비행체/주변환경 데이터 기반 무인기 의사결정 알고리즘

무인기 의사결정 알고리즘의 개요

 

무인기(UAV) 의사결정 알고리즘은 복잡한 환경에서 자율적으로 비행하고 임무를 수행하기 위한 핵심 기술입니다 [14]. 이러한 알고리즘은 무인기가 현재 상태를 인식하여 스스로 선택할 수 있는 행동 중 보상을 최대화하는 행동 혹은 행동 순서를 선택하는 데 중요한 역할을 합니다 [12]. 특히 무인기를 위한 자율 시스템은 임무 목표, 임무 상황, 무인기의 상태를 기반으로 목표 달성을 위해 현재 수행할 행동을 결정하는 의사결정 능력을 갖추고 있습니다 [42].

 

무인기의 자율주행 시스템에서 경로 계획 알고리즘은 비행 임무를 수행하는 동안 항공기가 따라갈 최적의 비행 경로를 결정하는 과정을 의미합니다 [5]. 이 비행 경로에는 항공기의 주행 경로, 고도, 속도, 헤딩 등이 포함되며, 임무의 특성과 환경적 제약 조건을 고려하여 계획됩니다 [5]. 비행 경로 계획은 항공기의 안전한 운행을 보장하기 위해 필수적이며, 최적의 경로를 선택하고 장애물을 피하는 것은 충돌 및 사고를 방지하는 데 중요합니다 [5].

 

센서 데이터 수집과 무인기 의사결정

 

무인기는 다양한 센서를 통해 주변 환경 데이터를 수집하며, 이는 비행체의 작동, 환경 감지, 상황 인식에 필수적인 역할을 합니다. 일반적으로 사용되는 센서에는 LiDAR, GPS/INS, 카메라 및 영상 센서 등이 포함됩니다. LiDAR 센서는 UAV가 지형의 3D 모델을 생성하고 고해상도 환경 데이터를 수집하는 데 유용하며, 특정 지점의 환경 상태를 정밀하게 측정할 수 있습니다. 이러한 측정은 정확도 0.03m에서 0.05m 범위로 매우 정밀합니다.

 

무인항공기 대기측정센서 데이터는 UAV의 의사결정 알고리즘에서 중요한 입력 요소가 됩니다 [17]. 주변 환경에 대한 정확한 인식은 UAV가 비행 경로를 계획하고 장애물을 회피하는 데 필수적입니다 [2]. LiDAR 센서는 거리 측정 및 표면 형상을 정밀하게 분석하는 데 사용되며, 이를 통해 수집된 데이터는 지형 모델링, 건설 및 환경 모니터링에 활용될 수 있습니다 [2].

 

무인기를 위한 데이터 처리 소프트웨어는 원시 데이터를 처리, 분석하고 실행 가능한 통찰력으로 전환하는 역할을 합니다 [2]. FlyPix AI와 같은 플랫폼은 고급 인공지능을 사용하여 지구 표면을 분석하도록 설계되었으며, 지리공간 이미지 내의 객체를 탐지하고 분석하는 데 특화되어 있습니다 [2]. 이러한 데이터 처리 도구는 무인기가 수집한 정보를 바탕으로 의사결정을 내리는 데 중요한 역할을 합니다 [2].

 

LiDAR 센서 기반 환경 인식 기술

 

무인비행체의 LiDAR 데이터 특성 분석은 환경 인식과 의사결정 알고리즘의 기초가 됩니다 [1]. UAV LiDAR 활용을 위한 데이터 취득 조건별 점밀도 분석은 환경 데이터의 품질을 결정하는 중요한 요소입니다 [1]. 멀티채널 LiDAR 센서 기반 차량 검출 플랫폼을 위한 효율적인 저전력 신호처리 기법과 같은 기술은 무인기의 데이터 처리 효율성을 높입니다 [1].

 

3D LiDAR를 이용한 지상 장애물 탐지 시스템 설계는 UAV가 안전하게 비행할 수 있도록 지원합니다 [1]. 무인기 플랫폼 기반 실시간 LiDAR 데이터 처리구조 제안은 데이터 수집부터 의사결정까지의 전체 프로세스를 효율화합니다 [1]. LiDAR 신호처리 플랫폼을 위한 프레임 간 마스킹 기법 기반 유효 데이터 전송량 경량화 기법은 데이터 처리 효율성을 높이는 데 기여합니다 [1].

