도심항공교통(UAM) 조종사 숙련도 평가 알고리즘 개발

1. UAM 조종사의 숙련도가 중요한 이유

도심항공교통(UAM: Urban Air Mobility)은 기존 항공기와 달리, 도심 저고도, 고밀도 비행 환경, 반복적 수직 이착륙이라는
전혀 새로운 운항 환경에서 작동한다. 여기에 더해 다수의 기체가 도심 상공을 동시에 운항하는 공역 구조와, 기상 급변, 통신 간섭, 장애물 회피 등의 복잡한 실시간 변수까지 작용하게 된다.

이러한 조건은 기존의 민간 항공기 운항과는 전혀 다른 난이도를 가지며, 조종사의 실시간 판단력, 자동화 시스템과의 협업 능력, 위기 대응 역량이 훨씬 더 중요하게 작용하게 된다. 하지만 지금까지의 조종사 평가 체계는 대부분 이론 시험, 비행 시뮬레이터 점수, 정해진 코스 비행 숙련도 등에 국한되어 있으며, 실제 UAM 운항 데이터에 기반해 정량화된  성능 지표를 산출하는 알고리즘은 매우 부족한 상황이다.

이는 상용화 이후 안전사고 발생 시 책임소재 판단이 어려울 뿐 아니라, 운항사 입장에서도 조종사 간 실력 차이에 따른 보험료 산정, 임무 배정, 교대 스케줄링 설계가 불가능하다는 점에서 심각한 운영상의 문제로 이어질 수 있다. 따라서 앞으로는 실제 조종 데이터를 기반으로 조종사 성능을 정량적으로 분석하고 AI 알고리즘을 통해 자동 평가할 수 있는 정교한 성능 분석 시스템이 필요하다. 

 

2. 숙련도 평가 알고리즘의 구성 요소

UAM 조종 데이터 기반 성능 평가 알고리즘은 크게 실시간 기체 센서 데이터 수집 – 패턴 분석 – 리스크 스코어링 – 종합 등급화의 4단계로 구성된다. 이때 활용되는 핵심 데이터는 다음과 같다.

• 조종 입력값 로그 (Control Input Logs): 스로틀, 방향타, 피치, 롤, 요(Yaw) 등의 조작 빈도와 반응 속도
• 비행 안정성 지표 (Flight Stability Metrics): 지정된 항로에서의 편차, 진동량, 고도 유지율
• 비상 상황 반응 로그 (Emergency Handling Logs): 장애물 회피 반응 시간, 비상 착륙 수행 정확도
• 자동 시스템 개입 기록 (Autopilot Override Frequency): 수동 조종으로의 전환 빈도 및 이유
• 운항 환경 데이터 (External Flight Conditions): 풍속, 기상, 교통 혼잡도, 주변 기체 거리 등

AI 알고리즘은 이 데이터를 시계열 분석 모델(RNN, LSTM), 비정상 탐지 모델(Anomaly Detection), 또는 딥러닝 기반 분류 모델(CNN+Dense Layer Hybrid)을 활용해 조종사의 운전 습관, 반복적 오차 패턴, 비정상 조작 경향 등을 학습하고 평가할 수 있다. 예를 들어, 특정 조종사가 평소에도 일정 고도 편차를 자주 반복하거나, 시뮬레이션에서 자동 시스템 개입이 잦은 경우, 해당 알고리즘은 그 조종사에게 중위권 리스크 등급(R2 또는 C3)을 부여할 수 있다. 이렇게 산출된 조종사 등급은

• 운항사: 고위험 조종사에 대한 리스케줄링 또는 교육
• 보험사: 등급 기반 프리미엄 차등
• 감독기관: 정기 비행 적합성 판정 등 다양한 활용도로 연결될 수 있다.

중요한 것은 이 평가가 단순한 ‘점수’가 아니라 실시간 운항 데이터 기반의 '수치화된 결과'로 제공되어야 하며, AI의 평가 기준이 설명 가능(Explainable AI) 해야 조종사나 관리자 모두 수용성을 가질 수 있다는 점이다.

 

3. 알고리즘의 제도화 및 산업 적용 전략

UAM 조종 평가 알고리즘이 산업 전반에 적용되기 위해서는 단순한 기술 확보 외에도 데이터 수집, 개인정보 보호, 인증 기준 마련이라는 정책적·윤리적 프레임 구축이 병행돼야 한다. 

첫째, 운항 데이터 수집 장치 표준화가 필요하다. 모든 기체에서 동일한 센서 데이터를 수집하고, 통신 장애에도 데이터 손실 없이 복구 가능한 로깅 시스템이 요구된다. 또한 데이터 포맷은 국제 항공계 표준인 ARINC 717/429 또는 UAM 전용 포맷으로 규격화되어야 하며, 이는 글로벌 기체 제조사들과의 협력을 통해 조기 도입되어야 한다. 

둘째, 조종사 데이터 보호와 알고리즘의 윤리성 확보도 핵심 과제다. 조종사가 자율적으로 자신의 데이터를 관리하고 열람할 수 있는 권리 기반 인터페이스가 필요하며, 알고리즘 평가에 오류나 편향성이 발견될 경우, 이의를 제기할 수 있어야 하며 수동 검토 요청이 가능한 절차도 병행돼야 한다. 이를 위해선 민간 기업뿐 아니라 국토부, 항공안전기술원(KIAST), 파일럿 노동조합 등과의 삼자 거버넌스 체계를 구축해야 한다. 

셋째, 조종사 평가 알고리즘을 정기 자격검증 제도와 연계할 수 있어야 한다. 예를 들어, 매 6개월마다 평가 등급이 D등급 이하인 경우, 추가 비행교육 이수 후 재검증을 의무화하는 등의 제도적 장치를 도입함으로써 전반적인 UAM 조종사의 역량을 안정적으로 유지할 수 있도록 해야한다. 이러한 체계가 마련된다면 UAM은 단순한 기술 중심 산업이 아닌 데이터 기반의 스마트 안전 산업으로 정착할 수 있으며, 기체보다도 더 중요한 ‘사람’의 역량이 정량적으로 관리되는 차세대 항공 생태계가 실현될 수 있을 것이다.

 

<본문  요약>

• UAM 조종사의 실전 성능을 정량적으로 평가하기 위한 AI 기반 알고리즘 개발이 필요하다.
• 비행 조작 로그, 기체 반응, 위험 회피 행동 등 실시간 데이터 기반 다중 요소 분석이 핵심이다.
• 산업 적용을 위해서는 데이터 표준화, 개인정보 보호, 공정한 제도화 프레임이 동반되어야 한다.