군집드론 퇴치 시나리오

공간지능 기반 드론 군집을 이용한 퇴치 실험 시나리오

1. 연구 목적

본 연구는 드론이 까치를 직접 추격하는 기존 방식에서 벗어나, AI가 과수원의 3차원 공간구조와 까치의 이동 이력을 학습하고 드론 군집을 이용해 까치의 이동 가능 공간을 동적으로 재구성하는 퇴치 시스템을 개발하는 것을 목적으로 한다.

제안 시스템은 다음 과정을 수행한다.

\text{까치 탐지} \rightarrow \text{공간 상태 인식} \rightarrow \text{미래 경로 예측} \rightarrow \text{드론 배치 결과 예측} \rightarrow \text{동적 가상 울타리 생성} ]$$ 드론은 까치를 포위하거나 근거리에서 추격하지 않는다. AI가 까치의 과수원 내부 진입 경로는 차단하고 외부로 나가는 방향은 열어두어, 까치가 스스로 안전한 퇴출 경로를 선택하도록 유도한다. 기존 연구에서는 단일 UAV의 농업 현장 퇴치, 지상 카메라와 UAV의 자동 연계, 계류형 다중 UAV의 시뮬레이션, 공항 환경의 조류 궤적 예측 기반 UAV 군집 제어가 각각 연구되었다. 그러나 실제 사과 과수원에서 까치의 공간 기억과 습관화를 학습하는 AI 세계모델을 다중 드론 제어와 연결한 장기 현장 연구는 충분히 검증되지 않은 것으로 보인다. --- ## 2. 연구 가설 ### 가설 1 공간지능 기반 드론 군집은 단일 드론이나 고정된 군집 비행보다 까치의 섭식 방문 비율을 낮출 것이다. ### 가설 2 까치의 과거 진입 경로와 우회 경로를 기억하는 AI는 현재 위치만 이용하는 반응형 시스템보다 재접근을 효과적으로 억제할 것이다. ### 가설 3 드론 군집이 까치를 직접 추격하는 방식보다, 과수원 내부 경로를 차단하고 외부 방향을 열어두는 가상 울타리 방식이 더 짧은 비행시간으로 까치를 퇴출할 것이다. ### 가설 4 AI가 반복 노출에 따른 까치의 경로 변화를 학습하면, 고정된 드론 비행보다 시간에 따른 퇴치 효과 감소가 작을 것이다. --- ## 3. 실험 장비 구성 ### 행동 기록 장비 - 제로빔 T9 Pro 모션카메라 4대 - 과수원 주요 진입 방향과 섭식 나무를 촬영하도록 설치 - 까치의 접근, 착지, 섭식, 도주 및 재접근 행동 기록 - 실험 결과 판독과 AI 예측 결과 검증에 사용 T9 Pro는 행동 기록용으로 사용한다. 실시간 드론 제어에는 영상 스트리밍이 가능한 별도의 고정 카메라 또는 드론 카메라를 사용한다. ### 실시간 공간 인식 장비 - 실시간 스트리밍 카메라 2대 이상 - 카메라 간 시간 동기화 장치 - 과수원 지도 제작용 드론 또는 거리 센서 - 지상 AI 연산 컴퓨터 - 드론 위치 확인 장치 - 기상정보 기록 장치 ### 드론 구성 - 실험용 드론 2대 - 예비 드론 1대 - 프로펠러 보호 장치 - 자동 복귀 및 비상정지 기능 - 드론 간 통신 장치 초기 실험은 드론 2대로 진행한다. 첫 번째 드론은 까치의 과수원 내부 진입 방향을 차단하고, 두 번째 드론은 예상 우회 경로를 차단한다. --- ## 4. 과수원 공간모델 구축 과수원을 3차원 공간지도로 변환하고 각 영역에 의미를 부여한다. ### 공간 요소 - 사과나무와 수관 - 과실 밀집 위치 - 까치가 착지할 수 있는 가지 - 전봇대와 전선 - 작업자 이동 경로 - 드론 비행 가능 영역 - 드론 비행 금지 영역 - 까치의 주요 진입구 - 안전한 퇴출 방향 AI는 과수원을 단순한 좌표 지도가 아니라 다음과 같은 행동 가능성 지도로 표현한다. $$[ M(x)= { F(x),L(x),H(x),R(x),S(x) } ]$$ - (F(x)): 섭식 가능성 - (L(x)): 착지 가능성 - (H(x)): 은폐 가능성 - (R(x)): 드론 또는 자극에 의한 위험도 - (S(x)): 드론 비행 안전도 계류형 다중 UAV 연구에서도 농지를 격자와 확률지도로 표현하고, 조류가 존재할 가능성이 높은 영역을 중심으로 UAV를 배치하는 방법을 사용했다. 다만 해당 연구는 시뮬레이션이 중심이었으며 실제 조류를 대상으로 한 현장 검증 필요성을 명시했다. --- ## 5. 