 

인공지능 학습을 위한 Multi-Channel LiDAR 성능평가와 장애물 검출을 위한 LiDAR 성능 비교 연구는 무인기의, 센서 선택과 데이터 품질을 향상시킵니다 [1]. LiDAR를 이용한 항공용 장애물 탐지 개발 연구는 비행 안전성을 높이는 데 중요한 역할을 합니다 [1]. 드론과 지상 LiDAR를 활용한 포인트클라우드 데이터 융합 기반의 건물 실내외 모델링은 환경 인식의 정확도를 향상시킵니다 [1].

 

무인기 데이터 처리 플랫폼

 

드론 데이터 처리 소프트웨어는 항공 데이터를 계획, 캡처, 처리 및 분석하기 위한 포괄적인 솔루션을 제공합니다 [2]. 이러한 소프트웨어는 원시 데이터를 처리, 분석하고 실행 가능한 통찰력으로 전환하는 역할을 합니다 [2]. FlyPix AI는 고급 인공지능을 사용하여 지구 표면을 분석하도록 설계된 지리공간 플랫폼으로, 지리공간 이미지 내의 객체를 탐지하고 분석하는 데 특화되어 있습니다 [2].

 

Quantum-Systems의 Trinity Pro는 고급 항공 매핑 솔루션으로, 다양한 산업의 변화하는 요구 사항에 적응하도록 설계되었습니다 [2]. Trinity Pro는 컴퓨팅 파워, 내부 스토리지 및 연결성을 향상시키는 Quantum-Skynode 자동 조종 장치와 같은 기능으로 성능을 입증했습니다 [2]. 이 플랫폼은 AI 기능과 같은 미래 통합을 지원하여 전문가가 항공 데이터를 기반으로 정보에 입각한 결정을 내릴 수 있도록 합니다 [2].

 

Pixpro는 사용자 친화적이고 광범위한 사용자가 접근할 수 있도록 설계된 전문적인 사진 측량 소프트웨어입니다 [2]. 이 소프트웨어는 직관적인 레이어 시스템과 비파괴 편집을 기반으로 하는 깔끔한 인터페이스를 특징으로 하며, 빠르게 배우고 익힐 수 있습니다 [2]. Pixpro는 클라우드와 로컬 컴퓨팅을 모두 지원하여 사용자가 자신의 Windows PC에서 데이터를 처리하거나 Pixpro 서버에 안전하게 업로드할 수 있습니다 [2].

 

데이터 융합 기법과 의사결정 알고리즘

 

무인기의 의사결정 알고리즘에서 데이터 융합 기법은 다양한 센서로부터 수집된 데이터를 통합하여 더욱 정확하고 신뢰성 있는 의사결정을 지원합니다 [25]. 레이더와 카메라 데이터의 융합은 단일 센서 시스템의 한계를 해결할 뿐만 아니라 다양한 환경에 적응할 수 있도록 보장합니다 [25]. 칼만 필터 알고리즘과 퍼지 알고리즘을 기반으로 한 데이터 융합 기법은 UAV 센서에서 효과적이고 신뢰할 수 있는 성능을 보여줍니다 [26].

 

UAV 착륙 유도를 위한 다중 센서 데이터 융합은 베이즈 추정에 기반한 알고리즘을 활용하여 드론의 자율 착륙 과정에서 정확한 위치 결정을 가능하게 합니다 [27]. 다중 센서 데이터 융합 기법과 머신 러닝은 UAV 응용 프로그램에 중요하며, 센서와 플랫폼의 표현형 정보 분석을 크게 확장할 수 있습니다 [28].

 

모델 기반 설계 기법을 이용한 무인항공기의 침입기 추적 및 충돌회피 연구에서는 추적, 데이터 융합, 충돌회피 알고리즘의 효과적인 검증이 이루어졌습니다 [29]. 이 연구에서는 무인항공기와 침입기의 움직임을 모사한 수치 시뮬레이션 환경을 구성하여 알고리즘의 성능을 테스트했습니다 [29].

