의 집중력을 저하시켜 무전을 통한 육성 전달에 의존하고 있는 소통에 어려움을 유발하며, 상황에 따른 임무 변화는 소방전술 숙지도에 따라 오동작을 유발할 수 있다(Human Error). 따라서 인간의 생명을 다루는 현장 상황은 즉각적이어야 하며, 정확한 상황판단이 없을 경우 인명피해로 이어질 수 있다(Time Critical).

위 사례에서 살펴볼 수 있듯이, 일반적인 대규모 환경의 복잡계 문제뿐만 아니라 상대적으로 작은 규모의 환경에서도 복잡계의 특성을 갖는 공간이 얼마든지 존재하며, 이러한 공간에서도 현장 상황에 따라 분산 지능사물의 협업, 소방활동 효율화를 위한 미션(구조, 소방, 구급) 해석과 역할 분배, 자가학습을 통한 소방전술 개발에 효과적인 해결방법이 될 수 있다.

분산지능은 한 곳에서 풀기 어려운 복잡계 문제를 지능을 갖는 에이전트를 분산시켜 해결하는 기술로써 (그림 4)과 같이 국지적인 정보를 통해 국지적 최적화를 수행하고 이러한 결과들이 전역적인 최적화 효과를 발생시키는 형태로 문제를 해결하게 된다.

(그림 4)

복잡계 문제의 해결 방법

분산지능은 DPS(Distributed Problem Solving), MAS(Multi-Agent System), SI(Swarm Intelligence), PAI(Parallel AI) 등으로 구분되며 각각의 차이는 아래와 같다[6], [(그림 5) 참조].

(그림 5)

분산지능의 기술적 분류

• DSP: 하나의 커다란 문제 해결을 위해 문제를 나누고, 분산된 노드에서 처리하고, 부분적 결과를 매시업 하여 최종 결과를 도출하는 방법.

• MAS: 각기 다른 관심과 목적을 갖는 이종의 분산 노드 환경에서 각 노드들은 협업과 경쟁, 동의와 부정의 과정으로 결과를 도출.

• SI: 동일한 관심과 목적을 갖는 동종의 분산 노드 환경에서 마스터 플랜 없이 각 노드의 단순한 절차를 통해 결과를 도출.

• PAI: 병렬처리 시스템을 활용한 AI.

분산지능의 분야 중 DPS는 방법적인 특성을 가지며, PAI는 병렬처리 시스템을 기반으로 하고 있으므로, 본 고에서는 IoT와 관련성이 높은 군집지능과 멀티에이전트 시스템에 대해서 알아본다.

군집지능 기술은 앞 절에서 기술한 바와 같이, 동일한 특성의 노드들이 동일한 규칙이나 룰을 기반으로 미션을 수행하는 기술로써, 특히 군집지능을 활용한 로봇 제어기술 개발이 활발하게 진행되고 있으며, 복수의 무인기와 물류 로봇 제어의 충돌방지 및 경로 최적화 등에 활용되고 있다. 군집로봇에 대한 연구는 군집을 이루는 생명체를 모방하여 로봇들 간의 직접적인 정보 교환 없이 개별적 행동의 집합이 군집 지능으로 발현되는 좁은 의미의 군집로봇, 즉 스웜 로봇에 집중해 온 경향이 강하다. 실제적으로 활용도가 높은 군집로봇은 전체 로봇팀의 임무를 결정하고 상호 간 교신하며 역할을 분담하여 작업하는 방식으로 운영체계를 갖추어야 하는데, 이를 지원하는 표준 아키텍처의 부재가 큰 문제로 대두되고 있다.

