1. 서 론
해운업은 글로벌 물류망의 핵심 축이며, 전 세계 물동량의 약 80%가 해상을 통해 이동하고 있다(UNCTAD, 2022). 특히, 한국은 세계적인 해운 강국으로, 매년 수많은 상선이 국내외 해역을 항해하고 있다. 그러나 여전히 선박 충돌사고는 해양 안전을 위협하는 중대한 문제로 자리 잡고 있으며, 이는 귀중한 인명의 피해를 초래한다(MOF, 2023).
특히, 최근 상선과 어선의 충돌사고는 상선 간 충돌사고 보다 발생 빈도가 높게 나타나고 있어 이에 대한 특단의 대책이 요구되고 있다.
중앙해양안전심판원(Korean Maritime Safety Tribunal, KMST)의 통계자료를 조사하여 최근 9년(2015∼2023년)1)간 선박 충 돌사고 통계를 분석한 결과, 우리나라 해역에서 발생한 상선 대 어선 간 충돌사고는 연평균 58건이 발생하여 같은 기간 상선 간 충돌사고 발생 연평균 19건에 비하여 약 3배 많이 발생한 것으로 나타났다(KMST, 2023). 또한, 지난 10년 (2014∼2023년)2)간 상선의 해양사고 통계를 분석한 결과 전체 사고 원인 중 인적과실에 의한 원인 비율이 약 87%를 차지하였다(KMST, 2023).
기존의 충돌 예방 대책은 주로 선원 교육, 항해 규칙 준수 등에 초점을 맞추었으나, 인적 오류를 완전히 배제하지는 못하고 있다. 이에 따라, 인공지능(Artificial Intelligence, AI) 기반의 충돌회피 시스템이 주목받고 있으며, 이는 실시간 데이터 분석과 자동 제어를 통해 충돌 위험을 사전에 예측하고 회피하는 기능을 제공한다(Choi et al., 2019). 특히, 상선의 대형화와 해상 교통의 복잡성 증가는 기존 시스템의 한계를 더욱 부각하고 있으며, AI 기술의 도입은 해양 안전성 향상에 필수적인 요소로 인식되고 있다(Kim et al., 2021).
본 연구는 이러한 점에 주목하여 AI 기반 충돌회피 시스템이 선박 충돌사고를 예방하는 데 효과적인 기술적 솔루션이 될 수 있음을 논의하고, 이를 우리나라 해상 교통 안전 분야에 적용하기 위한 방안을 모색하고자 한다.
본 연구의 목적은 해외에서 이미 상용화된 AI 기반 충돌 회피 시스템의 적용 사례를 조사하고, 우리나라의 해상 운송 안전 분야에 적합한 도입 방안을 도출하며, AI 시스템 도입이 충돌사고 예방에 미치는 효과와 기술적, 경제적 이점을 분석하고, 법적 및 정책적 측면 등 다양한 분야에서 해결해야 할 과제를 제시하는 것이다.
연구 방법론으로는 문헌 연구, 국내외 관련 제도와 정책 연구 및 해외에서 상용화된 AI 자율운항 시스템의 적용 사례 등을 심도 있게 분석하였다. 그리고, 법적·정책적, 제도 개선 방안을 함께 논의하여 한국 해운업에 실질적으로 적용 할 수 있는 도입 방안을 제안하고자 하였다.
2. 선행연구 분석
본 연구와 관련된 선행연구는 주로 AI 기술의 해양 적용, 자율운항 시스템의 개발, 충돌 예측 및 회피 알고리즘, 센서 통합 기술 등에 초점을 맞추고 있다. 이러한 연구들은 AI 기술이 해양 안전성 향상에 기여할 수 있는 다양한 방법을 제시하고 있으며, 본 연구는 선행연구들을 종합하여 우리나라 해운업계에 특화된 AI 기반 충돌회피 시스템의 도입 방안을 제시하고자 한다. 이하에서는 선행연구 경향을 검토하고 국내 해운업계에 도입이 필요한 내용을 고찰하였다.
2.1 AI 기술의 해양 적용 연구
Zhang et al.(2020)은 딥러닝 알고리즘을 활용하여 선박의 위치와 속도를 실시간으로 분석함으로써 충돌 위험을 예측하는 시스템을 개발하였다. 이 연구는 다양한 해상 환경에서의 데이터 수집 및 처리 방법을 제시하고, AI 기반 시스템의 정확성을 높이기 위한 모델 최적화 기법을 논의하였다.