 

경로 계획 및 장애물 회피 알고리즘

 

무인 비행체의 경로 계획 알고리즘은 오프라인에서 장애물이 없는 공간을 가정하고 무인 비행체의 동특성을 고려한 경로점을 생성합니다 [30]. 특히, A* 경로계획 알고리즘은 탐색하지 않은 공간을 향해 최단 거리 경로를 따라 비행하는 데 활용됩니다 [31]. 무인 항공기 자율 비행 시스템에서는 Dijkstra 알고리즘, A* 알고리즘 등의 경로 탐색 알고리즘을 활용하여 목적지에 도달하기 위한 최단 경로를 계획합니다 [5].

 

무인항공기의 동적 장애물 회피를 위한 RRT 기반 실시간 경로 계획 연구에서는 RRT 알고리즘의 최적성을 보완하는 Anytime DRRT 알고리즘이 제안되었습니다 [6]. 다중 무인 항공기 이용 감시 및 탐색 경로 계획 생성 연구에서는 다각형 형태의 지정된 영역을 단시간에 효율적으로 탐색을 완료하는 커버리지 경로 계획 알고리즘이 개발되었습니다 [32].

 

장애물 회피를 위한 경로 계획 기법으로는 경로 계획 기반 회피가 있으며, 이는 드론이 비행 계획을 수립할 때 장애물을 고려하여 최적 경로를 계산하는 방법입니다 [7]. 이러한 장애물 회피 기술은 도심 환경에서의 안전한 드론 운용을 위해 필수적입니다 [7].

 

LSTM 및 강화학습 기반 의사결정 모델

 

UAV 클러스터의 자율적 의사결정 방법은 Multi-Agent Reinforcement Learning(MARL)을 기반으로 제안되었습니다 [9]. 이 방법은, 복잡한 통신 제약 환경에서 UAV가 협력적 공격 임무를 수행하는 데 필요한 의사결정 메커니즘을 제공합니다 [9]. 먼저, UAV 클러스터의 자율적 의사결정 과정을 Decentralized Partially Observable Markov Decision Processes(Dec-POMDPs)로 모델링했습니다 [9].

 

이 알고리즘은 Multi-Agent Deep Deterministic Policy Gradient(MADDPG) 프레임워크 내에서 강화되어, 명시적인 인터-인텔리전트 통신 메커니즘을 설계함으로써 UAV 간 정보 교환을 가능하게 했습니다 [9]. 또한, 이 알고리즘은 UAV의 로컬 관측치를 처리하기 위해 Long Short-Term Memory(LSTM) 네트워크를 활용하여, 현재 관측과 과거 데이터를 결합함으로써 전송된 정보의 효과성을 높였습니다 [9].

 

다양한 통신 제약 시나리오에서 여러 차례의 실험을 통해, 제안된 방법이 기준 알고리즘인 MADDPG에 비해 작업 완료 능력을 46.0% 향상시키고 안정성을 24.9% 개선했음이 확인되었습니다 [9]. 또한, 이 알고리즘은 더 나은 일반화 능력을 보여주며 확장성이 우수하여 다양한 수의 UAV에 효과적으로 적응할 수 있습니다 [9].

 

UAV 群 공중 전투를 위한 의사결정 방법

 

UAV 무리 공중 전투 기동 의사결정 방법은 다중 에이전트 강화학습(MARL)을 기반으로 제안되었습니다 [10]. 이 방법은 적과 아군 UAV로부터 정보를 이용해 정확한 기동 결정을 내려야 하는 무인 공중 전투의 도전 과제를 해결합니다 [10]. 이 연구에서는 서로 다른 유형의 상황 정보를 처리할 수 있는 세 개의 하위 네트워크를 포함하는, 액터 네트워크를 설계했습니다 [10].

