LLM을 이용한 COLREGs 기반 자율운항 의사결정 알고리즘 개발

2.1 프레임워크 구성

본 절에서는 조우 상황에서 COLREGs 판단을 근거 인용이 가능한 설명 형태로 생성하기 위한 입력–출력 정의와 전체 처리 흐름을 기술한다. 제안 프레임워크는 (i) 규정 근거 검색(RAG), (ii) 근거 인용 기반 판단 생성(LLM), (iii) 결정론적 안전 쉴드로 구성되며, Fig. 1에 전체 아키텍처를 제시한다.

Fig. 1

Overall architecture of the proposed RAG-based COLREGs explainer

시각 t에서 자선을 o, 주변 선박 집합을 N_t로 두며, 조우 상황 입력 s_t는 식 (1)과 같다.

여기서 $$ X_t^{\left(o\right)}$$는 자선의 위치･침로･속력, $$ X_t^{\left(i\right)}$$는 타선 i의 위치･침로･속력, ε_t는 항로 경계나 제한수역 등 상황 해석에 필요한 환경 정보를 의미한다. 본 연구에서는 AIS로부터 획득한 위치(위･경도), SOG, COG를 사용하여 주변 선박의 운동 상태를 구성한다. 이때 LLM 입력 집합 N_t는 모든 주변 선박을 포함하지 않고, 매 시점 t에서 자선(ego)과 주변 선박 i간 최근접 접근 거리(DCPA) 및 최근접 접근 시간(TCPA)을 산출한 뒤, $$ TCP{A}_i\left(t\right)>0$$인 선박 중 DCPA 오름차순으로 정렬한 상위 k척만을 동적으로 필터링하여 구성한다.

출력 y_t는 LLM이 제안한 행동과 그 판단 근거를 구조화한 결과로 정의하며, 식 (2)와 같다.

식 (2)에서 ​a_llm는 LLM이 제안한 행동(action), L_t는 적용 규칙(조항 번호/규칙명) 집합(rules), k_t는 조우 유형 해석(encounter), p_t는 유지선/피항선 관점의 역할 해석(role), C_t는 RAG로 검색된 규정 문장 중 인용된 근거(citations), r_t는 자연어 설명(rationale) 텍스트를 의미한다. Fig. 1은 입력 s_t로부터 규정 근거 검색과 판단 근거 생성이 수행되는 전체 처리 흐름을 나타낸다. 프레임워크의 핵심 요소인 COLREGs KB(Knowledge Base)는 국제해상충돌예방규칙의 전문(full text)과 관련 해설서(commentaries)를 텍스트 청크(chunk) 단위로 구조화하여 구축된 데이터 저장소이다. 시스템은 이 지식 베이스를 활용하여 현재 조우 상황에 부합하는 규칙 원문을 실시간으로 검색하고 프롬프트에 주입함으로써, LLM의 추론을 실제 법적 텍스트에 정렬(grounding)시키는 ground truth 역할을 수행한다.

2.2 검색 증강 생성(RAG)

본 연구는 COLREGs 원문과 공신력 있는 해설･지침을 문서 집합D로 구성하고, 이를 지식베이스로 사용한다. 검색 단계는 현재 조우 상황과 연관된 규정 문장을 후보로 제한함으로써, 생성 과정이 규정 텍스트에 기반하도록 만드는 역할을 수행한다.

조우 상태 s_t로부터 질의 q_t = q(s_t)를 구성하고, 지식베이스D에서 관련성이 높은 근거 후보 집합 Z_t를 검색하는 과정은 식 (3)과 같다.

식 (3)에서 $$ R\left(\cdot \right)$$는 근거 코퍼스 D(COLREGs 조항/해설 등)의 문서들을 사전에 임베딩해 두고, 매 시점 생성되는 질의 q_t를 임베딩 벡터로 변환한 뒤 코사인 유사도(cosine similarity)를 기준으로 상위 K개의 근거 후보 $$ Z_t=\left\{z_t^1,\cdots ,z_t^K\right\}$$를 반환하는 연산자이다. 각 $$ k_t^j$$는 Evidence ID, 출저(문서/조항), 그리고 핵심 스니펫으로 구성된다.