2.2 자율운항 시스템 개발 연구
Kim et al.(2021)은 자율운항 선박의 항로 계획 및 제어 알고리즘을 개발하여, 복잡한 해상 교통 상황에서도 안정적인 운항이 가능함을 입증하였다. 또한, Lee and Park(2022)은 자율운항 시스템과 기존의 자동 조종 장치 간의 통합 방안을 연구하여, 하이브리드 운항 시스템의 효율성을 평가하였다.
2.3 충돌 예측 및 회피 알고리즘 연구
Choi et al.(2019)은 머신러닝 기법을 활용하여 선박 간의 충돌 가능성을 예측하는 모델을 제안하였으며, 실제 해상 데이터를 기반으로 한 시뮬레이션을 통해 모델의 유효성을 검증하였다. Park and Kim(2023)은 강화학습을 적용한 충돌 회피 알고리즘을 개발하여, 실시간으로 최적의 회피 경로를 생성하는 방법을 제시하였다.
2.4 통합 센서 시스템에 관한 연구
Han et al.(2021)은 레이더, AIS, 카메라 등의 센서를 통합한 데이터 융합 시스템을 개발하여, 실시간으로 정확한 해상 정보를 제공하는 방법을 연구하였다. 이 연구는 센서 간의 데이터 동기화와 노이즈 제거 기술을 포함하여, 시스템의 신뢰성을 높이는 방안을 제시하였다.
2.5 국내 해운업계에 도입이 필요한 내용 고찰
앞의 2.3절에서 Choi et al.(2019)의 연구는 머신러닝 기법을 활용하여 선박 간 충돌 가능성을 예측하는 모델을 제안 하였으며, Park and Kim(2023)은 AI 강화학습을 적용한 충돌 회피 알고리즘을 개발하였다. 우리나라 해운업계에서 강화 학습 기반의 충돌 회피 알고리즘을 도입할 경우, 실시간 데이터 처리와 즉각적인 회피 경로 생성이 중요한 역할을 할 수 있다. 특히, 강화학습 모델에 한국 해역의 항로 특성을 반영한 학습 데이터를 제공해야 하며, 상선과 어선, 기타 장애물 간의 충돌 예측을 동시에 다루는 다중 충돌 예측 시스템을 개발할 필요가 있다. 또한, 우리나라는 해상 교통이 밀집된 해역이 많고, 특히 어선과 상선 간 충돌이 자주 발생하므로 이를 해결하기 위해 Han et al.(2021)의 연구처럼 레이더, AIS, 고해상도 카메라, LiDAR 등 다양한 센서를 융합하여 실시간 해상 환경을 모니터링하고 충돌 위험을 예측하는 통합 센서 시스템에 관한 연구가 더욱 필요하다.
3. 상선의 충돌사고 현황과 원인 분석
3.1 최근 9년간 충돌사고 분석
KMST의 충돌사고 통계자료를 근거로 충돌사고를 분석한 결과, 지난 9년(2015∼2023년) 동안 우리나라 해역에서 발생한 상선과 어선 간 충돌사고는 총 527건으로 연평균 약 59건이 발생하였으며, 이에 대비하여 상선 간 충돌사고는 총 173건이 발생하여 연평균 약 19건이 발생한 것으로 나타났다 (KMST, 2023). 즉, 상선과 어선 간 충돌사고가 상선 간 충돌 사고에 비하여 약 3배 많이 발생한 것으로 나타났다. 상선과 어선 간 충돌사고의 분석 기간을 최근 9년간으로 설정한 이유는 KMST 홈페이지에 2015년 이 전의 상선 대 어선 간 충돌사고 통계자료가 존재 하지 않았기 때문이다(KMST, 2014).
Fig. 1은 최근 9년간 상선과 어선 간 충돌사고 발생 건수를 보여준다. 충돌사고는 주로 항로가 교차하는 해역에서 발생하며, 어선의 조업 활동 중 상선과의 충돌이 빈번하게 보고되고 있다(Lee and Kim, 2022). 특히, 제주도 주변과 부산 해협 등 선박 교통량이 많은 지역에서 사고 발생 빈도가 높게 나타났다.