 

이를 통해 단순한 일대일 시나리오에서 얻은 결과를 활용하여 복잡한 군집 공중 전투 훈련 과정을 강화할 수 있습니다 [10]. 액터 및 크리틱 네트워크를 위해 로컬 및 글로벌 정보에 대한 별도의 상태 공간이 설계되었습니다 [10]. 참여를 장려하기 위한 상세한 보상 함수가 제안되었고, 공중 전투에서 게으른 참가자를 방지하기 위해 보상 할당 작업이 적용되었습니다 [10].

 

시뮬레이션 테스트 및 분석 실험을 통해 전송 작업과 보상 할당 작업 모두 군집 공중 전투 시나리오를 효과적으로 처리할 수 있으며, 제안된 방법의 효과성을 반영한다는 것이 입증되었습니다 [10].

 

AI 기반 드론 자율 내비게이션 및 의사결정

 

AI 알고리즘은 드론이 내비게이션 전술을 동적으로 조정하고, 비행 궤적을 최적화하며, 예상치 못한 상황에 지능적으로 대응할 수 있게 합니다 [34]. 이러한 기술은 실시간 데이터 분석과 의사결정을 위한 AI 시스템이 드론의 자율성을 크게 향상시킵니다 [8]. 이 시스템은 고급 알고리즘과 머신러닝 기법을 사용하여 온보드 센서의 데이터를 해석하고, 패턴을 인식하며, 상황을 평가한 후 최선의 행동을 결정합니다 [8].

 

UAV의 경로 계획을 위한 심층 강화학습 방법론은 동적이고 불확실한 환경에서 최적의 행동 정책을 학습할 수 있게 합니다 [35]. 이러한 접근 방식은 드론이 다양한 환경을 탐색하고 장애물을 피하는 능력을 개선하는 데 기여합니다 [35]. 심층 강화학습은 특히 연속적이고 고차원적인 상태 공간에서 유용하며, 지속적으로 위치, 속도, 목적지가 변화하는 자율주행에 특히 효과적입니다 [12].

 

드론 자율 내비게이션을 위한 접근 방식 중 하나는 자연어 지시를 사용하여 경로 계획을 수행하는 것입니다 [36]. 드론이 "더 넓은 경로를 선택하라"나 "작은 장애물에 주의하라"와 같은 자연어 지시를 이해하고 이에 따라 행동할 수 있게 하는 기술이 개발되고 있습니다 [37].

 

다양한 환경 조건에서의 UAV 의사결정 알고리즘

 

UAV의 의사결정 알고리즘은 다양한 환경 조건에서 효과적으로 작동하기 위해 설계되었습니다 [14]. 이러한 알고리즘은 현재 상태를 인식하고 스스로 선택할 수 있는 행동 중 보상을 최대화하는 행동을 선택하는 강화학습 방법론을 기반으로 합니다 [14]. UAV 조종 의사결정 알고리즘은 깊은 강화학습에 기반하여 UAV 에이전트가 상호작용 환경에서 효율적인 기동을 생성할 수 있게 합니다 [14].

 

특히, Prioritized Experience Replay(PER)를 사용한 학습 알고리즘은 의사결정 네트워크 훈련에서 수렴 속도를 가속화할 수 있습니다 [14]. 다양한 환경 조건에서 광범위한 실험 결과를 통해 바람직하고 효과적인 기동 의사결정 정책을 찾을 수 있음이 입증되었습니다 [14]. UAV 기동 의사결정 모델은 마르코프 결정 과정(MDPs)을 기반으로 구축되었으며, 비행 상태 공간, 비행 행동 공간 및 보상 함수를 설계했습니다 [14].

 

UAV의 자율 환경 감지와 의사결정 네트워크는 일반적으로 액터-크리틱 아키텍처에 기반한 깊은 강화학습 알고리즘을 통해 학습됩니다 [14]. 이는 UAV가 연속적인 상태 공간과 행동 공간을 가진 MDPs 문제를 효과적으로 해결할 수 있게 합니다 [14]. 이런 의사결정 알고리즘은 다양한 시나리오에서 높은 성공률과 안정성을 보여줍니다 [14].