2.3 근거 인용 기반 판단 설명 생성(LLM)

생성 단계에서는 조우 상황 s_t와 근거 후보 Z_t를 입력으로 받아 출력 y_t를 생성하며, 식 (4)와 같이 표현된다.

여기서 $$ G_{\theta }=\left(\cdot \right)$$는 파라미터 θ를 갖는 LLM 기반 생성 함수로, 입력(s_t, Z_t)를 “상황 요약–근거(evidence)–출력 스키마” 형태의 프롬프트로 구성한 뒤 JSON 출력 y_t를 생성한다. 즉, $$ G_{\theta }:\left(s_t,Z_t\right)\to y_t$$로 정의되며, 생성된 출력은 후처리를 위해 구조화된 필드로 파싱된다.출력은 후처리 및 평가를 위해 JSON 객체로 강제하며, 필수 필드는 action(a_llm), rules(L_t), encounter(k_t), role(p_t), citations(C_t), rationale(r_t)로 고정한다. citations에는 근거 후보 Z_t의 식별자(evidence ID)와 출처를 명시하여, 모델의 규칙 선택과 조치 서술이 입력된 근거에 의해 지지되는지 추적 가능하도록 구성한다.

프롬프트는 “상황 요약–근거–출력 스키마”의 순서로 구성한다. 상황 요약에는 조우 유형, 유지선/피항선 역할, 상대선 방향, 현재 분리거리, 예측 최소 분리거리 등 판단에 필요한 최소 정보를 포함한다. 근거 Z_t는 evidence 1, evidence 2와 같이 번호를부여하고 문서명과 스니펫을 함께 제공한다.

출력 정렬을 위해 모델은 Z_t에 포함된 근거만 인용하도록 제한하며, 충분한 근거가 검색되지 않은 경우에는 citations를 비우고 rationale에 근거 부족을 명시하도록 유도한다. 만약 JSON 파싱에 실패하거나 필수 필드가 누락될 경우 1회 재출력을 수행하며, 재시도 후에도 실패하면 보수적 기본 출력을 사용하되 원시 출력은 로그로 저장한다. 생성된 행동은 2.5절의 안전 쉴드를 통해 최종 검증된다.

2.4 LoRA(+SFT)

본 연구의 기본 모델(base model)로는 오픈 소스 기반의 고성능 언어 모델인 LLaMA(Touvron et al., 2023)를 채택하였다. LLaMA는 다양한 벤치마크에서 입증된 우수한 추론 능력을 바탕으로 복잡한 항해 상황을 해석하는 데 적합한 기초 성능을 제공한다. 그러나 대규모 파라미터를 가진 모델 전체를 미세조정(Full Fine-Tuning)하는 것은 막대한 연산 자원을 필요로 한다.

이에 본 연구는 LoRA(Hu et al., 2021) 기법을 적용하여 효율적인 학습을 수행하였다. LoRA는 사전 학습된 모델의 가중치는 고정한 채, 학습 가능한 저랭크 행렬(low-rank matrices)만을 주입하여 업데이트하는 방식이다. 이를 통해 NVIDIA RTX 5090과 같은 단일 GPU 환경에서도 메모리 요구량을 최소화하며 효과적인 지도 미세조정(Supervised Fine-Tuning, SFT)이 가능하도록 최적화하였다.

학습 데이터는 ‘조우 상황 입력’과 ‘전문가 정답(expert label)’ 쌍으로 구성된다. 여기서 전문가 정답은 인간 판단의 주관성과 불일치를 배제하기 위해, 검증된 규칙 기반 알고리즘(rule-based algorithm)의 결정론적 출력을 사용하여 생성하였다. 즉, 본 학습은 새로운 규칙 해석 논리를 생성하는 것이 아니라, 규칙 기반 알고리즘의 판단을 언어 모델이 일관되게 재현하도록 정렬(alignment)하는 것을 목적으로 한다.

구체적인 학습의 핵심 목표는 (i) 정의된 JSON 스키마의 엄격한 준수(format stabilization), (ii) 제공된 법규 텍스트 범위 내에서의 근거 인용을 통한 환각(hallucination) 억제, 그리고 (iii) 샘플링 불확실성 하에서도 일관된 행동과 규칙을 선택하는 출력 정렬이다. 이러한 최적화를 위해 사용된 학습 하이퍼파라미터는 Table 1에 요약하였다. 구체적으로, LoRA의 어댑터 크기를 결정하는 rank(r)와 스케일링 계수(α)는 파라미터 효율성과 학습 안정성을 고려하여 각각 16과 32로 설정하였다. 또한, 배치 크기(batch size)는 제한된 GPU 메모리를 고려하여 8로 설정하되, 그래디언트 누적(gradient accumulation) 기법을 병행하여 안정적인 수렴을 유도하였다.