3.2 상선 해양 사고의 원인 분석
최근 10년(2014∼2023년)간 발생한 해양 사고의 주요 원인을 파악하기 위해 KMST의 통계자료를 분석한 결과, 인적 과실이 주요 원인으로 나타났다(KMST, 2023). Fig. 2는 상선 해양사고의 주요 원인별 분포를 나타낸다. 전체 상선 해양 사고 중 인적 과실에 의한 사고는 약 87%로 나타났으며, 이는 경계 소홀, 항행법규 위반, 당직 근무 태만 등으로 분류 할 수 있다(Choi and Park, 2021). 이하에서는 경계 소홀, 항행 법규 위반, 기타 원인으로 통신 부재를 분석하였다.
1) 경계 소홀
Fig. 2에서 인적 과실 원인 중 경계 소홀은 4대 인적 과실 원인에 해당하는 상선 사고 369척 중 200척으로 전체의 약 54%를 차지하며, 주로 새벽 또는 야간 항해나 악천후 시에 발생하였다. 야간에는 시야 제한으로 인해 선원들이 다른 선박을 식별하기 어려워진다. KMST 재결서에 의하면, 경계 부족으로 인한 충돌사고는 주로 부주의와 항해 장비의 비효율적인 사용에서 기인하며, 선원의 피로도와 집중력 저하와도 관련이 깊다. 또한, 어선 측의 경계 소홀, 항행법규 위반 등 주요 항해과실도 주요 요인이기도 하였다. 예를 들어, 제주도 주변 해역에서는 야간 조업 시 어선과 상선 간의 충돌이 빈번하게 발생하였으며, 이는 주로 선원의 부주의와 피로로 인한 것으로 분석되었다(Kim and Lee, 2020). 그러나 다행히 경계 소홀 원인은 2018년부터는 급격하게 감소하여 매년 10여 척으로 일정하게 발생하고 있음을 알 수 있다(Fig. 2).
2) 항행법규 위반
항행법규 위반은 충돌 및 각종 해양 사고의 주요한 비중을 차지하며, 주요 4대 인적 과실 원인 중 약 12%를 차지하는 것으로 나타났다. 선박이 국제해상충돌예방규칙(International Regulations for Preventing Collisions at Sea, COLREGs)을 준수하지 않았거나, 상대 선박이 피할 것으로 오판하고 충돌 회피 조치를 하지 않은 경우가 많았다. 어선의 경우, 어업 활동 중 예기치 않은 방향 전환이나 속도 변화로 인해 상선과의 충돌 위험이 증가하는 사례가 빈번하게 보고되었다.
3) 통신 부재
통신 부재는 선박 간의 의사소통 부재로 인해 충돌 위험이 높아지는 경우로, 인적 과실 원인의 일부다(Choi and Park, 2021). 통신 부재는 특히 어선과 상선 간의 협력이 필요한 상황에서 심각한 문제로 작용하며, 이는 충돌사고의 주요 원인 중 하나로 지목되고 있다. 통신 부재로 인한 사고는 주로 AIS(Automatic Identification System) 신호의 불량, VHF 통신기 미이용, 또는 선원 간의 의사소통 오류에서 발생하였다.
4) 종합 분석
인적 과실은 충돌사고의 주된 원인으로, 경계 소홀, 항행 법규 위반, 통신 부재 등이 주요 원인으로 작용하고 있다. 특히 항행법규 위반은 COLREGs 위반과 어선의 불규칙한 조업으로 인해 충돌이 빈번하게 발생하고 있다. 이러한 인적 요인의 문제는 기존의 교육 및 규정 준수 캠페인으로는 완전히 해결되지 않고 있으며, 실시간으로 복잡한 해상 상황을 분석하고 대응할 수 있는 AI 기반 충돌회피 시스템의 도입이 절실히 요구되고 있다(Choi et al., 2019).
4. AI 기반 충돌회피 시스템의 원리와 핵심 기술
본 연구에서는 앞에서 살펴본 인적 과실의 원인 분석을 반영하여 해양에서의 안전성을 향상하고, 충돌사고의 효과적인 예방 방안으로 다음과 같이 AI 기반 충돌회피 시스템을 제시하고자 한다.
4.1 AI 기반 충돌회피 시스템의 원리와 기능
AI 기반 충돌회피 시스템은 머신러닝(Machine learning)과 딥러닝(Deep learning) 기술을 이용하여 선박이 항해 중 주변 환경을 실시간으로 분석하고, 충돌 가능성을 예측하여 자동으로 회피 경로를 제공하는 첨단 시스템이다(Kim et al., 2021). 이 시스템은 다양한 센서(레이더, 카메라, GPS 등)를 통해 데이터를 수집하고, AI 알고리즘이 이를 분석하여 선박의 위치, 속도, 경로 등을 실시간으로 계산한다. 주요 기능은 다음과 같다.
