프로젝트 요약

  • 개요: 산악사고 요구조자의 이동 가능 경로를 GIS 전처리와 DQN 기반 강화학습으로 예측하는 특허 기반 프로젝트
  • 기간: 출원 2024.12, 등록 2025.09
  • 데이터: 경사도, 수계, 도로, 등산로, 유역 경계 등 산악 공간정보 데이터
  • 기술 스택: GeoPandas, GIS Preprocessing, DQN, Reinforcement Learning, Path Simulation, Visualization
  • 성과(성능): 등록특허 10-2864114, 다회 시뮬레이션 기반 수색 후보 경로 생성 구조 설계

문제 정의

산악사고 발생 시 요구조자의 마지막 위치만으로는 실제 이동 방향을 빠르게 좁히기 어렵습니다. 이 프로젝트는 산악 지형과 공간정보를 전처리한 뒤, 강화학습 기반 AI 모델로 요구조자의 이동 경로를 시뮬레이션해 수색 범위를 더 빠르게 압축하는 시스템을 설계한 특허 기반 작업입니다. 첨부한 등록특허공보(B1) 문서를 기준으로 정리했습니다.

산악사고 요구조자 이동경로 예측을 위한 DEM 및 GIS 공간정보 데이터
DEM과 등산로, 도로, 수계, 유역 경계 등 GIS 레이어를 결합해 요구조자의 이동 가능성을 계산할 수 있는 공간 상태로 변환했습니다.

시스템 구성

특허 문서에서 확인되는 3단 구조를 기준으로 정리했습니다.

공간정보 데이터 처리부

산악 지형, 경사도, 수계, 도로, 등산로, 유역 경계 같은 공간정보를 불러와 경로 예측용 입력으로 정리합니다.

이동경로 예측 AI 모델부

전처리된 공간정보와 보상 함수를 결합해 DQN 기반 강화학습으로 요구조자 이동 정책을 학습합니다.

이동경로 예측부

학습된 정책으로 다회 시뮬레이션을 수행하고, 이동 가능 경로를 시각화해 구조 판단에 활용할 수 있게 제공합니다.

접근 방법

  • 입력 데이터로는 경사도와 함께 저수지, 강, 등산로, 도로, 유역 경계, 수로 등 산악 공간정보가 사용됩니다.
  • 에이전트는 요구조자를 가정하며, 나이, 성별, 건강 상태, 탐험 비율 같은 속성을 반영해 행동 특성이 달라지도록 설계됩니다.
  • 보상 함수는 단순 최단거리보다 실제 산악 이동 특성을 반영하도록 구성되며, 위치 기반 선호, 유역 경계 회피, 거리, 고도, 상태 변화 같은 요소를 포함합니다.
  • 학습 방식은 DQN 기반이며, epsilon-greedy 전략으로 탐색과 활용의 균형을 맞추도록 설계됩니다.
  • 최종 출력은 한 번의 단일 경로가 아니라, 다회 시뮬레이션을 통해 얻은 이동 가능 경로 집합과 그 시각화 결과입니다.
Vanilla DQN과 Pointer DQN 모델 구조 비교
Vanilla DQN을 기준선으로 두고, 후보 이동 지점의 공간적 관계를 더 직접적으로 반영할 수 있는 Pointer DQN 구조를 함께 비교했습니다.
DQN 에이전트와 산악 환경 상호작용 구조
DQN 에이전트는 현재 위치와 지형 상태를 입력받아 다음 이동 행동을 선택하고, 보상에 따라 Q-value를 업데이트합니다.
요구조자 이동경로 예측 DQN 학습 절차
공간정보 전처리, 환경 초기화, 행동 선택, 보상 계산, replay memory 업데이트로 이어지는 학습 흐름을 구성했습니다.

입력 관점

GIS 기반 공간정보를 단순 배경 지도가 아니라, 강화학습 상태를 구성하는 핵심 피처로 다뤘습니다.

출력 관점

정답 경로 하나를 고정적으로 찍기보다, 여러 번의 시뮬레이션을 통해 수색 우선 구역을 좁히는 방식에 가깝습니다.

데이터와 EDA

이 프로젝트의 데이터 작업은 표 형태의 정형 데이터 분석보다 공간정보 전처리에 가깝습니다. 등산로, 도로, 수계, 유역 경계, 경사도, 고도 같은 레이어를 같은 좌표계와 해상도로 맞춘 뒤, 강화학습 환경에서 상태와 보상으로 사용할 수 있도록 정리했습니다.