Table 1

Hyperparameters for LoRA-based adapter tuning (SFT)

2.5 안전 쉴드(Safety Shield)

LLM은 COLREGs 해석에는 강하지만, 상대 기하에 기반한 충돌 위험을 과소평가하는 오류(geometric hallucination)가 발생할 수 있다. 이를 보완하기 위해 본 연구는 LLM이 제안한 행동 a_llm을 최종 반영하기 전에 결정론적 안전 쉴드로 위험 여부를 판정하고, 필요 시 안전 행동으로 대체한다.

안전 쉴드는 CPA와 TCPA를 이용해 위험 상태를 판단한다. 시각 t에서의 조우 상태 X_t에 대한 위험 상태 함수 f_risk(X_t)는 식 (5)와 같다.

여기서 X_t는 시각 t에서의 자선-타선박 상대 상태를 의미하며, d_CPA와 t_CPA는 해당 상태로부터 계산되는 최근접 접근 거리 와 최근접점 도달 시간 이다. 또한 d_safe와 t_safe는 각각 최소 안전거리와 안전 여유시간이며, 본 연구에서는 d_safe = 0.5NM, t_safe = 6min을 사용하였다.

여기서 a_shield는 사전에 정의된 회피 행동 후보 중, 예측 지평선 내 DCPA/TCPA(또는 예측 최소 분리거리)가 가장 안전한 방향으로 개선되도록 선택된다. 다선박 조우의 경우 모든 타선에 대해 동일한 평가를 수행하고, 가장 불리한 타선 기준(worst- case)에서 안전 여유가 최대가 되도록 a_shield로 결정된다. 이를 위해 본 연구에서는 쉴드 개입 여부를 나타내는 이진 스위치 변수 σ_t를 도입하였다. σ_t는 식 (5)에서 산출되는 위험 판정값 f_risk(X_t)과 LLM 제안 행동의 적절성을 참조 하여 매 시점 결정된다. 구체적으로, f_risk(X_t) = 1인 위험 상황에서 LLM 행동이 소극적(passive)일 때 σ_t = 1로 설정하여 a_shield를 적용하고, 그 외에는 σ_t = 0으로 a_llm을 적용한다.

3.1 시험 구성

본 연구는 시뮬레이션이 아닌 실제 AIS 로그에서 관측된 조우 상황을 대상으로 오프라인 검증을 수행하였다. 검증 데이터는 선박해양플랜트연구소(Korea Research Institute of Ships and Ocean Engineering, KRISO)가 운용하는 해상시험 실증선 해양누리호(Haeyang Nuri)에서 수집된 AIS 로그로 구성된다. 해상시험 장면은 Fig. 2에 제시하였으며, 해양누리호의 주요 제원은 Table 2에 정리하였다.

Fig. 2

Testbed ship Haeyang Nuri

Table 2

The principal particulars of Haeyang Nuri.

각 시각 t에서의 조우 입력은 2.1절에서 정의한 조우 상태s_t식 (1)로 구성하며, 동일 s_t에 대해 비교군별 판단 근거 y_t를 생성하여 성능을 비교하였다. 원시 AIS 시계열은 선박별로 시간 순 정렬 후 1초 간격으로 리샘플링하였으며, 이때 발생하는 AIS 수신 공백으로 인한 누락 데이터는 선형 보간(Linear Interpolation)으로 보정하여 자선(o)과 타선(i)의 조우 상태 s_t를 구성하였다.