사전 관찰 단계 ### 기간 본실험 전 7~14일 ### 방법 드론을 작동하지 않고 모션카메라 4대로 까치의 자연 행동을 기록한다. ### 수집 항목 - 시간대별 방문 횟수 - 단독 또는 무리 방문 여부 - 주요 진입 방향 - 최초 착지 위치 - 과실까지의 이동 경로 - 섭식 여부 - 쪼기 횟수 - 섭식 지속시간 - 도주 방향 - 과수원 외부 대기 위치 관찰 결과를 이용해 까치의 선호 진입구, 착지점, 섭식 나무 및 재접근 경로를 표시한 초기 공간지도를 만든다. --- ## 6. 드론 반응 예비실험 까치에 대한 드론의 안전거리와 행동 반응을 파악하기 위해 본실험 전에 단일 드론 예비실험을 수행한다. ### 측정 항목 - 드론을 인식하고 경계행동을 시작한 거리 - 비행을 시작하거나 도주한 거리 - 드론 접근 방향 - 도주 방향 - 과수원 복귀까지 걸린 시간 - 드론 노출 후 섭식 재개 여부 조류의 드론 반응은 종과 접근 방향에 따라 달라질 수 있다. 기존 연구에서는 수직 접근에 더 강한 행동 반응이 관찰되었으며, 종별 반응을 고려해 접근거리를 결정해야 한다고 제안했다. 따라서 다른 종에서 측정된 거리를 그대로 적용하지 않고 까치 대상 예비실험으로 안전 하한을 결정한다. 드론은 까치를 향해 급강하하지 않으며, 결정된 최소 안전거리보다 가까이 접근하지 못하도록 제어 프로그램에 강제 제약을 설정한다. --- ## 7. AI 학습용 데이터 수집 초기에는 연구자가 사전에 정의한 몇 가지 안전한 드론 배치를 반복 시행한다. ### 드론 배치 후보 1. 단일 드론이 과수원 내부 방향을 차단 2. 드론 2대가 직선형 장벽 형성 3. 드론 2대가 열린 V자형 장벽 형성 4. 한 대는 까치 뒤쪽, 한 대는 예상 우회 경로에 배치 5. 드론이 과수원 경계선을 따라 이동 6. 드론이 출동하지 않는 무처리 조건 각 시행에서 다음 정보를 저장한다. $$[ D_t= ( s_t,a_t,y_{t+1} ) ]$$ - (s_t): 까치와 과수원의 현재 공간 상태 - (a_t): 드론의 위치와 이동 경로 - (y_{t+1}): 까치의 이후 행동 까치의 이후 행동은 다음 범주로 기록한다. - 과수원 외부로 이탈 - 다른 방향으로 우회 - 나무 안쪽으로 은폐 - 착지 - 섭식 - 드론이 복귀한 후 재접근 --- ## 8. AI 모델 구성 ### 8.1 까치 탐지 및 추적 모델 실시간 영상에서 까치를 탐지하고 연속된 프레임에서 동일한 개체 또는 무리를 추적한다. 출력값은 다음과 같다. - 까치의 2차원 또는 3차원 위치 - 이동 속도 - 이동 방향 - 비행 또는 착지 상태 - 개체 수 ### 8.2 공간관계 모델 까치, 사과나무, 과실, 드론 및 장애물의 상대적 관계를 그래프 또는 점유 격자로 표현한다. 예: $$[ \text{까치} \rightarrow \text{착지 가능 가지} \rightarrow \text{과실} ]$$ $$[ \text{드론} \rightarrow \text{전선으로 접근 제한} ]$$ ### 8.3 미래 경로 예측 모델 AI는 까치의 미래 경로를 하나의 좌표가 아니라 여러 후보와 확률로 예측한다. 예: - 나무 A에 착지할 확률: 45% - 나무 B 뒤로 우회할 확률: 30% - 과수원 밖으로 나갈 확률: 15% - 외곽 전봇대에서 대기할 확률: 10% 공항용 UAV 군집 연구에서는 LSTM과 칼만필터를 이용한 표적 궤적 예측, UAV 임무 할당 및 경로계획을 결합하였다. 