EDA에서는 특정 경로를 바로 예측하기보다, 요구조자가 이동하기 쉬운 공간과 회피 가능성이 높은 공간을 구분하는 데 집중했습니다. 예를 들어 등산로와 도로는 이동 가능성을 높이는 단서가 되고, 급경사나 수계, 유역 경계는 이동 난이도와 위험도를 반영하는 요소가 됩니다.

학습된 정책으로 생성한 요구조자 이동경로 시뮬레이션
학습된 정책으로 생성한 후보 이동 경로를 지도 위에 표시해, 수색 우선 구역을 직관적으로 확인할 수 있도록 했습니다.

성과(성능)

  • AI 기반 산악사고 요구조자 이동경로 예측 시스템으로 특허 등록을 완료했습니다.
  • 등록번호는 10-2864114이며, 등록일은 2025-09-19입니다.
  • 단일 예측 경로가 아니라 다회 시뮬레이션 기반 후보 경로 집합을 생성하는 구조로 설계했습니다.
  • 학습 곡선에서는 Pointer DQN이 Vanilla DQN 대비 보상은 더 빠르게 상승하고, loss는 더 낮고 안정적인 흐름을 보였습니다.
  • 성능 평가는 정확도 하나보다 실제 수색에서 후보 영역을 얼마나 줄이는지, 초기 대응 시간을 얼마나 단축할 수 있는지를 중심으로 보는 것이 적합합니다.
Vanilla DQN과 Pointer DQN 학습 보상 및 손실 비교
보상과 loss 곡선을 함께 비교해, Pointer DQN이 산악 경로 예측 환경에서 더 안정적인 학습 흐름을 보이는지 확인했습니다.
조난자 이동 경로 예측 시스템 Gradio 시연 화면
Gradio 기반 시연 화면에서는 시작 위치와 요구조자 조건을 입력하고, 예측 경로와 후보 지점을 지도와 표로 확인할 수 있도록 구성했습니다.

포트폴리오 관점의 의미

이 작업의 핵심은 산악 수색 문제를 정적인 지도 분석이 아니라, 불확실한 인간 이동을 포함한 순차적 의사결정 문제로 다시 모델링했다는 점입니다. 특히 공간정보 전처리, 강화학습 모델, 경로 시뮬레이션, 시각화까지 하나의 시스템으로 묶어 실제 수색 지원 시나리오로 연결했다는 점에서 의미가 있습니다.

또한 예측 결과를 통해 수색 지역을 더 좁히고, 구조 인력과 장비 배치를 우선순위화할 수 있기 때문에, 구조 초기 대응 시간을 줄이는 의사결정 도구로 확장 가능성이 높습니다.

느낀점

가장 크게 남은 부분은, 이전까지 강화학습을 직접 다뤄본 적이 없었는데도 이 프로젝트를 진행하면서 짧은 시간 안에 상태, 행동, 보상, 탐색-활용 균형 같은 핵심 개념을 빠르게 체득하고 바로 구현으로 연결해야 했다는 점입니다. 단순히 이론을 읽고 이해하는 수준이 아니라, 실제 산악 지형 문제에 맞게 강화학습 환경을 구성하고 보상 구조를 조정하면서 몸으로 익히듯 학습했다는 점이 개인적으로 의미가 컸습니다.

또 하나 인상적이었던 부분은 데이터 처리 방식이었습니다. 이 프로젝트는 일반적인 표 형태 데이터만으로 풀 수 없어서 geopandas를 사용해 등산로, 도로, 수계, 유역 경계 같은 공간 데이터를 직접 다뤄야 했고, 그 과정에서 좌표계와 레이어 기반 데이터 처리 방식에 자연스럽게 익숙해질 수 있었습니다. 덕분에 하나의 모델을 만드는 경험에 그치지 않고, 다양한 공간 데이터 형식과 분석 도구를 빠르게 받아들이고 연결하는 감각까지 함께 키울 수 있었습니다.

특허 정보

  • 명칭: AI 기반 산악사고 요구조자 이동경로 예측 시스템
  • 출원번호: 10-2024-0185328
  • 출원일: 2024-12-12
  • 등록번호: 10-2864114
  • 등록일: 2025-09-19
  • 공고일: 2025-09-24
  • 문서 기준: 첨부한 등록특허공보(B1) PDF
  • 관련 링크: 10.8080/1020240185328
  • 문서 링크: 등록특허공보 PDF 열기

업데이트: