Trends in AI Technologies for Tactical Environments and On-Device Optimization Strategies

전술 환경을 위한 AI 기술 동향 및 온-디바이스 최적화 전략

Abstract

Artificial Intelligence (AI) technology is increasingly recognized as a critical enabler of future battlefield capabilities, as reflected in government initiatives such as Defense Innovation 4.0. At the tactical level, there is a growing demand for AI integration at the individual combatant and small-unit scale. However, tactical devices currently face significant constraints, including limited computational power, restricted battery capacity, and the need for autonomous operation in network-disconnected environments. To address these challenges, On-Device AI-where all computations are executed locally without reliance on cloud connectivity-is gaining traction. Nonetheless, existing defense-focused AI research largely centers on cloud-based, large-scale neural network models, with relatively little attention given to lightweight models suited for resource-constrained tactical conditions. This paper examines current research trends in AI technologies for tactical environments and proposes optimization strategies across three domains: model lightweighting(quantization, pruning, knowledge distillation), energy efficiency(low-power hardware accelerators and power-aware scheduling), and real-time processing (parallel computing techniques, lightweight communication protocols, and resource reservation methods). These efforts aim to advance the practical deployability of AI systems in diverse and resource-limited tactical scenarios.

인공지능(AI) 기술은 국방혁신 4.0(Defense Innovation 4.0)을 통해 미래 전장 환경의 핵심 요소로 주목받고 있다. 특히 전술 수준의 전장에서는 개별 전투원과 소부대 단위에서의 AI 활용 요구가 증가하고 있으나, 실제 전술 장비는 낮은 연산 능력, 제한된 배터리 수명, 그리고 네트워크 단절 환경에서의 독립 동작 필요성 등 여러 제약을 안고 있다. 이러한 한계를 극복하기 위한 방안으로 클라우드 연결 없이 장비 내에서 모든 연산을 수행하는 '온-디바이스 AI(On-Device AI)'가 주목받고 있다. 그러나 현재 국방 분야의 AI 연구는 대규모 신경망 기반의 클라우드 중심 모델에 편중되어 있으며, 자원 제약이 있는 전술 환경에 최적화된 경량화 모델에 관한 연구는 부족한 실정이다. 이에 본 논문은 전술 환경에서의 AI 기술 최신 연구 동향을 분석하고 모델 경량화 전략(양자화, 프루닝, 지식 증류), 에너지 효율 최적화 전략(저전력 하드웨어 가속기, 전력 인지형 스케줄링) 그리고 실시간 처리 최적화 전략을 제안함으로써, 제한된 자원을 가진 다양한 전술 환경에서 AI 기술의 실제 배치 가능성을 높이는 데 이바지할 것이다.

1. 서론

인공지능(AI) 기술은 국방 분야를 포함한 다양한 산업에서 핵심 혁신 요소로 부상하고 있다. 특히 국방 혁신 4.0 등 정부 전략에서도 AI를 미래 전장 대비를 위한 중점 기술로 선정하여 적극 투자하고 있어 군사 분야에서 AI 활용 필요성이 더욱 커지고 있으며, 최근 국방 분야에서 디바이스 내 AI 구현의 중요성이 강조되어 관련 연구들이 활발히 추진되고 있다[1][2]. 이렇듯 전장 환경은 C4I 체계(지휘·통제·통신·컴퓨터 체계)로 개인 전투원까지 확장되는 추세이기에, 소규모 부대 단위까지 신속하고 정확한 정보 처리와 의사결정을 지원하기 위해 AI 기술 도입이 요구되고 있다. 그러나 현재 이러한 전술급 모바일 디바이스(C4I 단말 등 개인 전투원이 휴대하는 장치)는 낮은 연산 능력과 제한된 배터리 용량을 갖고 있고 동시에 여러 응용프로그램을 구동해야 하며, 전술망 단절 시에는 클라우드 연계 없이 스탠드얼론(stand-alone)으로 동작해야 하는 제약이 있다.