본 연구에서는 좌표 궤적뿐 아니라 착지, 섭식, 우회 및 재접근 행동까지 예측 대상으로 확장한다. ### 8.4 까치 행동 세계모델 AI는 드론을 실제로 이동시키기 전에 여러 후보 배치에 대한 까치 반응을 내부적으로 예측한다. $$[ P( \text{퇴출}, \text{섭식}, \text{우회}, \text{은폐} \mid s_t,a_t ) ]$$ 후보 배치별 예상 결과를 계산한 뒤 가장 적절한 배치를 선택한다. $$[ a_t^*= \arg\max_a \left[ P_{\mathrm{exit}} -\alpha P_{\mathrm{feeding}} -\beta C_{\mathrm{energy}} -\gamma C_{\mathrm{safety}} \right] ]$$ ### 8.5 장기 공간 기억 AI는 방문이 끝난 후 다음 정보를 누적한다. - 성공한 진입 경로 - 드론을 피한 우회 경로 - 반복 착지점 - 드론 복귀 후 대기점 - 군집 형태별 도주 방향 - 동일한 자극에 대한 반응 감소 이를 통해 다음 방문에서는 까치의 현재 위치뿐 아니라 이전에 성공했던 경로까지 고려한다. --- ## 9. 실제 실험 작동 시나리오 ### 상황 1: 까치가 과수원 외곽에 출현 실시간 카메라가 까치를 탐지한다. AI는 까치가 단순 통과 중인지 사과나무에 접근 중인지 분석한다. 섭식 또는 착지 가능성이 낮으면 드론을 출동시키지 않는다. ### 상황 2: 섭식 의도가 높다고 예측 까치가 속도를 줄이고 특정 사과나무 방향으로 하강하거나, 기존에 자주 사용한 착지점으로 이동하면 AI가 섭식 의도가 높다고 판단한다. ### 상황 3: 미래 경로 생성 AI는 다음 수 초간 가능한 이동 경로를 예측한다. ```text 경로 A: 과수원 중앙의 사과나무 착지 경로 B: 수관 뒤쪽으로 우회 경로 C: 외곽 전봇대에서 대기 경로 D: 과수원 외부로 이탈 ``` ### 상황 4: 드론 배치 후보 평가 AI는 여러 드론 배치를 세계모델 안에서 시험한다. ```text 후보 1: 드론 1대가 정면 차단 예상 결과: 수관 뒤 은폐 가능성 높음 후보 2: 드론 1대는 내부 진입 경로 차단, 드론 2대는 수관 뒤 우회 경로 차단 예상 결과: 외부 이탈 가능성 높음 후보 3: 드론 2대가 완전 포위 예상 결과: 불규칙 도주와 안전위험 증가 ``` AI는 완전 포위가 아니라 외부 방향이 열린 두 번째 후보를 선택한다. ### 상황 5: 동적 가상 울타리 형성 드론 1은 과수원 내부 방향에 배치된다. 드론 2는 까치가 과거에 사용했던 우회 경로에 배치된다. 과수원 내부로 향하는 방향은 드론의 영향으로 위험도가 높아지고, 과수원 외부 방향은 상대적으로 낮은 상태가 된다. ### 상황 6: 까치 반응에 따른 재계획 까치가 예상과 다르게 이동하면 AI는 새로운 경로를 예측하고 드론 위치를 다시 조정한다. 드론은 까치의 현재 위치를 따라가는 것이 아니라 까치가 이동할 가능성이 높은 경로 앞쪽에 배치된다. ### 상황 7: 실험 종료 까치가 사전에 정의한 과수원 경계를 벗어나면 드론은 즉시 추격을 중단하고 복귀한다. AI는 다음 결과를 저장한다. - 퇴출 성공 여부 - 퇴출까지 걸린 시간 - 드론 총 비행시간 - 까치와 드론의 최소거리 - 까치의 도주 경로 - 섭식 여부 - 재접근 시간 --- ## 10. 본실험 처리 조건 |처리군|드론 운용 방법|검증 목적| |---|---|---| |대조군|드론 미사용|자연 방문 및 섭식 기준| |단일 드론군|사전에 정한 고정 경로 비행|드론 존재 자체의 효과| |규칙 기반 군집군|드론 2대가 고정된 V자형 장벽 형성|군집과 고정 규칙의 효과| |공간지능 AI군|경로 예측과 공간 기억에 따라 드론 배치 변경|제안 AI의 효과| 실험구가 충분히 분리되어 있으면 처리 조건을 공간별로 배정한 뒤 일정 기간마다 교차한다. 동일 드론이 인접 실험구의 까치에도 영향을 줄 수 있으므로, 실험구 간 거리는 예비실험에서 측정한 까치의 반응 범위를 기준으로 설정한다. 공간적 분리가 어렵다면 처리 조건을 날짜 단위로 무작위 배정하고, 시간대·날씨·과실 숙도·방문 개체 수를 통계모형의 공변량으로 포함한다. --- ## 11. 