Autonomous Urban Air Mobility

탄소 네거티브 인프라에서의 자율 도심 항공 모빌리티 (UAM) 경로 설정을 위한 프라이버시 보존 능동 학습 (Privacy-Preserving Active Learning)

나의 임시 실험실—라즈베리 파이 (Raspberry Pi) 클러스터, 반쯤 고장 난 드론, 그리고 과학이라기보다 현대 미술에 가까워 보이는 방정식들로 가득 찬 화이트보드—에서 보낸 좌절스러운 오후로부터 이 일은 시작되었습니다. 저는 자율 에어 택시 (air taxis)를 위한 경로 설정 모델을 훈련시키려 노력하고 있었지만, 반복할 때마다 민감한 위치 데이터를 유출하거나 컴퓨팅 크레딧 (compute credits)을 장작처럼 태워버리는 기분이 들었습니다. 문제는 단순히 기술적인 도전 과제만이 아니었습니다. 도심 항공 모빌리티 (UAM) 시스템이 부주의하게 구축될 경우, 탄소 섬유로 감싸인 감시의 악몽이 될 수 있다는 깨달음이었습니다.

개념이 머릿속에 명확히 떠오른 순간을 기억합니다. 저는 PyTorch 능동 학습 (active learning) 루프를 디버깅하는 동시에, 강화 학습 (reinforcement learning)에서의 차분 프라이버시 (differential privacy)에 관한 2023년 논문을 읽고 있었습니다. 그때 융합이 일어났습니다. 만약 우리가 능동 학습 (active learning)을 사용하여 사용자로부터 수집해야 하는 데이터를 최소화하고, 그 최소한의 데이터셋을 프라이버시 보장 (privacy guarantees) 기술로 보호할 수 있다면 어떨까? 그리고 시스템 전체가 탄소 네거티브 (carbon-negative) 인프라—태양광 발전 버티포트 (vertiports), 회생 제동 (regenerative braking), AI 최적화 에너지 그리드—를 통해 경로를 설정할 수 있다면 어떨까? 하는 생각이었습니다.

이 글은 그 탐구의 과정에 대한 이야기입니다. 이것은 다듬어진 완성품이 아닙니다. 프라이버시 (privacy), 자율성 (autonomy), 그리고 지속 가능성 (sustainability)의 교차점을 통과하는 학습 여정입니다. 저는 여러분에게 기술적 아키텍처 (technical architecture), 제가 쓰고 다시 썼던 코드, 그 어떤 성공보다 더 많은 것을 가르쳐준 실패들, 그리고 여전히 밤잠을 설치게 만드는 미해결 문제들에 대해 안내할 것입니다.

기술적 배경: 세 가지 기둥

프라이버시 보존 능동 학습 (Privacy-Preserving Active Learning)

능동 학습 (Active Learning)은 모델이 정적인 데이터셋으로부터 수동적으로 학습하는 대신, 레이블링(Labeling)을 위해 가장 정보량이 많은 데이터 포인트를 전략적으로 질의하는 머신러닝 (Machine Learning) 패러다임입니다. UAM 경로 설정의 맥락에서 이는 시스템이 모든 승객의 이동 기록을 수집할 필요가 없음을 의미합니다. 즉, 모델이 불확실할 때만 특정 궤적(Trajectory)에 대한 확인을 요청합니다.

하지만 여기에는 함정이 있습니다. 단 몇 번의 질의만으로도 민감한 정보가 유출될 수 있습니다. 만약 모델이 "T 시간에 A에서 B로 비행했습니까?"라고 묻고 사용자가 이를 확인한다면, 공격자는 사용자의 위치 기록을 추론할 수 있습니다. 여기서 차분 프라이버시 (Differential Privacy, DP)가 등장합니다.

핵심 통찰 (The Core Insight): 능동 학습의 질의 선택 과정에 보정된 노이즈 (Calibrated Noise)를 추가함으로써, 공격자가 특정 개인의 데이터가 학습에 사용되었는지 여부를 판단할 수 없도록 보장할 수 있습니다. 프라이버시 예산 (Privacy Budget, ε)은 유용성 (Utility)과 프라이버시 사이의 상충 관계 (Trade-off)를 조절합니다.

실험 과정에서 저는 표준적인 DP-SGD (Differentially Private Stochastic Gradient Descent)가 능동 학습의 순차적 질의 (Sequential Querying) 방식과 잘 맞지 않는다는 것을 발견했습니다. 동일한 분포에 대해 반복적으로 질의하면 모델의 불확실성 추정치 (Uncertainty Estimates)에 편향 (Bias)이 생깁니다. 저는 각 능동 학습 라운드마다 프라이버시 회계사 (Privacy Accountant)를 재설정하는 커스텀 메커니즘을 구현해야 했습니다.

import torch
import torch.nn as nn
from torch.utils.data import DataLoader, TensorDataset
...