1) 실시간 데이터 수집 및 처리
선박에 장착된 다양한 센서를 통해 주변 해상 환경과 타 선박의 위치, 속도, 방향 등의 실시간 데이터를 지속적으로 수집한다. 이 데이터는 고속 데이터 처리 장치를 통해 실시 간으로 분석되어, AI 알고리즘에 입력된다(Han et al., 2021).
2) 충돌 위험 예측
AI 알고리즘은 수집된 데이터를 기반으로 선박 간의 충돌 가능성을 사전에 예측한다. 이를 위해 패턴 인식, 이상 탐지, 경로 예측 등의 기술이 활용되며, 과거의 해상 교통 데이터와 실시간 데이터를 통합하여 충돌 위험도를 평가한다(Choi et al., 2019).
3) 회피 경로 생성
충돌 위험이 감지되면, AI 시스템은 최적의 회피 경로를 자동으로 생성한다. 이 과정에서는 선박의 현재 속도, 방향, 주변 선박의 움직임, 기상 조건 등 다양한 변수를 고려하여, 가장 안전하고 효율적인 회피 경로를 도출한다(Park and Kim, 2023).
4) 자동 제어 및 실행
생성된 회피 경로는 선박의 자동 조종 시스템과 연동되어, 필요시 자동으로 항로를 변경한다. 이를 통해 선원의 개입 없이도 신속하고 정확한 충돌 회피가 가능하다(Kim et al., 2021).
5) 상황 모니터링 및 피드백
시스템은 지속적으로 해상 상황을 모니터링하며, 회피 경로 실행 후에도 추가적인 위험 평가를 통해 추가 조치를 취할 수 있다.
Fig. 3은 AI 기반 충돌회피 시스템의 전체 구조를 나타낸 것이다. 센서 데이터 수집 → 데이터 처리 및 분석(AI 알고리즘) → 충돌 위험 예측 → 회피 경로 생성 및 실행 → 상황 모니터링 및 피드백 순으로 구성된다.
이러한 원리와 기능으로 해상 안전성이 크게 향상될 수 있으며, 인적 오류를 최소화한 선박 운항을 지원할 수 있다.
4.2 주요 기술적 요소(AI, 머신러닝, 센서 통합)
AI 기반 충돌회피 시스템은 여러 기술적 요소의 통합을 통해 구현된다. 주요 기술적 요소로는 AI 및 머신러닝 알고리즘, 센서 통합 시스템, 데이터 융합 및 처리 기술, 통신 및 네트워크 인프라가 있다(Table 1).
1) AI 및 머신러닝 알고리즘
-
① 머신러닝 : 과거의 해상 교통 데이터와 충돌사고 데이터를 학습하여, 패턴을 인식하고 충돌 위험을 예측하는 모델을 구축한다(Choi et al., 2019). 지도 학습, 비지도 학습, 강화학습 등 다양한 머신러닝 기법이 적용된다.
-
② 딥러닝 : 복잡한 해상 환경에서의 데이터 분석을 위해 딥러닝 네트워크가 활용된다. 특히, 이미지 인식 및 객체 탐지를 위한 컨볼루션 신경망(Convolution Neural Network, CNN) 이 사용되어 카메라 데이터를 효과적으로 분석한다(Lee and Kim, 2021).
-
③ 예측 모델: 선박의 이동 경로를 예측하고, 미래의 위치를 추정하는 모델이 개발된다. 이를 통해 충돌 가능성을 사전에 감지하고 대응할 수 있다(Zhang et al., 2020).
2) 센서 통합 시스템
-
① 레이더 : 해상에서의 장애물과 다른 선박의 위치를 정확하게 감지한다. 레이더 데이터는 실시간으로 처리되어 AI 알고리즘에 제공된다(Han et al., 2021).
-
② AIS : 다른 선박의 위치, 속도, 방향 등의 정보를 수신하여 충돌 위험 평가에 활용된다(Choi and Park, 2021).
-
③ 카메라 및 비전(Vision) 시스템: 고해상도 카메라를 통해 시각적인 데이터를 수집하며, 딥러닝 기반의 이미지 분석을 통해 선박 및 장애물의 식별과 추적이 이루어진다(Lee and Kim, 2021).