향후 전투환경에서는 병사 개개인이 증강현실(AR) 장비나 휴대용 드론 등 다양한 지능형 장비를 활용할 것으로 예상되는데, 이러한 추가 장비의 무게 증가는 전투원의 부담으로 작용하므로 AI 장비의 경량화가 필수적이다. 이러한 제한적 상황을 극복하기 위해 전술 현장에서 네트워크 단절 상황에도 자체 장비만으로 AI 기능을 수행하기 위한 경량화 AI 모델과 신속한 응답과 오프라인 동작, 데이터 보안을 보장하기 위한 온-디바이스(On-Device) AI에 대한 관심이 높아지고 있다. 온-디바이스 AI란 클라우드 서버가 아닌 디바이스 자체에서 AI 연산을 수행하는 기술로서, 데이터 수집부터 모델 추론까지 모든 과정을 디바이스 내부에서 처리함으로써 지연을 최소화하여 네트워크 미연결 상황에서도 동작해 민감한 데이터의 외부 노출을 막을 수 있다. 이러한 특성 때문에 군사 작전에서도 네트워크에 의존하지 않고 전투현장 단말만으로 지능형 기능을 구현할 수 있다.

이와 같은 온-디바이스 AI의 국방 적용 필요성에 비해, 현재 국방 AI 연구는 주로 대규모 신경망 모델 개발이나 클라우드 기반 학습에 치중되어 있어, 제한된 자원을 가진 전술 디바이스상에서 안정적으로 동작 가능한 경량 AI 모델에 대한 연구는 미흡한 실정이다. 따라서 본 연구에서는 전술 환경을 위한 온-디바이스 AI 기술의 최신 동향을 분석하고, 이를 기반으로 최적의 기술 적용 방안을 도출하고자 한다. 이를 위해 경량화 모델 기술, 에너지 효율 최적화 전략 및 실시간 처리 최적화 방안에 관한 최근 연구 결과와 사례들을 분석하고 국내 군 및 기관에서 이미 운영되고 있는 실제 적용 사례들을 제시하여 향후 전술 AI 시스템의 발전 방향과 국방 분야에 필요한 정책적·기술적 과제를 제시하고자 한다.

2. 전술 환경에서의 AI 기술 연구 동향

2.1 지능형 감시정찰(ISR) 분야

지능형 감시정찰(ISR) 분야는 주로 드론, 정찰 로봇, 위성 등 무인 플랫폼에 AI 기반 영상 분석 기능을 탑재하여 적 군대 움직임, 차량/인원 식별, 위협 탐지를 실시간 수행하는 연구로 이루어졌다.

Radovanovic 등의[3] 연구는 무인항공기(UAV)를 C4ISR 체계에 통합하여 정찰 정보를 실시간으로 제공하는 방식을 전술 네트워크상에서 분산된 엣지 디바이스들을 활용하였다. 이때, AI는 선택적으로 사용하여 엣지 단에서의 객체 인식, 패턴 예측, 위협 탐지 등에 활용하며 전술 네트워크에 적합한 경량화된 AI 모델을 제시하였다. 이러한 기술은 (그림 1)에서 볼 수 있듯이, 카메라 장비로부터 영상을 획득한 엣지 디바이스가 현장에서 데이터 전처리와 딥러닝 추론을 수행하고, 그 결과만을 통신망을 통해 후방에 전송하면 안전하고 빠르게 정보를 전달할 수 있다.

(그림 1) 온-디바이스(edge) AI 처리 개념도

실제 미군은 초기에는 Project Maven을 통해 대량의 UAV 영상을 AI로 분석하기 위해 초기에는 클라우드에서 처리했으나 점차 드론 내 탑재 AI로 전환하여 필요한 정보만 전송함으로써 통신부하를 줄이고 응답 속도를 높이는 방향으로 전환하였다. 또한 소형 정찰드론에 경량 객체 탐지 모델(YOLO-tiny 등)을 실어 적군이나 장비를 자동 인식하는 기술이 실전 테스트되고 있으며, 위성의 경우에도 촬영 이미지를 모두 전송하지 않고 기내에서 AI로 선별하여 의미 있는 변화만 지상으로 송신하는 방식도 활용 중이다. 이 밖에도 전장 영상 데이터를 다루어 식별하는 특수한 딥러닝 기법들이 연구되었는데, D’Acremont 등은[4] 적외선(IR) 영상에서 표적을 인식하는 CNN 기반 알고리즘을 개발하였고, Janakiramaiah 등은[5] 캡슐망(capsule network)을 활용한 군용 객체 탐지 기법을 선보였다.