조우 기하 및 예측 최소 분리거리 계산에는 AIS의 위도(latitude), 경도(longitude), SOG, COG를 사용하였다. 이하에서는 위도, 경도, 속력, 침로를 각각 ϕ(t), λ(t), u(t), ψ(t)로 표기하며, 자선은$$ {\left(\cdot \right)}^{\left(O\right)}$$, 타선은$$ {\left(\cdot \right)}^{\left(i\right)}$$로 구분한다. 위･경도는 degree(^o) 단위로 제공되므로, 근거리 조우 구간에서는 지구 곡률을 무시한 국부 평면 근사(equirectangular approximation)를 적용하여 각도 차이를 해리(NM) 단위의 평면 변위로 변환하였다. 항해 단위에서 1 NM는 위도 1 arcminute에 해당하므로 1^o 위도 차이는 60 NM이며, 경도 방향 변위는 위도ϕ에서 자오선 수렴에 의해 60cos(ϕ)[NM/deg]로 축척된다. 따라서 동(East)–서(West) 방향 성분Δx(t)와 북(North)–남(South) 방향 성분Δy(t)는 식 (6)과 같이 근사된다.

속도는 AIS의 SOG/COG로부터 계산하였고, 상대 속도 성분은 식 (7)과 같다. 여기서 u(t)의 단위는 kn이며, 1 kn은 1 NM/h에 해당한다. 또한 ψ(t)는 degree(°)단위이므로 sin, cos계산을 위해 $$ \frac{\pi }{180}$$을 곱해 rad로 변환하였다.

평가 단위는 자선–타선 쌍의 조우 구간이며, 각 조우 구간을 하나의 케이스로 정의하였다. 케이스 내에서 기준 시각 t₀는 예측 지평선 H = 6분에서의 예측 최소 분리거리 $$ {\widehat{d}}^{\text{min}}\left(t\right)$$를 기준으로 일관되게 선정하였다. 예측 최소 분리거리 $$ {\widehat{d}}^{\text{min}}\left(t\right)$$는 일정 속도 가정 하에서 예측 지평선 H 내 최소 분리거리로 정의하며, 식 (8)와 같다. SOG는 kn 단위로 제공되며(1kn = 1NM/h), 이에 시간 변수 Δ는 hour 단위로 두고 H = 6min=0.1h로 사용하였다.

t₀는 조우가 위험 수준으로 진입하는 시점을 일관된 기준으로 정하기 위해, $$ {\widehat{d}}^{\text{min}}\left(t\right)$$의 임계 진입을 우선하는 규칙으로 결정하였다. 선택 규칙은 식 (9a)~(9b)와 같다.

조우 구간 간 비교 조건을 동일하게 유지하기 위해 리플레이 윈도우는 식 (10)과 같이 고정하였다.

W는 궤적 및 위험도 시계열을 동일 조건으로 기록･시각화하기 위한 공통 구간이며, 모델 출력 평가는 t₀ 시각의 입력 s_t에 대한 출력 y_t0를 기준으로 수행하였다.

3.2 비교 설정

제안 요소인 LoRA 어댑터와 RAG 모듈의 기여도를 분석하기 위해, 기본 모델(Base)을 기준으로 다음 네 가지 비교군을 구성하였다: B (Base), B+L (Base+LoRA), B+R (Base+RAG), B+L+R (Base+LoRA+RAG). 모든 비교군은 동일한 조우 입력 x_t와 동일한 출력 포맷 y_t를 공유하며, 오직 LoRA 및 RAG 적용 여부에서만 차이를 갖는다.

또한, 생성 기반 모델의 특성상 샘플링 확률 분포에 따라 결과가 달라질 수 있음을 고려하여, Nucleus Sampling의 Top-p 파라미터를 {0.2,0.4,0.6,0.8,1.0}으로 변화시키며 불확실성에 대한 민감도(Sensitivity)를 평가하였다. Top-p를 제외한 Temperature (0 고정) 등의 디코딩 설정은 모든 조건에서 동일하게 통제하였다.

3.3 평가 지표

본 연구는 제안 모델의 성능을 효율성, 안전성, 행동 성능의 세 가지 관점에서 종합적으로 평가하였다. 모든 지표는 개별 조우 사례(case) 단위로 산출되었으며, 각 비교군 및 Top-p 설정에 따른 평균과 변동을 분석하였다. 구체적인 평가지표의 정의와 산출식은 다음과 같다.

첫째, final score(S_final)는 모델의 종합적인 의사결정 효율성(Efficiency)을 나타내는 0~1 범위의 점수이다. 그래프에서 볼 수 있듯이 점수가 높을수록 우수한 성능을 의미하므로, 식 (11)과 같이 행동 정확도(S_acc)와 내재적 안정성(1 - R_illegal)의 가중 합으로 정의된다.