-
④ GPS 및 내비게이션 시스템: 선박의 정확한 위치와 이동 속도를 파악하여, AI 알고리즘의 입력 데이터로 활용된다(Kim et al., 2021).
3) 데이터 융합 및 처리 기술
-
① 데이터 융합: 다양한 센서로부터 수집된 데이터를 통합하여 일관된 해상 환경 모델을 생성한다. 이를 통해 보다 정확한 충돌 위험 평가가 가능하다(Kim et al., 2022).
-
② 실시간 데이터 처리: 고속의 데이터 처리 유닛을 통해 실시간 데이터 분석 및 신속한 의사결정을 지원한다.
4) 통신 및 네트워크 인프라
-
① V2V(Vessel-to-Vessel) 통신: 선박 간의 실시간 데이터 교환을 통해 상황 인식을 공유하고, 협력적인 충돌 회피를 가능하게 한다(Thompson and Garcia, 2023).
-
② 클라우드 컴퓨팅: 대규모 데이터 저장 및 처리, 모델 업데이트를 위해 클라우드 인프라가 활용된다(Thompson and Garcia, 2023).
Table 1은 AI 기반 충돌회피 시스템의 주요 기술적 요소를 나타낸 것이다. 머신러닝 알고리즘, 딥러닝, 센서 통합 시스템, 실시간 데이터 처리, V2V 통신으로 구성된다.
4.3 기존 시스템과의 차별성 및 장점
기존의 충돌 예방 시스템은 주로 선원의 판단에 의존하여 충돌을 예방하였다. 그러나 이러한 시스템은 인적 오류에 취약하며, 실시간으로 복잡한 해상 상황을 분석하여 충돌을 예측하고 대응하는 데 한계가 있다. 이에 비해 AI 기반 충돌 회피 시스템은 다음과 같은 차별성과 장점이 있다.
첫째, 자율적 충돌 회피이다. AI 시스템은 선원의 개입 없이 자동으로 충돌을 회피할 수 있어, 인적 오류를 최소화할 수 있다(Roberts and Evans, 2021).
둘째, 실시간 데이터 분석이다. 다양한 센서로부터 실시간으로 수집된 데이터를 신속하게 분석하여, 변화하는 해상 상황에 즉각적으로 대응할 수 있다.
셋째, 복잡한 해상 교통 환경 대응이다. 대형 상선의 복잡한 운항 패턴과 다양한 선박의 움직임을 효과적으로 관리하여, 혼잡한 해상 교통 환경에서도 안전한 운항을 보장한다 (Lee and Park, 2022).
넷째, 예측 능력 향상이다. 과거 데이터와 실시간 데이터를 통합 분석함으로써, 충돌 가능성을 사전에 예측하고 예방 조치를 신속하게 취할 수 있다(Zhang et al., 2020).
다섯째, 기상 조건 대응이다. 악천후나 야간 항해 시에도 정확한 데이터를 제공하여, 기상 조건에 상관없이 안정적인 충돌 예방이 가능하다.
이러한 차별성과 장점을 통해 AI 기반 충돌회피 시스템은 기존의 시스템보다 더욱 효과적이고 신뢰성 높은 충돌 예방 대책을 제공할 수 있다.
5. 해외 사례 연구 및 도입에 필요한 기술적 요소
AI 기반 충돌회피 시스템의 해외 적용 사례 및 국내 도입에 필요한 기술적 요소를 조사하였다. 주로 유럽의 자율운항 기술이 발달한 핀란드, 노르웨이 등에서 자율운항 및 AI 기반 충돌회피 시스템을 상용화하여 도입하고 있다.
5.1 Rolls-Royce의 AI 자율운항 프로젝트
Rolls-Royce는 AI 기반 자율운항 기술을 개발하여 핀란드의 자율운항 여객선 프로젝트에 성공적으로 적용하였다 (Rolls-Royce, 2022). 또한, 자율운항 여객선 프로젝트를 통해 AI 기반 충돌 회피 시스템의 실효성을 검증하였다(Rolls-Royce, 2017). 이 프로젝트에서 AI 시스템은 실시간 데이터를 기반으로 충돌 위험을 분석하고, 자율적으로 회피 경로를 조정하는 데 성공하였으며, 주요성과는 다음과 같다. 첫째, 다양한 센서(레이더, 고해상도 카메라, 적외선 센서)를 통합하여 충돌 위험을 예측하고 경로를 최적화하였다. 둘째, 실제 해상 환경에서 안정성과 신뢰성을 입증했다. Rolls-Royce는 다양한 센서 데이터를 통합하여 해상 상황을 종합적으로 분석하는 기술을 개발함으로써, 자율운항 선박의 안전성을 크게 향상시켰다(Rolls-Royce, 2022). AI 기반 충돌 회피 시스템은 레이더, 고해상도 카메라, 적외선 센서 등 다양한 센서를 통합, 선박 주변의 상황을 실시간으로 모니터링하고, AI 알고리즘을 통해 충돌 위험을 예측·회피 경로를 생성한다.