이러한 연구들은 경량화된 AI를 적용하여 적의 움직임과 위협을 실시간으로 식별하는 방향으로 발전하고 있다. 특히 엣지 디바이스 기반의 온-디바이스 AI는 통신 지연을 줄이고 빠른 의사결정을 가능하게 한다. 이러한 기술은 제한된 자원 환경에서도 효율적인 정보 처리를 가능하게 하여 전장 대응 능력을 높인다.

2.2 상황인식 및 전투원 보조 분야

전술 현장에서 정확한 상황 인식을 위해 엣지 AI를 활용하려는 구체적인 연구도 시도되었다. 최전방의 개별 병사들에게 스마트 디바이스를 지급하여 전장 상황 인식을 지원하는 개념으로, Sumari와 Ahmad는 [6] C4ISR 프레임워크 내에 인지형 AI를 적용하여 국가 방위 능력을 강화하는 개념을 제시하였는데, 소규모 부대의 상황 인식을 높이기 위해 지휘통제체계에 AI를 결합하는 방법을 제시하였으며, Ajakwe 등은[7] 병사들이 휴대한 장비에서 적 드론을 자동으로 탐지·대응하는 온-디바이스 AI 활용으로 전장 상황에서 드론 식별 및 무력화를 위한 실시간 AI 기법을 제안하였다. 이러한 연구들은 온-디바이스 AI를 통한 분대 단위의 지능화 가능성을 보여준 연구이다.

미 육군의 IVAS (Integrated Visual Augmentation System)는 병사들의 상황 인식과 전투 효율성을 향상시키기 위해 개발한 증강 현실 시스템으로 전투안경을 카메라 영상에 객체인식 AI를 통합하여 병사 시야에 실시간 표적하고 식별 결과를 표시하는 장비를 활용 중이다. 이 장비는 홀로렌즈(Hololens) 기반에 전술 AI 소프트웨어를 결합한 것으로, 클라우드 연결 없이 자체적으로 주변을 인식해 표적 탐지/거리 산출 등을 수행한다. 한국군도 특전사 등을 대상으로 전술용 스마트폰과 드론 연동 체계를 시험하고 있는데, 병사 휴대폰에 탑재된 모바일 AI 앱이 드론영상 스트림을 분석해 은폐된 적을 탐지하는 기능을 선보였다.

전투의 효율성을 위한 전투원의 AI 활용에 관한 연구도 있다. Liu 등은[8] 미래 보병 분대에 로봇과 AI 기술을 적용하여 전투 능력을 향상시키는 방안을 제시하였고, Kim & Kim은[9] 유·무인 복합팀(MUM-T)을 위한 통합 시뮬레이션 플랫폼을 개발하여 전투원과 무인체계가 함께 작전할 때의 효과를 분석하였다. 국내에서 삼성테크윈과 고려대학교가 공동 개발한 SGR-A1은 비무장지대(DMZ)에 배치된 자율 경계 로봇시스템은 감시, 추적, 음성 인식 및 자동 사격 기능을 통합한 시스템으로 기존의 인간 경계 병력을 보완하며, 감시 효율성과 반응 속도를 향상시켰다[20].

이러한 기술은 미래 전장에서 인간과 무인체계 간의 협업을 기반으로 한 유·무인 복합 전투력 강화를 위한 핵심 기반이 된다.