국내 항공우주연구원은 군집지능을 활용하여 복수 무인기용 군집지능 시스템 및 통신망 구성 최적화, 작업 경로에 따른 매니퓰레이터 변수 최적 설계 등의 연구를 진행하고 있다. 하버드대 자가조직시스템센터에서 만든 킬로봇(Kilobot)은 1,000여 개의 작은 로봇이 협업하여 이미지를 만드는 것이 가능하며, 향후에는 환경을 정화하거나 결합하여 건축물을 만드는 등의 여러 가지 임무 수행이 예상된다[(그림 6) 참조]. 노스캐롤라이나 주립대 연구진은 무너진 건물과 같은 미지의 환경에 대해 지도를 작성할 수 있는 바이오봇(Biobot)이라는 곤충 사이보그 무리를 개발하였으며, 카이스트는 리더 로봇을 중심으로 나머지 8대 로봇이 일정한 거리와 각도를 유지하면서 이동하는 형태의 군집 해파리 퇴치 로봇 제로스(Jeros)를 개발한 바 있다[(그림 7) 참조]. 아마존은 물류관리용 KIVA 로봇의 경로 설정, 충돌 회피 등에 군집지능을 활용하여 창고 물류의 혁신을 이룬 바 있다.

(그림 6)

하버드대 킬로봇

[출처] Harvard University, “Kilobots,” CC BY-NC-SA 3.0. https://ssr.seas.harvard.edu/kilobots

(그림 7)

해파리퇴치 로봇 제로스

원본: KAIST, “명현 교수, 해파리 퇴치용 군집 로봇 개발,” KAIST 웹 뉴스, 2013. 8. 19.

EU는 2016년부터 H2020을 통해 CPSwarm 이라는 프로젝트를 수행하고 있으며 프라운호퍼를 비롯한 총 8개의 기관이 공동연구를 수행하고 있다. CPSwarm에서는 분산된 CPS 간 협업을 하기 위한 각종 툴체인을 제공하고, 다양한 목적에 따라 모델별 라이브러리를 제공하여 시뮬레이션을 수행하며 실 환경과 연계를 시킬 수 있는 CPS 간 자율적 통합운용환경 개발을 목표로 하고 있다.

이밖에도 미국에서 2013년부터 조직된 TerraSwarm은 UC Berkeley 등 10개 대학과 DARPA, IBM, 인텔 등이 참여하여 군집 연구를 수행 중이며, 군집 기술과 관련된 플랫폼의 OS, 클라우드 연계, 모델링과 방법론, 각종 응용 서비스 등 전 분야에 대한 연구를 수행하고 있다.

멀티에이전트 시스템은 복잡계 문제를 해결하기 위해 다수의 에이전트가 상호작용하여 임무를 수행하는 시스템이다. 멀티 에이전트 시스템은 1990년대 제안된 이후 현재까지 특정 문제를 모델링하고 시뮬레이션하는 분야에 가장 많이 쓰이고 있으며, 이러한 멀티 에이전트 시스템을 가장 잘 홍보한 사례는 로봇 축구이다.

최근 인공지능 분야도 개별 단위 인공지능에서 사회성, 협력, 경쟁 모델을 가진 멀티 에이전트 기반 인공지능으로 발전하고 있으며, 멀티 에이전트 환경에서 에이전트가 다른 에이전트의 영향을 받아 강화 학습을 수행하는 분야가 인공지능 학계의 큰 트렌드가 되고 있다.

VR 엔진 중 하나인 유니티엔진(Unity)에서는 인공지능 에이전트(Machine Learning Agents)를 추가하여 VR을 통해, 에이전트끼리 경쟁, 협동, 분업이 필요한 상황에서 발생 가능한 복잡한 멀티 에이전트 시스템을 연구할 수 있도록 하고 있다. 미국 NSF에서 후원한 ‘미국 로보틱스 로드맵-인터넷에서 로보틱스로(2016)’ 중 멀티 에이전트 기반의 다중-로봇 기술에 따르면, 제조업, 물류(창고관리), 네트워크 연장, 재난감시, 건설 등 다양한 분야에서 멀티 에이전트 시스템이 활용되지만, 현재 기술수준은 단순한 동종 로봇집합을 제어하는 수준에 머무르고 있으며, 향후 이기종 로봇의 제어와 단시간에 동작을 최적화하는 기술의 개발이 필요한 것으로 보고되고 있다.

분산지능이 구현되는 IoT 환경은 일반적으로 불특정한 이종의 디바이스들이 상호 간에 연결되어 정보를 교환하고 각기 다른 관점의 결론을 통해 의사결정을 하는 시스템으로 멀티 에이전트 시스템이 가장 유사하다. 이러한 특성은 복잡계 문제의 해법으로 많은 주목을 받고 있으며, 다음과 같은 분야에 활용이 가능할 것으로 기대된다[7].