5.2 노르웨이 Kongsberg Maritime의 상용화 사례
Kongsberg Maritime은 AI 기반 충돌회피 시스템을 상용화하여 노르웨이의 자율운항 화물선에 적용하고 있다(Kongsberg Maritime, 2023a). 이 시스템은 선박의 자율운항 기능을 강화 하며, 해상 장애물이나 타 선박과의 충돌을 예방하는 데 중요한 역할을 한다. Eidsvaag Pioner 자율운항 화물선은 Kongsberg Maritime의 AI 시스템을 적용하여 안정적인 성과를 보였으며, 실제 운항 환경에서의 충돌 예방 능력을 검증하였다(Kongsberg Maritime, 2023b). Kongsberg Maritime은 자율운항 선박을 위한 AI 기반 충돌 회피 시스템은 레이더, 라이다 (LiDAR), AIS, 카메라 등의 센서를 통합하여 선박 주변의 장애물을 감지하고 회피한다. 이 시스템은 K-MATE라는 자율 시스템을 통해 구현되며, 클라우드 연결을 통해 원격 감독 및 제어가 가능하다.
Fig. 4는 Kongsberg Maritime의 AI 기반 충돌회피 시스템이 적용된 자율운항 선박인 Eidsvaag Pioner 호와 AI 기반 충돌 회피 시스템 관련 개념 그림이다(Kongsberg Maritime, 2023a).
5.3 유럽 해운업계의 적용 사례 분석
유럽 해운업계는 자율운항 및 AI 기반 충돌회피 시스템을 상용화하여 대형 화물선과 여객선에 도입하고 있다. 예를 들어, Maersk는 자율운항 화물선에 AI 충돌회피 시스템을 도입하여, 인적 오류를 줄이고, 해상 교통의 복잡성 속에서도 안전한 운항을 보장하고 있다(Maersk, 2021). 이러한 시스템은 자동 경로 탐색 기능을 통해 해상 충돌사고를 획기적으로 줄일 수 있는 잠재력을 입증하였다(Smith et al., 2022).
요약하면, Rolls-Royce 프로젝트에서는 자율운항 여객선에 AI 시스템을 적용하여 성공하였고 Kongsberg Maritime에서는 자율운항 화물선에 상용화된 AI 시스템을 적용하고 실제 운항에서 충돌 예방 능력을 검증하였다. Maersk 사례에서는 대형 화물선에 AI 충돌회피 시스템을 도입하여 인적오류 감소 및 운항 효율성이 향상된 바 있다.
5.4 해외 사례에서 발생한 문제점 분석
해외 사례에서 발생한 문제점을 분석하고 이를 바탕으로 우리나라에 필요한 사항을 제시하고자 한다.
1) Rolls-Royce의 자율운항 여객선 프로젝트의 문제점: 센서 및 시스템의 신뢰성 문제
-
① 문제 발생 사례: Rolls-Royce는 자율운항 시스템을 적용했으나, 초기 테스트 단계에서 기상 조건 변화(안개, 폭풍 등)와 해상 장애물(어망브이, 부표 등)에 대해 센서의 신뢰성이 떨어지는 문제가 발생했다. 이러한 이유로 시스템이 충돌 위험을 정확하게 예측하지 못하거나, 회피 경로를 생성하는 데 시간이 걸렸다.
-
② 해결책: 이는 다양한 환경에서의 실험과 정밀한 센서 캘리브레이션(Calibration)을 통해 해결할 수 있다. AI 알고리즘과 센서 시스템의 정밀도를 향상시키기 위해, 기상 조건과 해상 환경에 최적화된 멀티 센서 시스템을 도입하는 것이 필요하다. 국내에서도 실제 운항 환경에서의 테스트와 검증을 통해 시스템의 신뢰성을 보장해야 할 것이다.