2.3 자율무기 플랫폼 기술 분야

전술 환경에서의 온-디바이스 AI의 이점을 살릴 수 있는 연구는 지상·해상·공중의 각종 무인 플랫폼에서 자율주행 및 임무를 AI에 내장하는 연구가 있다. Giurgiu 등은[10] 군용 차량에 첨단 기술과 AI를 접목하여 기동성, 생존성을 크게 향상시키는 방법을 연구하였다. 자율주행 전투차량은 라이더(Lidar), 카메라 등의 데이터를 실시간 처리하여 장애물 회피와 경로를 계획하고, 이 연산을 차량 내 GPU에서 처리하는 방법을 제시하였다. 실제 K2 흑표 전차의 자동 표적 탐지 및 추적 시스템은 자동 표적 탐지 및 추적 시스템을 통해 이동 중인 표적에 대한 실시간 탐지와 자동 사격이 가능하여 전투 효율성을 크게 향상시켰다[21]. 무인 수상정도 파도 환경을 딥러닝으로 분석하며 스스로 최적 경로로 항해하는 AI를 탑재하고 있다. Banas 등은[11] 해양 환경에서 유·무인 협동을 제시하여 미래 전투에서 인간과 AI의 공조에 대한 연구의 방향을 제시하였고, 공중에서는 충돌회피 AI를 장착한 UAV 편대 비행은 미 공군의 Skyborg 프로그램[12]처럼 유·무인 복합 편대기 개념에서는 개별 드론들이 온-보드 AI로 자율 의사결정을 하며 인간 조종기를 보조하는 역할을 중점으로 연구되었다.

자율무기 플랫폼에 온-디바이스 AI 기술을 적용할 때 가장 핵심적인 윤리적 이슈는 의미 있는 인간 통제(MHC, Meaningful Human Control) 의 원칙을 지키는 것이다. MHC는 AI 기반 자율 무기 시스템이 치명적인 결정을 내릴 때 반드시 인간이 개입하고 최종적으로 결정과 통제를 행사해야 한다는 국제적 합의다[22]. 따라서 AI의 자율성을 인간의 책임 있는 통제 하에 두고, AI의 결정 과정이 인간에게 충분히 투명하게 제시되어 인간 운영자가 최종 책임자로서 역할을 수행할 수 있도록 해야 한다. 또한 인간과 기계 간 명확한 역할 분담과 의사결정 프로세스를 명시함으로써 기술적 신뢰성과 윤리적 정당성을 높일 수 있다. 이렇듯 자율무기 플랫폼은 주로 인간과 자율체계의 협업에 대한 연구로 활발히 이루어졌지만, 단일 디바이스에서의 완전 자율적인 온-디바이스 AI 수행에 대한 연구는 상대적으로 미흡한 편이다. 특히 자율 시스템은 통신 없는 고립 상황에서 임무 달성 능력을 높이기 위한 연구는 부족하다.

2.4 사이버 보안 및 통신분야

전술 네트워크상에서 AI가 엣지 보안장비에 탑재되어 사이버 공격을 실시간 탐지·차단하는 기술이 주로 연구되었다. Chin 등은[13] 전술 엣지 환경 즉, 전투 현장의 최전방 분산 컴퓨팅 환경에서 머신러닝을 활용하여 실시간 의사결정을 지원하는 TAK-ML 시스템을 소개하였으며, 이를 통해 전장 상황에서의 신속한 정보 처리 가능성을 시사하였다. Yang 등은[14] 미래 전장에서 엣지 기기들이 분산적으로 협력하는 디스퍼스 컴퓨팅(dispersed computing) 아키텍처를 제안하여, 중앙 서버 없이도 엣지 자원들을 효율적으로 활용할 수 있는 체계를 논하였다. 즉, 전초기지의 게이트웨이에 AI 기반 침입 탐지 시스템(IDS)를 구동하여 평소 트래픽 패턴과 다른 이상 신호를 현장에서 즉각 식별해 차단하는 방법으로 이때 클라우드에 보고하는 방식이 아니라 로컬에서 방어함으로써 공격대응 시간을 단축하고 피해 범위를 최소화 시키는 것이다. Trepagnier와 Wollaber의 연구는[11] 사이버 방어 분야에서 전술 엣지용 자율 에이전트의 활용 가능성을 탐색하여, 네트워크 최전방에서 자동으로 위협을 대응하는 AI 에이전트 개념을 제시하였다.

전술 통신 분야에서는 AI를 이용한 인지 무전기가 연구되었다. 전술 엣지의 컴퓨팅 인프라 측면에서 Yu 등은[16] 전술 엣지 클라우드 개념을 도입하여 엣지 노드들로 구성된 소규모 클라우드가 AI 연산을 분담함으로써 개별 기기의 부하를 줄이는 방안을 연구하였다. 주로 채널 간섭이나 전파혼잡 상황에서 스스로 최적 주파수를 선택하는 기술을 무전기 단말에 경량 AI 모델이 내장하여 현장에서의 적절한 판단을 유도할 수 있도록 하는 기술이다.