탄소 네거티브 인프라 경로 설정 (Carbon-Negative Infrastructure Routing)

두 번째 기둥은 인프라 그 자체입니다. 탄소 네거티브 (Carbon-negative)는 단순히 넷제로 (Net-zero)를 의미하는 것이 아니라, 시스템이 배출하는 것보다 더 많은 이산화탄소 (CO₂)를 능동적으로 제거한다는 것을 의미합니다. UAM 경로 설정의 경우, 이는 다음과 같이 해석됩니다:

1. 배터리 저장 장치를 갖춘 태양광 기반 버티포트 (Solar-powered vertiports)
2. 하강 중 회생 제동 (Regenerative braking) (에너지의 최대 30% 회수)
3. 태양광 발전 피크 시간대의 비행을 장려하는 동적 가격 책정 (Dynamic pricing)
4. 풍향 패턴 및 항공 교통을 고려하여 에너지 소비를 최소화하는 경로 최적화 (Route optimization)

저는 3주 동안 에너지 역학 (energy dynamics)을 모델링하는 데 시간을 보냈습니다. 핵심 방정식은 놀라울 정도로 간단합니다:

E_total = E_hover + E_cruise + E_climb - E_regenerative_descent

여기서 각 항은 배터리 충전 상태 (state of charge), 기상 조건, 그리고 항공 교통 밀도 (air traffic density)에 따라 달라집니다. 진짜 과제는 재생 에너지 회수 (regenerative energy recovery)를 예측하는 것인데, 이는 페이로드 (payload)와 하강 프로파일 (descent profile)에 따라 매우 크게 변동합니다.

import numpy as np
from dataclasses import dataclass
from typing import Tuple
...

자율 경로 설정을 위한 에이전트 AI (Agentic AI)

세 번째 기둥은 모든 것을 조율하는 에이전트 AI (agentic AI) 시스템입니다. 단일 목적을 최적화하는 전통적인 강화학습 (reinforcement learning) 에이전트와 달리, 이 시스템은 다음 요소들의 균형을 맞춰야 합니다:

• 프라이버시 예산 (Privacy budget) (사용자 데이터 유출 방지)
• 에너지 효율성 (Energy efficiency) (탄소 발자국 최소화)
• 승객 효용 (Passenger utility) (이동 시간 최소화)
• 안전 제약 조건 (Safety constraints) (비행 금지 구역 회피, 간격 유지)
• 공정성 (Fairness) (부유한 지역에만 우선적으로 서비스를 제공하지 않음)

저는 상위 수준의 플래너 (high-level planner)가 프라이버시-효용 트레이드오프 (privacy-utility trade-offs)를 선택하고, 하위 수준의 컨트롤러 (low-level controllers)가 궤적 최적화 (trajectory optimization)를 처리하는 계층적 에이전트 아키텍처 (hierarchical agent architecture)를 구축했습니다.

import random
from collections import defaultdict
import torch.nn.functional as F
...

실제 응용 분야: 이것이 실제로 중요한 곳

연구를 통해, 저는 이 시스템이 즉각적인 영향을 미칠 수 있는 세 가지 구체적인 응용 분야를 확인했습니다:

1. 밀집된 도심 지역에서의 의료 물품 배송

싱가포르나 도쿄와 같은 도시에서 자율 드론은 병원 간에 혈액 샘플, 백신, 장기를 배송합니다. 경로 설정은 반드시 다음과 같아야 합니다:

• 프라이버시 보존 (Privacy-preserving): 어떤 병원이 어떤 물품을 받는지 드러내지 않아야 함
• 에너지 효율적 (Energy-efficient): 의료 물류의 탄소 발자국을 최소화해야 함
• 시간 민감적 (Time-critical): 장기는 엄격한 배송 시간 제한이 있음

제 실험 결과에 따르면, 능동 학습 (Active Learning)은 95%의 경로 설정 정확도 (Routing Accuracy)를 유지하면서도 사용자 질의 (User Queries) 횟수를 60% 감소시켰습니다. 프라이버시 예산 (Privacy Budget, ε=0.5)은 추론 공격 (Inference Attacks)을 방지하기에 충분했습니다.

2. 응급 대응 경로 설정 (Emergency Response Routing)

자연재해 발생 시, UAM 시스템은 응급 물자와 인력을 경로 설정합니다. 다음과 같은 이유로 프라이버시가 매우 중요합니다:

• 대피 경로가 노출될 경우 약탈자에게 도움을 줄 수 있음
• 의료 데이터는 반드시 보호되어야 함