2) Kongsberg Maritime의 자율운항 화물선의 문제점: 데이터 처리 및 네트워크의 지연
-
① 문제 발생 사례: Kongsberg Maritime의 시스템은 원격 제어와 실시간 데이터 전송을 클라우드 시스템을 통해 처리하고 있으나, 데이터 전송 지연이 발생하는 경우가 있었다. 특히, 원거리에서 발생하는 데이터 전송 지연은 충돌 회피 경로의 생성에 영향을 미쳤고, 그로 인해 위험을 실시간으로 대응하는 데 시간이 지연된 사례가 있었다.
-
② 해결책: 엣지 컴퓨팅(Edge Computing)을 통해 현장 처리를 강화하고, 로컬 서버와의 직접 연결을 통해 데이터 전송 지연을 최소화해야 한다. 여기서 엣지 컴퓨팅이란 데이터를 중앙 서버나 클라우드로 전송하기 전에 데이터 생성이 이루어진 엣지(Edge), 즉, 데이터 소스가 위치한 곳에서 실시간으로 데이터를 처리하고 분석하는 기술을 의미한다. 또한, 원거리 네트워크의 안정성을 보장하는 5G 기반 통신 시스템을 활용하여 실시간 데이터를 빠르게 처리할 수 있도록 해야 할 것이다.
5.5 국내에 시스템 도입시 효율적인 기술적 요소 고찰
Rolls-Royce, Kongsberg Maritime, Maersk와 같은 성공적인 해외 사례에서 얻을 수 있는 교훈을 중심으로 우리나라에 맞는 기술적 요소를 고찰 및 제안하였다.
1) 센서 통합 시스템
-
① 해외사례 : Rolls-Royce와 Kongsberg Maritime 모두 레이더, 고해상도 카메라, 적외선 센서, LiDAR 등을 통합하여 충 돌 회피 시스템을 구현하였다. 이러한 시스템은 실시간 데이터를 수집하고, 이를 AI 알고리즘에 입력하여 충돌 위험을 예측하고 회피 경로를 자동으로 생성토록 해준다.
-
② 우리나라에 필요한 기술적 요소
우리나라는 특히 조업 중인 어선과의 충돌 예방이 중요한 상황인데, 다양한 환경에서 효율적으로 작동할 수 있는 고도화된 센서 기술이 필요하다. 또한, 기상 변화와 시야 제한(악천후, 야간 운항)에서도 정확한 데이터를 제공할 수 있는 고해상도 카메라, LiDAR, AIS와 레이더를 통합한 센서 시스템을 채택해야 할 것이다.
2) AI 알고리즘의 정확성 및 실시간 데이터 처리
-
① 해외사례 : Rolls-Royce의 프로젝트는 AI 알고리즘을 통해 실시간으로 충돌 위험을 분석하고, 자율적으로 경로를 조정하는 기능을 갖추었다. 이 시스템은 고속 데이터 처리와 패턴 인식을 통해, 빠르게 변하는 해상 상황에 대응할 수 있다.
-
② 우리나라에 필요한 기술적 요소
AI 알고리즘의 정확성과 실시간 데이터 처리 능력은 충돌 회피 시스템의 필수 요소이다. 우리나라는 다양한 해상 교통 환경을 고려하여 고도화된 AI 모델을 개발해야 한다. 예를 들어, 강화 학습(Deep Reinforcement Learning)을 적용하여 실시간으로 최적의 회피 경로를 제시할 수 있다. 또한, 다양한 시나리오에 대한 테스트와 알고리즘 검증을 통해 실무 환경에서 시스템의 신뢰성과 안정성을 높여야 한다.
3) AI와 클라우드 기반 시스템 통합
-
① 해외사례: Kongsberg Maritime은 K-MATE라는 자율 시스템을 통해, 클라우드 연결을 통해 원격 감독 및 제어를 가능하게 했다. 이 시스템은 자율운항 화물선에 적용되어, 실시간 모니터링과 운항 데이터 분석을 통해 운항 효율성을 높였다.
-
② 우리나라에 필요한 기술적 요소
클라우드 기반 시스템의 도입은 실시간 데이터 처리와 운항 데이터 분석을 가능하게 하여, 우리나라 해운업의 효율성을 크게 향상시킬 수 있다. 클라우드 시스템을 통해 선박의 운항 데이터를 중앙에서 관리하고, AI 시스템이 이를 실시간으로 분석하여 최적의 충돌 회피 경로를 제공할 수 있다. 또한, 원격 모니터링과 제어 기능을 통해, 해양 안전 관리 시스템의 효율성을 극대화할 수 있다.