이러한 시스템 수준의 연구들은 전술 환경에서 제한된 여러 장비를 유기적으로 활용하거나, 통신이 가능할 때 엣지-클라우드 간 분산 처리하여 전술 통신과 사이버 방어 전반에 걸쳐 엣지 컴퓨팅 기반의 실시간 의사결정 체계로 발전하고 있다.

3. 온-디바이스 AI 최적화 전략

3.1 AI 모델 경량화 기술

전술 현장의 AI 적용은 대부분 복잡하고 높은 연산을 요구하므로 제한된 디바이스 자원에서 대형 모델을 그대로 실행하기 어렵다. 이러한 문제를 해결하기 위해 모델 경량화 기술이 필요하다. 모델 경량화란 성능 저하를 최소화하면서 모델의 크기와 복잡도를 줄이는 기법들을 의미한다[17]. 대표적인 모델 경량화 기법으로는 양자화(quantization)와 프루닝(pruning), 지식 증류(knowledge distillation) 등이 있으며, 효율적인 네트워크 아키텍처 설계(NAS)를 통해 처음부터 경량 모델을 개발하는 접근도 존재한다. MobileNetV1/V2는[18] 심층분리 합성곱(depthwise separable convolution)을 도입하여 연산량을 획기적으로 줄인 CNN 구조로, 2010년대 후반 모바일 비전 분야에 널리 사용되었다. ShuffleNet, SqueezeNet, EfficientNet 등은 파라미터 수나 FLOPs를 극도로 줄이면서도 ImageNet 등 벤치마크에서 기존 대형 모델과 견줄 만한 정확도를 보였다. 이 중 EfficientNet은 Neural Architecture Search(NAS) 기법으로 각 계층의 너비와 깊이를 자동 최적화하여, 동일 자원에서 최고 성능을 달성하는 모델 계열을 제시하였다. 이러한 경량화 모델 아키텍처들은 전술 디바이스에 적합한 기준 모델로 활용할 수 있다. 이처럼 모델 구조 최적화, 불필요한 파라미터 제거, 표현 정밀도 감소, 지식 전이 등을 조합하여 최적의 경량화 모델을 구현할 수 있다.

또한, <표 1>과 같이 주요 모델 경량화 기법들을 비교해 볼 수 있는데, 양자화는 가중치와 연산을 저비트 정밀도로 표현하여 크기와 연산량을 줄이는 기법으로 Google은 경량 AI 칩인 Edge TPU에 양자화 기법을 적용하여 기존 대비 모델 크기를 75% 이상 축소하고, 추론 속도를 약 2~4배 향상시켰으며[23], 프루닝은 중요도가 낮은 연결이나 뉴런을 제거하여 모델을 간소화한다. MIT Han Lab은 모바일 및 엣지 디바이스용 AI 모델에 프루닝 기법을 적용하여 모델 파라미터를 최대 90% 제거하면서도 정확도 손실을 1~2% 이내로 유지하였다. 특히 전력 소모가 제한된 전술용 IoT 장비나 무인 드론의 영상인식 AI 모델로 활용될 수 있는 사례이다[24]. 지식 증류는 큰 모델의 출력이나 중간 표현을 작은 모델 학습에 활용함으로써 작은 모델의 성능을 향상시키는 방법으로 Hugging Face가 개발한 DistilBERT 모델은 지식 증류 기법을 활용하여 원본 BERT 모델의 크기를 약 40% 축소하고 추론 속도를 60% 향상시켰다. 이는 전술 단말기에서 자연어 처리 기반의 명령어 인식 및 의사결정 지원 시스템으로 활용할 수 있다[25]. 이러한 모델 경량화 기법을 군 전술환경에서 활용한다면 전술 드론(UAV)에 프루닝 기법을 적용하여 모델 크기를 크게 축소하여 배터리 소모와 메모리 부하를 줄이고, 비행 시간을 연장하여 작전 효율성을 높일 수 있다. 그리고 모바일 전술 단말기(C4I 장비)에 양자화 기법을 활용하면 지연을 줄이고 신속한 현장 대응이 가능하다. 군 지휘관들이 사용하는 웨어러블 장치에 지식 증류 기법으로 자연어 처리 모델을 탑재하면 현장 음성 명령의 실시간 처리 및 정확한 의사소통이 가능해진다.