 

의사결정 알고리즘에서의 데이터 기반 모델과 규칙 기반 모델 비교

 

비행체의 의사결정 알고리즘에서 데이터 기반 모델과 규칙 기반 모델은 서로 다른 접근 방식을 갖습니다 [11]. 규칙 기반 시스템은 자신의 할 일만 하도록 프로그래밍 된 시스템으로, 더 적은 노력이 들고, 비용 효율적이며, 덜 위험하지만 경직되어 있습니다 [39]. 데이터 기반 모델은 머신러닝이나 딥러닝 기법을 사용하여 패턴을 식별하고 예측을 수행하는 반면, 규칙 기반 모델은 사전에 정의된 규칙을 사용하여 의사결정을 합니다 [39].

 

규칙 기반 모델은 모듈별로 분할된 유사한 기능의 규칙들로 구성되어 있습니다 [11]. 이 모델은 수백, 수천 개의 규칙이 하나의 집합으로 구성되어 있으며, 이러한 규칙이 포함된 모듈만 찾으면 규칙 기반 모델보다 수정이 편리하다는 장점이 있습니다 [11]. 규칙 기반 모델은 명시적으로 정의된 'IF-THEN' 규칙을 사용하여 시스템의 행동을 결정합니다 [11].

 

반면, 데이터 기반 방법론은 머신러닝과 데이터마이닝을 활용하여 대량의 데이터로부터 패턴과 관계를 발견하고 예측 모델을 구축합니다 [11]. Machine Learning은 Data를 기반으로 학습을 하는 것이고, Deep Learning은 Deep Neural Network를 사용하여 더 복잡한 패턴을 학습합니다 [38]. UAV 비행 데이터를 처리하기 위한 데이터마이닝 알고리즘은 의사결정 경계를 보다 정확하게 학습할 수 있도록 하고 다수 클래스에 대한 편향을 방지합니다 [40].

 

의사결정트리 알고리즘은 데이터를 바탕으로 학습하여 의사결정 모델을 구축하는 대표적인 기법입니다 [13]. 이러한 알고리즘은 데이터의 특성을 기반으로 결정 노드를 생성하고, 이를 통해 새로운 입력 데이터에 대한 예측을 수행합니다 [13]. 이러한 의사결정트리 알고리즘은 CHAID, CART 등이 있으며, 각각의 알고리즘에 따라 결정 노드가 처리할 수 있는 데이터의 종류, 분류 기준, 분류 방법이 달라집니다 [13].

 

심층강화학습 기반 UAV 경로탐색 자동화 모델

 

UAV의 경로탐색 자동화를 위한 심층강화학습(Deep Reinforcement Learning) 기법은 UAV가 동적 건설현장 환경 내에서 다양한 비행경로를 탐색하고 학습하면서 스스로 최적의 비행 전략을 학습할 수 있게 합니다 [12]. 이러한 접근 방식은 UAV 자율 비행 능력을 향상시키는 데 중요한 역할을 합니다 [12]. 강화학습은 에이전트가 현재의 상태를 파악하고, 이를 기반으로 취할 수 있는 행동 중 보상을 극대화하는 방향으로 행동을 선택하는 기계학습 방법론 중 하나입니다 [12].

 

심층강화학습은 기존 강화학습에 대규모 데이터에서 복잡한 패턴을 학습시키기 위해 심층학습(Deep Learning)을 결합한 방식입니다 [12]. UAV의 경로탐색 자동화에 심층강화학습을 적용하기 위해서는 가상의 시뮬레이션 환경이 필요하며, 인간 근로자 객체가 무작위로 이동하는 가상의 동적 건설현장 환경을 Unity를 활용하여 구현할 수 있습니다 [12].

 

심층강화학습 기반 UAV 경로탐색 자동화 모델은 건설현장 내 환경에 무작위성을 부여하며, 근로자들의 움직임 속도를 다양하게 실험하여 환경의 무작위성이 증가함에 따라 UAV의 자율적인 경로탐색의 성능을 관찰할 수 있습니다 [12]. 실험 결과, DRL로 훈련된 경로탐색 자동화 모델이 GPS 내비게이션 알고리즘보다 더 효과적으로 무작위적이고 동적인 건설현장 내 근로자 모니터링에 필요한 자동화된 경로탐색을 수행할 수 있음이 확인되었습니다 [12].