여기서 w₁과 w₂각 지표의 중요도를 반영하는 가중치 계수이며, R_illegal은 후술할 내재적 위반율이다.

둘째, 내재적 위반율(Intrinsic Illegal Rate, R_illegal)은 안전 쉴드의 개입 없이 LLM이 생성한 원시 출력(Raw Output) 자체가 규정이나 물리적 안전 제약을 위반한 비율이다. 이는 전체 테스트 케이스 집합 N에 대하여 식 (12)과 같이 계산된다.

여기서 $$ y_{raw }^{\left(i\right)}$$는 i번째 사례에서의 LLM 원시 출력 행동,A_valid는 규정상 허용되는 유효 행동 집합, $$ I\left(\cdot \right)$$는 지시 함수(Indicator function)이다. 그래프의 "Lower is Safer" 표시와 같이, 이 값이 0에 수렴할수록 모델이 내재적인 안전성을 갖추었음을 의미한다.

마지막으로 행동 F1 점수(action F1 score, F1_action)는 기준 레이블(reference label) 대비 행동 선택의 일치도를 나타내는 성능(performance) 지표로, 식 (13)와 같이 정밀도(precision)와 재현율(recall)의 조화 평균으로 산출된다.

4.1 Top-p 스윕 기반 모델 비교

본 연구에서는 LLM의 생성 텍스트 다양성을 제어하기 위해 nucleus sampling (top-p) 기법을 적용하였다(Holtzman et al., 2020). Top-p 샘플링은 모델이 예측한 다음 토큰들의 확률 분포에서, 누적 확률(cumulative probability)이 p값이 되는 상위 토큰들의 집합V^(p)내에서만 샘플링을 수행하는 방식이다. 이는 다음 식 (14)와 같이 정의된다.

여기서 p는 생성의 무작위성을 결정하는 임계값이다. 자율운항 시나리오에서 p값이 너무 낮으면 결정론적이고 반복적인 답변을 생성하여 복잡한 조우 상황에 유연하게 대처하지 못할 수 있으며, 반대로 너무 높으면 환각이나 일관성 없는 회피 행동을 유발할 위험이 있다. 따라서 본 연구에서는 p값을 0.2에서 1.0까지 변화시키며(sensitivity analysis), 모델의 추론 다양성이 항해 안전성과 효율성에 미치는 영향을 분석하였다.

구체적으로, 네 가지 비교 모델(B, B+L, B+R, B+L+R)을 대상으로 효율성(final score), 행동 성능(action F1 score), 안전성(intrinsic illegal rate) 지표를 측정하였으며, 그 결과는 Fig. 3-5에 제시하였다.

먼저 효율성 지표(Final Score)의 변화를 살펴보면(Fig. 3), Baseline(B)은 Top-p가 증가함에 따라 점수가 상승하는 경향을 보이나, 샘플링 설정 변화에 따른 변동성이 크게 나타났다. 반면 B+L+R은 중간 Top-p 구간에서 높은 점수 수준에 도달한 뒤, 고 Top-p 구간에서도 성능 저하 없이 비교적 안정적으로 유지되는 양상을 보였다. 이는 RAG가 판단을 규정 텍스트에 정렬시켜 생성의 탐색 공간을 제한하고, LoRA가 구조화 출력 및 규칙 선택 패턴을 일관되게 따르도록 보조함으로써, 샘플링 불확실성 변화가 효율 지표의 급격한 흔들림으로 전이되는 것을 효과적으로 완화한 결과로 해석된다.

Fig. 3

Trends in final efficiency scores with respect to Top-p sampling hyperparameters

행동 성능 지표(action F1 score)의 결과는 Fig. 4와 같다. 전반적으로 top-p가 증가할수록 샘플링 다양성이 확대되어 상황별 행동 선택이 개선되며 F1 점수가 상승하는 경향이 관찰된다. baseline(B)은 top-p≈1.0 구간에서 B+L+R과 유사한 수준에 도달하지만, 낮은 top-p 구간에서는 출력이 제한되면서 행동 선택이 보수적(또는 passive)으로 치우쳐 F1 저하가 나타난다. 반면 B+L+R은 낮은 top-p에서도 규칙 적용과 행동 선택이 비교적 안정적으로 유지되어 설정 변화에 대한 강건성이 높다. 또한 Fig. 3의 효율 점수 곡선이 Fig. 4와 유사한 추세를 보이는데, 적절한 행동 선택(F1 향상)이 불필요한 회피･감속을 줄여 운항 효율 역시 함께 개선되기 때문이다.