• 생산관리, 수요공급체인 및 로지스틱스 분야에서는 생산 스케줄링 및 리소스 분배, 유동적인 차량 및 제품 라우팅 기술.

• 교통관제의 경우 복잡한 상황/환경에서의 교통 흐름 최적화 방안, 차량 간의 커뮤니케이션, 공중의 교통관제 기술 등.

• 에너지 및 스마트 그리드 분야에서는 대규모 네트워크의 에너지 생산자와 소비자 모니터링 및 매니징, 재사용 가능한 리소스의 재분배, 효율적으로 다수의 전기차를 충전하는 방법[8] 등의 세부 분야.

• 빌딩 및 홈 오토메이션 분야는 분산된 오토메이션 기계들의 네트워크 모니터링 및 매니징 기술 분야가 존재하며, 멀티 에이전트에 기반한 지능적인 제어 시스템을 활용하여 빌딩에서의 효율적인 에너지 및 편의 관리 시스템 개발이 가능[9].

• 국방 및 방어체계에선 감시, 패트롤, 안전한 수송, 미지 탐사 등의 목적의 다중 로봇 그룹 컨트롤 및 제어에 적용 가능.

• 네트워크 보안의 경우 분산된 네트워크 트래픽 분석 및 공격 감지 등의 적용 분야가 존재.

이러한 다양한 적용 가능성에도 불구하고, 현재 멀티 에이전트 시스템의 실제적 적용 성공 사례는 컴퓨터 게임과 같이 가상공간의 복잡계 문제에 제한적이며, 현실 세계와 결합된 성공사례는 아직 찾아보기 어렵다[10].

합의는 어떤 의견을 가진 주체들이 서로 간의 논의 과정을 거쳐 결론에 이르는 것을 의미한다. 분산된 다수 의견에서 하나의 결론으로 도출하는 과정은 인간에게도 간단치 않은 과정이다. 사회학에서 말하는 인간의 합의 방법은 통계적 합의와 논의적 합의 두 가지로 구분된다[11].

통계적 합의란, 개개인의 생각이나 판단이 타인에게 영향을 주지 않는 환경에서 객관적으로 취합되어 결론에 이르는 합의 과정을 말하며, 개개인의 올바른 판단의 확률이 높을 경우 정확도가 높은 결론이 도출될 가능성이 높아지는 방법이다.

논의적 합의란, 구성원들이 생각을 서로 간의 논의를 통해 교환하면서 하나의 결론을 도출하는 일반적인 인간의 회의 과정을 포함하는 과정으로, 권위자 혹은 빅마우스의 의지에 의해서 잘못된 결론에 이르는 경우가 종종 발생하는 것으로 알려져 있다.

멀티 에이전트 시스템에서는 인간의 합의 과정을 모방하여, 오래전부터 에이전트 간 결론 도출을 위한 다양한 알고리즘들이 개발되어 왔다. 콩도르세 조건을 기반으로 하는 Voting 알고리즘을 비롯하여 Ranking, Auction 등의 기법들이 활용이 가능하며, 게임이론에 입각한 다양한 알고리즘들이 존재한다.

최근에 급부상하고 있는 블록체인 기술은 누군가의 보증 없이 내용을 신뢰할 수 있게 해주는 기술로써, 거래 보증을 위한 많은 비용이 발생하던 기존 방법을 개선할 수 있는 기술로 주목을 받고 있다. 블록체인 기술의 핵심은 블록체인에 가입된 분산된 노드들이 모든 트랜잭션 정보 및 자산 결정 기록을 공유하고, 정보에 대한 수정을 불가능하게 하는 분산 DB와 프로토콜 기술이라 할 수 있다. 특히, 멀티에이전트 시스템의 의사 결정에 있어서 중요한 합의의 도구로 블록체인의 합의 기술인 분산합의(Distributed Consensus) 및 이력 맥락(Historical Context)의 사용이 가능한 것으로 알려져 있다. 그러나, 구현된 블록체인 플랫폼의 육중함은 일반적인 IoT 환경에의 활용에 한계가 있다는 점, 합의의 대상이 신규 블록 결정에 한정되어 제한적이라는 점이 극복되어야 폭넓은 활용이 가능할 것으로 보인다.