 

UAV 통신 환경에서의 심층 Q-네트워크 기반 의사결정

 

심층 Q-네트워크 기반 접근은 다양한 환경에서 UAV의 자율적 의사결정을 가능하게 하여, 상호 간의 자원 간섭을 최소화하고 네트워크의 안정성을 높일 수 있습니다 [43]. 이러한 기술은 UAV가 복잡한 환경에서 효율적으로 작동하도록 지원합니다 [43]. 무인항공기의 다양한 응용 시나리오와 특정 비행 환경에 대한 경로 최적화를 위해 결합할 수 있는 다양한 알고리즘들이 있습니다 [44].

 

UAV 경로 계획 알고리즘은 장애물이나 조건의 변화를 감지하는 동안 UAV가 안전을 보장하고 성능을 향상시키기 위해 최적의 방식으로 궤적을 조정할 수 있게 합니다 [45]. 이러한 알고리즘은 UAV의 자율성과 적응성을 높이는 데 중요한 역할을 합니다 [45]. 무인기를 위한 자율 시스템은 임무 목표, 임무 상황, 무인기의 상태를 기반으로 목표 달성을 위해 현재 수행할 행동을 결정하는 의사결정 능력을 갖추고 있습니다 [42].

 

무인항공기/AI를 이용한 갯벌 생물 공간정보 구축 기술 개발 및 활용에서는 무인항공기를 이용한 지형변화, 연안환경변화 및 해양쓰레기 모니터링 연구 등이 수행되고 있으며, 인공지능 객체인식 기술이 활용되고 있습니다 [19]. 무인기를 이용한 광역부지 환경방사선측정 기술에서는 GPS 및 레이저 고도계를 이용하여 측정 위치정보를 동기화하고, 지상과의 원활한 데이터통신을 위한 기술이 개발되었습니다 [20].

 

향후 전망 및 연구 방향

 

무인기의 의사결정 알고리즘은 지속적으로 발전하고 있으며, 다양한 환경에서의 적응성과 효율성을 높이기 위한 연구가 진행되고 있습니다 [12]. 특히, 컴퓨터 비전 기술과 자동화된 UAV의 결합은 현장에서 수집된 영상을 자동으로 분석하여, 인간의 개입 없이 현장 안전 상태의 모니터링을 완전히 자동화할 수 있는 가능성을 제시합니다 [12]. 이러한 기술의 발전은 무인기의 응용 범위를 더욱 확장시킬 것으로 예상됩니다 [12].

 

UAV 기술의 발전에 따라, 향후에는 더욱 정교한 심층 강화학습 기반의 의사결정 알고리즘이 개발될 것으로 예상됩니다 [9]. 이러한 알고리즘은 더욱 엄격한 통신 제약 조건에서도 효과적으로 작동할 수 있을 것으로 기대됩니다 [9]. 또한, 더 큰 규모의 UAV 클러스터를 관리하기 위한 차원의 저주 문제를 해결하는 연구도 진행될 예정입니다 [9].

 

향후 연구는 Ubuntu ROS 및 Gazebo와 같이 실제 UAV 모듈에 인공지능 모델을 탑재하기 위한 기술적 방법론이 수반될 필요가 있습니다 [12]. 또한, 시뮬레이션 환경에서의 UAV 비행 고도 고려 및 안전 모니터링을 위한 보다 복잡한 과정을 추가로 고려해야 할 것입니다 [12]. 층간 이동을 수행할 수 있는 방법론에 관한 추가적인 연구도 필요합니다 [12].

 

─────────────────────────────────────────────────────────

 

참고문헌

 

[1] A Review of UAV Path-Planning Algorithms and Obstacle Avoidance ... (2024). https://www.mdpi.com/2072-4292/16/21/4019

[2] A UAV Maneuver Decision-Making Algorithm for Autonomous ... (2021). https://pmc.ncbi.nlm.nih.gov/articles/PMC8004906/

[3] [AIDEEPDIVE] AI vs ML vs DL (Rule-based vs Data-based) - velog. (2023). https://velog.io/@dahara3/AIDEEPDIVE-AI-vs-ML-vs-DL-Rule-based-vs-Data-based