Fig. 4

Analysis of action performance improvement with increasing sampling diversity

안전성 지표(intrinsic illegal rate)는 Fig. 5에 제시하였다. B와 B+R은 top-p 변화에 따라 성능과 안전 간 상충 관계(Trade-off)가 관찰되며, B+L은 전 구간에서 상대적으로 높은 위반율을 보였다. 반면 제안 모델(B+L+R)은 top-p 전 구간에서 낮은 위반율을 일관되게 유지하였다. 이는 RAG가 규정 오인의 가능성을 줄이고, LoRA가 규칙 선택･조치 제안의 형식적 일관성을 강화함으로써, 샘플링 불확실성 증가 상황에서도 위반 행동으로의 이탈을 억제하는 방향으로 작동했음을 시사한다. 특히 Fig. 5의 낮은 내재적 위반율은 결과적으로 안전 쉴드의 개입 빈도(Z_t = 1)가 낮음을 의미한다. 이는 제안 모델이 사후 보정(Safety Shield)에 전적으로 의존하는 것이 아니라, LLM 추론 단계에서부터 규정에 부합하는 안전한 경로를 생성하고 있음을 시사한다. 이어지는 4.2절에서는 이러한 판단이 실제 시나리오에서 어떻게 구체화되는지 확인한다.

Fig. 5

Comparison of intrinsic illegal rates across model configurations and sampling ranges

이러한 분석 결과를 종합하여 가장 높은 다양성 설정(top-p=1.0)에서의 모델별 정량 성능을 요약하면 Table 3과 같다. 제안 모델(B+L+R)은 종합 점수(Final Score) 0.80, 행동 정확도(Action F1) 0.71을 기록하여 모든 지표에서 가장 우수한 성능을 보였다. 특히 안전성(safety) 지표에서는 0.13의 가장 낮은 위반율을 기록하여, Baseline(0.23) 대비 약 43%의 개선 효과를 확인하였다.

Table 3

Summary of quantitative performance metrics across comparative models

4.2 AIS 기반 정성 사례 분석

본 절에서는 앞선 4.1절의 정량 평가가 모델의 통계적 성능을 입증했다면, 본 절에서는 실제 해상 시나리오에서 시스템이 어떠한 논리적 인과관계를 거쳐 의사결정에 도달하는지 심층적으로 분석한다. Fig. 6~9는 실제 AIS 항적 데이터를 기반으로, 기하학적 위험 인지에서 시작하여 RAG 기반 규정 해석과 LLM 행동 생성을 거쳐 최종적인 안전 쉴드 검증에 이르는 일련의 처리 과정을 단계별로 도시하였다. 이를 통해 수치만으로는 파악하기 어려운 ‘설명 가능한 판단 근거(Explainability)’와 ‘결정론적 안전 보장(Safety Assurance)’의 상호작용 메커니즘을 구체적으로 확인한다.

Fig. 6은 정면 조우(Head-on) 상황에 대한 분석 결과를 보여준다. 시스템은 양 선박이 정면으로 마주 보는 형세와 좁혀지는 거리를 근거로 충돌 위험을 식별하고, 해당 조건이 COLREGs 제14조 적용 대상임을 바탕으로 우현 변침을 조치로 제시하였다. 이후 안전 쉴드는 제안된 조치가 물리적 안전 기준(DCPA/TCPA)을 만족하는지 검증한 뒤 최종 행동으로 확정하였다.

Fig. 6

Qualitative result for Head-on encounter

Fig. 7은 교차 조우(Crossing) 상황에서 피항 의무를 이행한 사례를 제시한다. 자선(파란색) 기준으로 타선(보라색)이 우현 방향에서 횡단(Starboard-to-Port crossing)하며 접근함에 따라 자선이 피항선(give-way vessel)으로 판단된다. 시스템은 COLREGs 제15조–제16조에 근거해 선수 횡단을 피하고 선미 통과(pass astern)를 유도하는 침로 변경(heading alteration) 조치를 도출하였으며, 우측 패널의 최종 명령과 같이 실행 단계로 확정하였다. 이후 안전 쉴드 검증을 통해 해당 조치가 물리적 안전 기준(DCPA/TCPA)을 만족함을 확인한 뒤 최종 행동으로 적용하였다.

