AI 기반 산악사고 요구조자 이동경로 예측 시스템

September 1, 2025

프로젝트 개요

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.

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.

핵심 내용

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.

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.

데이터 및 예측 절차

산악 지역의 공간정보를 수집하고 경로 예측용 피처로 전처리합니다.
요구조자 속성과 보상 함수를 정의해 강화학습 환경을 구성합니다.
DQN 기반 학습으로 상태-행동 값을 추정하고 이동 정책을 학습합니다.
학습된 정책으로 여러 차례 시뮬레이션을 수행해 후보 경로를 생성합니다.
예측 결과를 시각화해 수색 우선 구역과 구조 동선을 판단할 수 있도록 제공합니다.