[4] ai-enabled drone autonomous navigation and decision making for ... (2025). https://www.researchgate.net/publication/382409933_AI-ENABLED_DRONE_AUTONOMOUS_NAVIGATION_AND_DECISION_MAKING_FOR_DEFENCE_SECURITY

[5] Application of Reinforcement Learning in UAV Tasks. (2024). https://www.worldscientific.com/doi/pdf/10.1142/S2301385026300015?download=true&srsltid=AfmBOoohtmowkqo3v-kdgaDo-Ip3_3hmHIWoqV9D_rEVCHt2HxrWyQF2

[6] Artificial Intelligence Applied to Drone Control: A State of the Art - MDPI. (2024). https://www.mdpi.com/2504-446X/8/7/296

[7] Autonomous decision-making of UAV cluster with communication ... (2025). https://journalofcloudcomputing.springeropen.com/articles/10.1186/s13677-025-00738-9

[8] Autonomous UAV decision making under environment and target ... (n.d.). https://research.qut.edu.au/qcr/Projects/autonomous-uav-decision-making-under-environment-and-target-detection-uncertainty/

[9] Deep Reinforcement Learning based Automated UAV Path ... (2023). https://www.jcar.or.kr/articles/xml/d0wk/

[10] Enhancing multi-UAV air combat decision making via hierarchical ... (2024). https://www.nature.com/articles/s41598-024-54938-5

[11] Integration of Artificial Intelligence and IoT with UAVs for Precision ... (2025). https://www.sciencedirect.com/science/article/pii/S2773207X2500082X

[12] Introduction to AI - velog. (2023). https://velog.io/@goldcong/IntroductiontoAI

[13] Multi-sensor Data Fusion for UAV Landing Guidance Based on ... (2025). https://ieeexplore.ieee.org/document/9274904/

[14] [PDF] Data Fusion in UAV Sensors using Kalman Filter Algorithm and ... (n.d.). https://www.atlantis-press.com/article/126004102.pdf

[15] [PDF] UAV 통신 환경에서 심층 Q-네트워크 기반 무선 자원 할당 기법 Deep ... (2024). http://jkspe.kspe.or.kr/xml/44331/44331.pdf

[16] [PDF] 다중 무인 항공기 이용 감시 및 탐색 경로 계획 생성. (n.d.). https://jkros.org/xml/35742/35742.pdf

[17] [PDF] 드론을 이용한 대기환경정보 수집장치 개발 및 응용 연구. (n.d.). https://kism.or.kr/file/memoir/7_4_6(1).pdf

[18] [PDF] 모델 기반 설계 기법을 이용한 무인항공기의 침입기 추적 및 충돌회피 ... (n.d.). https://koreascience.kr/article/JAKO201708260284080.pdf

[19] [PDF] 무인 비행체의 환경 인지 및 경로 계획 연구동향. (n.d.). https://ettrends.etri.re.kr/ettrends/177/0905177005/34-3_043-054.pdf

[20] [PDF] 무인 비행체의 환경 인지 및 경로 계획 연구동향 - ETRI KSP. (n.d.). https://ksp.etri.re.kr/ksp/article/file/61100.pdf

[21] [PDF] 무인비행체 경로계획 기술 동향. (n.d.). https://ettrends.etri.re.kr/ettrends/209/0905209002/010-020.%20%EA%B6%8C%EC%9A%A9%EC%84%A0_209%ED%98%B8%20%EC%B5%9C%EC%A2%85.pdf

[22] [PDF] 무인항공기 기반 빅데이터 처리 시스템의 프로토타입 설계. (n.d.). https://kism.or.kr/file/memoir/5_2_6.pdf