주요 평가 지표 ### 1차 평가변수 $$[ \text{섭식 방문 비율} \frac{\text{섭식이 발생한 방문 수}} {\text{전체 까치 방문 수}} ]$$ ### 행동 평가변수 - 과수원 진입 성공률 - 사과나무 착지율 - 최초 쪼기까지 걸린 시간 - 방문당 쪼기 횟수 - 방문당 섭식시간 - 자극 후 과수원 이탈률 - 퇴출까지 걸린 시간 - 과수원 재접근까지 걸린 시간 - 과실까지의 최소 접근 거리 - 드론을 피한 우회 경로 발생률 ### 공간지능 평가변수 - 까치 미래경로 예측 오차 - 착지 위치 예측 정확도 - 섭식 행동 예측 AUROC - 우회 경로 예측 정확도 - AI가 선택한 퇴출 방향의 성공률 - 과거 경로 기억을 제거했을 때의 성능 감소 ### 시스템 평가변수 - 퇴출 1회당 드론 비행시간 - 퇴출 1회당 배터리 사용량 - 드론 간 최소거리 - 나무 및 전선과의 최소거리 - 불필요한 드론 출동 비율 - 안전제어에 의한 임무 중단 횟수 --- ## 12. 습관화 분석 까치가 드론에 적응하면 다음 현상이 나타날 것으로 예상한다. - 드론 출동 후 도주까지 걸리는 시간 증가 - 도주 거리 감소 - 드론과의 최소거리 감소 - 재접근 시간 감소 - 기존 드론 장벽의 우회 성공률 증가 - 드론이 있는 상태에서의 착지 또는 섭식 발생 습관화 정도는 반복 노출 횟수에 따른 행동 변화 기울기로 분석한다. $$[ H= \frac{ \Delta\text{회피 반응} }{ \Delta\text{드론 노출 횟수} } ]$$ 처리군과 노출 횟수의 상호작용을 분석하여 공간지능 AI군에서 퇴치 효과가 더 오래 유지되는지 검증한다. 포식자의 외형과 자연스러운 공격행동을 모방한 RobotFalcon 연구에서는 까마귀과를 포함한 여러 조류 무리를 대상으로 즉각적인 퇴치와 복귀 지연이 관찰되었으며, 조사기간 중 뚜렷한 습관화 증거가 보고되지 않았다. 이는 단순한 드론의 존재보다 생태적으로 의미 있는 이동 패턴이 중요할 가능성을 뒷받침한다. --- ## 13. 예상 연구 기여 본 연구의 핵심은 드론을 여러 대 사용하는 것 자체가 아니다. 기존 연구가 주로 조류 탐지, 단일 드론 출동, 정해진 경로 비행 또는 군집의 궤적 계획에 집중했다면, 본 연구는 다음 요소를 통합한다. 1. 까치 중심의 3차원 공간 어포던스 지도 2. 까치의 다중 미래경로 예측 3. 후보 드론 배치에 대한 반사실적 행동 예측 4. 까치의 우회 경로와 공간 기억 학습 5. 반복 노출에 따른 습관화 추론 6. 안전한 퇴출 방향을 남기는 동적 가상 울타리 생성 2022년 자동 UAV 퇴치 연구는 지상 카메라와 동적 UAV 임무를 결합했으나, 자동 임무 검증에 실제 조류 대신 모의 이동 표적을 사용했다. 2023년 다중 계류형 UAV 연구 역시 현장실험이 아닌 시뮬레이션을 중심으로 수행되었다. 따라서 실제 까치를 대상으로 공간 기억 기반 AI 군집 정책을 장기간 검증하는 것이 본 연구의 주요 차별화 지점이 될 수 있다. --- # 주요 참고문헌 1. **Bhusal, S., Karkee, M., Bhattarai, U., Majeed, Y., & Zhang, Q. (2022).** Automated execution of a pest bird deterrence system using a programmable unmanned aerial vehicle (UAV). _Computers and Electronics in Agriculture, 198_, 106972. DOI: 10.1016/j.compag.2022.106972. 지상 카메라, 조류 탐지 및 UAV 자동 임무 생성 구조의 직접적인 선행연구다. 다만 실제 조류 퇴치 성능보다 자동 임무 실행 가능성 검증이 중심이었다. 2. **Trethowan, J., Wang, Z., & Wong, K. C. (2023).** The viability of a grid of autonomous ground-tethered UAV platforms in agricultural pest bird control. _Machines, 11_(3), 377. DOI: 10.3390/machines11030377. 농업환경에서 다중 UAV를 격자로 배치하고 확률지도와 중앙집중식 제어를 이용한 연구다. 다중 드론 실험 설계와 시뮬레이션 비교군 구성에 참고할 수 있다. 3. **Wang, X., Zhang, X., Lu, Y., Zhang, H., Li, Z., Zhao, P., & Wang, X. (2024).** Target trajectory prediction-based UAV swarm cooperative for bird-driving strategy at airport. _Electronics, 13_(19), 3868. DOI: 10.3390/electronics13193868. 조류 궤적 예측, UAV 임무 할당 및 군집 경로계획을 결합한 연구로, 본 연구의 미래경로 예측 모듈과 군집 협력 부분의 핵심 참고문헌이다. 4. **Storms, R. F., Carere, C., Musters, R., van Gasteren, H., Verhulst, S., & Hemelrijk, C. K. (2022).** Deterrence of birds with an artificial predator, the RobotFalcon. _Journal of the Royal Society Interface, 19_, 20220497. DOI: 10.1098/rsif.2022.0497. 포식자와 유사한 형태 및 행동이 일반 드론보다 높은 퇴치 효과를 낼 수 있음을 보여준다. 생태적으로 의미 있는 군집 움직임과 습관화 분석의 근거로 사용할 수 있다. 5. **Vas, E., Lescroël, A., Duriez, O., Boguszewski, G., & Grémillet, D. (2015).** Approaching birds with drones: first experiments and ethical guidelines. _Biology Letters, 11_(2), 20140754. DOI: 10.1098/rsbl.2014.0754. 드론 접근 방향과 종별 행동 반응이 다를 수 있음을 보여주며, 안전거리와 접근방식 예비실험의 근거가 된다. 6. **Wang, Z., Griffin, A. S., Lucas, A., & Wong, K. C. (2019).** Psychological warfare in vineyard: Using drones and bird psychology to control bird damage to wine grapes. _Crop Protection, 120_, 163–170. DOI: 10.1016/j.cropro.2019.02.025. 드론에 포식 위험과 조류 심리 요소를 결합한 초기 농업 현장 연구다. 고정된 순찰보다 생물학적으로 의미 있는 비행이 필요하다는 논리의 근거로 사용할 수 있다. 7. **Wang, Z., Fahey, D., Lucas, A., Griffin, A. S., Chamitoff, G., & Wong, K. C. (2020).** Bird damage management in vineyards: Comparing efficacy of a bird psychology-incorporated unmanned aerial vehicle system with netting and visual scaring. _Crop Protection, 137_, 105260. DOI: 10.1016/j.cropro.2020.105260. 포도원 현장에서 UAV, 시각 퇴치 장치 및 방조망을 비교한 연구로, 실험구 배치와 과실 피해율 평가방법을 설계할 때 참고할 수 있다. 8. **Enos, J. K., Ward, M. P., & Hauber, M. E. (2022).** A review of the scientific evidence on the impact of biologically salient frightening devices to protect crops from avian pests. _Crop Protection, 154_, 105734. DOI: 10.1016/j.cropro.2021.105734. 생물학적 의미를 가진 조류 퇴치 장치의 효과와 기존 실험의 한계를 정리한 리뷰로, 연구 배경과 습관화 문제를 설명할 때 사용할 수 있다. --- 새들의 평균 비행 높이 드론의 비행 가능 높이 환경 영향