Fig. 7

Qualitative result for crossing encounter

Fig. 8은 속도 제어를 포함한 복합적 판단(선미 통과 전략)의 사례를 보여준다. 단순 침로 유지 시 상대선의 진로를 가로지를 위험이 존재하므로, 시스템은 무리한 횡단 대신 COLREGs 제8조에 근거하여 필요 시 감속과 침로 변경을 병행하는 전략을 선택하였다. 특히 Fig. 8의 우측 패널은 LLM 입력 프로세스의 구체적인 예시로, 센서로부터 수집된 기하 정보(panel 1)와 RAG를 통해 검색된 COLREGs 제8조/제15조(panel 4)가 작업자의 수동 개입 없이 시스템에 의해 자동으로 직렬화(serialization)되어 프롬프트로 변환되는 과정을 나타낸다.

Fig. 8

Strategic Decision-Making for pass astern

이러한 전략이 시간축에서 수행되는 과정은 Fig. 10에 도시되었다. 그래프는 위에서부터 최종 행동 인덱스와 안전 쉴드 활성화(σ_t = 1), 제어 입력(SOG/COG), 그리고 위험 지표(DCPA/TCPA 및 위험 구간)를 시계열로 도시하였다. Fig. 9(a)에서 위험 구간(f_risk = 1)진입 예측 시 안전 쉴드가 활성화(σ_t = 1)되어 개입하며, 이후 감속 및 침로 변경이 적용됨에 따라 DCPA/TCPA가 임계 조건을 만족하는 방향으로 전이되어 위험 상태가 해소됨을 확인할 수 있다. 이를 통해 정성적으로 규정된 “충분히 이른 회피” 요구가 데이터 기반의 자동화된 프롬프트를 통해 구체적 제어 명령으로 변환되고, 최종적으로 안전 쉴드(σ_t)의 물리적 검증을 거쳐 행동이 확정되는 과정을 입증한다.

Fig. 9

Resolution of Multi-Vessel conflict

Fig. 10

Time-Series Visualization of Pass-Astern Strategy with Safety-Shield Activation

Fig. 9은 복수 선박이 얽힌 고난도 조우 상황에서의 충돌 위험 해소 과정을 나타낸다. 정면 및 교차 위험이 혼재된 상황에서 단순한 좌현 변침은 특정 선박(T2)과의 충돌을 유발할 수 있으므로, 시스템은 상충 관계를 분석하여 T1–T3 모두에 대해 동시에 안전 영역을 확보할 수 있는 우현 전타(Hard Starboard)를 최종 행동으로 도출하였다. 이는 다선박 상황에서 국소적으로 합리적인 조치가 전체 안전을 훼손할 수 있음을 고려하여, 단일 파이프라인 내에서 규칙 적용과 물리적 검증을 결합해 일관된 최종 행동을 산출했음을 보여준다.

또한 Fig. 11은 동일 사례에 대해 최종 행동 인덱스와 쉴드 활성화(σ_t), 제어 입력(SOG/COG), 그리고 DCPA/TCPA 기반 위험지표의 시간 변화를 함께 제시하여, hard starboard가 선택·확정되고 위험이 완화되는 과정을 시간축에서 확인할 수 있도록 보강한다. 이상의 사례는 기하학적 위험 인지가 규정 검색 및 규칙 적용으로 연결되고, 이것이 다시 안전 쉴드(σ_t)의 물리적 검증을 거쳐 최종 행동으로 확정되는 일련의 과정을 사례 수준에서 확인한다.

Fig. 11

Time-Series Analysis of Multi-Vessel Conflict Resolution with Safety-Shield Activation

이상의 사례는 기하학적 위험 인지가 규정 검색 및 규칙 적용으로 연결되고, 이것이 다시 안전 쉴드의 물리적 검증을 거쳐 최종 행동으로 확정되는 일련의 과정을 사례 수준에서 확인한다.