<표 1> 대표적인 모델 경량화 기법

3.2 에너지 효율 및 배터리 최적화

3.3 실시간 처리 및 지연 최소화

AI 처리의 지연 문제로, 전장에서 지연 증가는 곧 생존율 저하로 이어질 수 있다. 이를 해결하기 위해 지연 최소화와 실시간 처리 기술이 필수적이다. 그러므로 실시간 처리를 보장하기 위한 기술들은 다양한데 주로 정해진 시간 내에 추론을 완료하여 다음 작업이나 의사결정에 지장이 없도록 해야 한다. 주요 접근 방법으로는 AI 스레드에 실시간 우선순위를 부여하여 운영체제 차원에서 지연을 줄이는 기법과, 센서 데이터의 전송량을 줄이는 경량 통신 프로토콜 적용이 있다. 이는 실시간 운영체제(RTOS)나 리소스 예약 스케줄러를 사용하면 AI 추론에 높은 우선순위를 부여해 일정한 응답 시간을 보장할 수 있다. UAV의 충돌 회피 AI 모델은 반드시 지연 없이 실행되어야 하므로, 해당 스레드를 실시간 모드로 동작시켜 프레임 드롭이나 지연이 발생하지 않도록 해야 한다. 이러한 시스템 수준의 튜닝은 응답 지연으로 인한 실패율(deadline miss)을 ‘0’에 가깝게 낮춰 임무 수행의 신뢰성을 높여야 한다. 이렇듯 전술 AI 시스템은 이러한 최적화 기법들로 일정 시간 내 결과 산출률(Realtime Success Rate)을 높여야 하며, 이를 달성한 시스템만이 실제 임무에 투입되어야 한다.

4. 결론

본 연구는 전술 환경에서 AI 기술의 활용성을 극대화하기 위해 AI 기술의 최신 연구들을 분석하고 최적화 전략을 제시하였다. 기존의 국방 분야 AI 연구가 대체로 클라우드 기반의 대규모 모델에 초점을 맞추어 왔다면, 본 연구는 전장에서 단말기의 제한된 연산 자원과 배터리 용량 등의 현실적 제약을 고려하여 전술 모바일 환경에 적합한 온-디바이스 AI의 필요성과 기술적 접근 방향을 제시하였다. 특히, 본 연구에서는 온-디바이스 AI의 필수 기술로서 경량화 모델 기술, 에너지 효율 최적화 전략, 실시간 처리 최적화 전략의 세 가지 측면에서 심층적인 논의를 수행하였다. 모델 경량화 측면에서는 양자화, 프루닝, 지식 증류 등 대표적인 기법과 함께 효율적인 네트워크 아키텍처 설계(NAS) 기반 최신 모델을 소개하였고, 전술 디바이스에 적합한 모델 최적화 방안을 제안하였다. 또한 에너지 효율과 관련하여 하드웨어적 접근 방식과 소프트웨어적 접근 방식을 결합하여 전력 인지 스케줄링 및 조건부 실행 전략 등을 제시하였다. 이는 제한된 전력 자원 하에서도 임무 지속성을 높이기 위한 필수적 접근 방법이다. 더불어, 실시간 처리를 위한 병렬 연산, 연산량 최소화, 경량 통신 프로토콜, 리소스 예약 등 시스템 수준의 최적화를 통한 지연 최소화 방안 역시구체적으로 제시하였다.

본 연구를 통해 제시된 기술적 접근법들은 네트워크 단절 상황에서도 자체적으로 AI 기능을 수행할 수 있는 실질적이고 신뢰성 있는 전술 AI 시스템 구현을 가능케 할 것으로 기대된다. 앞으로 후속 연구에서는 실전 환경에서의 구체적인 실험 및 성능 평가를 통해 본 연구에서 제안한 전략들의 효용성을 더욱 명확히 검증할 필요가 있으며, 이를 통해 제한된 자원을 가진 다양한 전술 환경에서 AI 기술의 실제 배치 가능성을 높이는 데 기여할 수 있을 것이다.