드론은 음식을 골프장에 실어 나르고 소방관과 응급 구조대원을 위해 정찰을 하고 올림픽 개막식에서 라이트쇼를 하는 데 이용되는 다재다능한 장치이다. 그러나 프로펠러 포워드 폼팩터(propeller-forward form factors)는 전력 효율을 높이는데 도움이 되지 않아 비행시간 제한 요소로 작용하고 있다.

이같은 단점을 극복하기 위해 쿼드콥터와 고정익 비행기의 장점을 결합한 새로운 드론 설계 접근법이 연구되고 있다. '벤처비트'에 따르면 MIT 컴퓨터과학및인공지능연구소(CSAIL), 다트머스대, 워싱턴대 연구진은 다양한 크기와 모양의 드론에서 단일 비행 컨트롤러로 호버링과 슬라이딩을 전환할 수 있는 새로운 AI 시스템을 만들었다. 관련 논문은 이달 말 LA 시그래프(Siggraph) 컨퍼런스에서 발표될 예정이다.

MIT CSAIL 대학원생이자 리더인 지에 쑤(Jie Xu)는 "비전문가들도 모델을 디자인하고, 몇 시간 안에 컨트롤러를 계산해 맞춤형 드론을 가지고 떠날 수 있다"며 “이러한 플랫폼을 통해 모든 사람들이 다용도 '하이브리드 드론'을 훨씬 더 쉽게 접근할 수 있게 되기를 바란다”고 말했다.

쑤와 동료들이 논문에서 설명하듯 수직 이착륙이 가능한 기존 하이브리드 고정익 드론은 엔지니어들이 호버링(콥터 비행) 시스템 하나와 수평 비행(비행기 비행)을 위한 시스템 하나 그리고 두 모드를 변환시키는 다른 컨트롤러가 필요하기 때문에 제어가 어렵다.

AI는 여기서 도움을 줄 수 있다. 연구자들은 보다 적응력이 뛰어난 컨트롤러 시스템을 만들기 위해 머신러닝에 눈을 돌렸다. 그러나 대부분의 방법은 실제 하드웨어 대신 시뮬레이션에 크게 의존하여 불일치를 초래하는 경우가 많다.

이를 해결하기 위해 연구진은 강화 학습(소프트웨어 정책을 목표 쪽으로 유도하기 위해 보상을 사용하는 AI 훈련 기법)으로 모델을 훈련시켰다. 시뮬레이션과 실제 시나리오 간의 잠재적 차이를 추적함으로써 컨트롤러가 출력을 보정하도록 하는 접근이다. 어떤 모드도 저장할 필요가 없으며 드론의 목표 속도를 업데이트하는 것만으로 호버링에서 슬라이딩으로 전환되었다가 다시 되돌아갈 수 있다.

연구팀은 AI 시스템을 컴퓨터 지원 설계 소프트웨어인 온셰이프(OnShape)에 통합해 사용자가 데이터 세트에서 드론 부품을 선택하고 매치할 수 있도록 했다. 그런 다음 일련의 테스트에서 결과 디자인을 비행 성능을 테스트한 시뮬레이터에 끼워 넣었다.

쑤와 동료들은 논문에서 "새로운 입력표현과 새로운 보상기능을 통해 강화학습 접근에서 공통적으로 나타나는 현실격차를 좁힐 수 있었다"며 "이 솔루션이 다른 많은 영역에서 응용 프로그램을 찾을 것으로 기대한다”고 말했다.

이 연구팀은 기동성을 개선하기 위해 현재 프로펠러의 공기 흐름과 날개 사이의 복잡한 공기역학적 영향을 충분히 고려하지 않고도 드론의 설계를 미세 조정하는 작업을 진행할 계획이다. 또한 콥터가 급격한 방향전환을 할 수 없는 한계를 넘어서기를 바라고 있다.