[23] [PDF] 무인항공기/AI를 이용한 갯벌 생물 공간정보 구축 기술 개발 및 활용을 ... (2020). https://sciwatch.kiost.ac.kr/bitstream/2020.kiost/36563/1/%EB%AC%B4%EC%9D%B8%ED%95%AD%EA%B3%B5%EA%B8%B0AI%EB%A5%BC_%EC%9D%B4%EC%9A%A9%ED%95%9C_%EA%B0%AF%EB%B2%8C_%EC%83%9D%EB%AC%BC_%EA%B3%B5%EA%B0%84%EC%A0%95%EB%B3%B4_%EA%B5%AC%EC%B6%95_%EA%B8%B0%EC%88%A0_%EA%B0%9C%EB%B0%9C_%EB%B0%8F_%ED%99%9C%EC%9A%A9%EC%9D%84_%EC%9C%84%ED%95%9C_%EC%97%B0%EA%B5%AC_%EA%B8%B0%ED%9A%8D.pdf

[24] [PDF] 무인항공기를 응용한 미세먼지 모니터링 시스템 개발. (2022). https://www.kais99.org/jkais/journal/Vol23No08/vol23no08p69.pdf

[25] [PDF] 무인항공기의 불균형 수리부속에 대한 수요예측. (2023). https://www.kais99.org/jkais/journal/Vol24No06/vol24no06p38.pdf

[26] [PDF] 빅데이터와 환경. (2023). https://sjeec.or.kr/board/2023/06/15/1686811719_dc38bba5b94e759f6df6.pdf

[27] RISS 검색 - 국내학술지논문 상세보기. (n.d.). https://m.riss.kr/search/detail/DetailView.do?p_mat_type=1a0202e37d52c72d&control_no=110041dac10aa589b7998d826d417196

[28] TECHNOLOGY — Drones Rely on AI — Real-Time Data Analysis ... (2024). https://medium.com/@radovan.chovanec75/technology-drones-rely-on-ai-real-time-data-analysis-and-decision-making-ai-based-decision-30a777ec74af

[29] UAV Detection Multi-sensor Data Fusion. (2024). https://www.bryanhousepub.com/index.php/jrse/article/view/227

[30] UAV swarm air combat maneuver decision-making method based ... (2024). https://link.springer.com/article/10.1007/s11432-023-4088-2

[31] Using Multi-Sensor Data Fusion Techniques and Machine Learning ... (2024). https://www.mdpi.com/2504-446X/8/11/642

[32] 규칙기반 AI vs 머신러닝...최적 활용 조건은? - AI타임스. (2020). https://www.aitimes.com/news/articleView.html?idxno=129476

[33] 극한 환경에서의 정보전달을 위한 분산 무인기 운용 기법 - DBpia. (2021). https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11022730

[34] [논문]무인기를 이용한 광역부지 환경방사선측정 기술 현황 및 현장 ... (n.d.). https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO202031659968053

[35] [논문]의사결정트리 알고리즘을 이용한 학생진로 예측 프로그램의 설계. (2018). https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=NPAP12688121&dbt=NPAP

[36] 무인 항공기 자율 비행 시스템의 비행 경로 계획 알아보기. (2024). https://everything.yoplle.com/5

[37] 무인비행체 탐지성능 향상을 위한 LiDAR 데이터 처리 기법 연구 - DBpia. (2019). https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE08753076

[38] 무인항공기 대기측정센서 데이터와 LSTM 모델을 활용한 미세먼지 ... (n.d.). https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE09281622

[39] 무인항공기, 드론의 물류분야 적용. (2023). https://www.lotis.or.kr/trends/4827

[40] 무인항공기의 동적 장애물 회피를 위한 RRT 기반 실시간 경로 계획. (2021). https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE10613523

[41] [보고서]다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 ... (2024). https://scienceon.kisti.re.kr/srch/selectPORSrchReport.do?cn=TRKO202300002828

[42] 센서 데이터 수집 드론과 IoT 단말 간의 LTE 기반 무선통신시스템 구현. (n.d.). https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11108408

[43] 자율 드론 설계 배송 서비스와 장애물 회피 알고리즘 - infobeste. (2024). https://positive-impactor.tistory.com/388

[44] 최고의 드론 데이터 처리 소프트웨어 및 AI 도구 - FlyPix AI. (2024). https://flypix.ai/ko/blog/drone-data-processing-software-tools/

[45] 환경 빅데이터 분석 및 서비스 개발 | 국내연구자료 - KDI 경제교육. (n.d.). https://eiec.kdi.re.kr/policy/domesticView.do?ac=0000147182