그 밖에 Maersk와 Kongsberg Maritime은 AI 기반 충돌 회피 시스템의 상용화를 통해 기술적 표준화의 필요성을 인식하고, 이를 국제 해운 규정과 일치시켰다. 우리나라도 기술적 표준화와 국제협력에 적극 참여하여야 할 것이다.
6. AI 기반 충돌회피 시스템 도입 방안
6.1 우리나라의 기술 도입 가능성
우리나라는 세계 최대 해운국 중 하나로, AI 기반 충돌회피 시스템 도입을 통해 해양 안전을 크게 개선할 가능성이 매우 크다. 그러나, 현재 해운업계에서는 시스템의 상용화가 아직 이루어지지 않은 상태이다. 현재 시스템의 도입이 초기 단계에 있으며, 일부 대형 해운기업과 조선사들이 연구 및 개발을 진행 중인 상황이다.
현대중공업과 삼성중공업은 자율운항 선박 기술 개발을 위한 연구 프로젝트를 진행하고 있으며, 이 과정에서 충돌 회피 시스템의 핵심 기술을 연구하고 있다. 예를 들어, 현대 중공업은 AI 기반 충돌 회피 알고리즘을 통합한 시스템을 시험 운항 중이며, 삼성중공업은 해양 안전성을 강화하기 위해 AI 기술을 활용한 다양한 해상 안전 시스템을 연구하고 있다. 그러나 대부분 중·소 해운업체들은 아직 AI 기반 충돌 회피 시스템 도입에 대한 계획이 명확하지 않다. 이는 주로 초기 투자 비용, 기술적 불확실성, 관련 인프라 부족 등의 이유에 기인한다. 이에 따라 중소기업들이 AI 기반 충돌 회피 시스템을 도입하기 위해서는 정부의 지원과 기술적 협력이 필요하다.
6.2 실질적 도입을 위한 절차 및 방법 제안
AI 기반 충돌회피 시스템을 한국 해운업계에 실질적으로 도입하기 위해서는 다음과 같은 절차와 방법이 요구된다. 특히, 정부의 규제 및 정책 지원 강화가 절실히 요구된다.
1) 기술 개발 및 검증
-
① 연구 및 개발(R&D): 해운기업과 조선사들은 지속적인 연구개발을 통해 AI 기반 충돌회피 시스템의 성능을 향상시키고, 다양한 해상 조건에서 실효성을 검증해야 한다.
-
② 시범 운항: 개발된 시스템을 실제 해상 환경에서 시범 운항을 통해 테스트하고, 실무적 검증을 수행해야 한다 (Kongsberg Maritime, 2023b).
2) 규제 및 정책 지원
자율운항 선박의 법적 지위와 책임 범위를 명확히 규정해야 하며, 특히 AI 기반 시스템의 도입에 있어 각종 안전성 및 품질 기준을 제시할 수 있는 법적 틀이 필요하다.
IMO는 이미 자율운항 선박(MASS, Maritime Autonomous Surface Ships)에 대한 규제를 마련하고 있으며, 우리나라는 이러한 국제적 기준을 반영하여 관련 법규를 개선할 필요가 있다. 특히, 자율운항 선박의 사고 책임을 분명히 하여 보험, 사고 처리 절차 등 법적 불확실성을 해소해야 한다(IMO, 2023). 특히, 다음과 같은 법적 및 제도적 개선이 필요함을 제안하고자 한다.
첫째, 자율운항 선박의 법적 지위 명확화이다. 우리나라의 해운법 등 관련법은 전통적인 유인 선박을 기준으로 설계되어 있다. 그러나 자율운항 선박은 선원의 개입 없이 자동화 된 시스템에 의해 운영되므로, 자율운항 선박의 법적 지위를 명확히 규정하는 할 필요가 있다. 특히, 사고 발생 시 책임 소재나 법적 책임이 누구에게 있는지에 대한 규정이 필요하다. IMO의 MASS 규제는 자율운항 선박에 대한 책임을 선사에게 부여하되, 기술적 오류로 인한 사고는 개발자나 시스템 공급자에게 책임을 물을 수 있도록 규정하고 있다. 한국 역시 이와 유사한 방식으로 자율운항 선박의 책임 법규를 마련해야 한다.
둘째, 자율운항 선박을 위한 새로운 인증 절차 도입이다. 자율운항 선박의 도입을 촉진하기 위해서는 새로운 인증 절차가 필요하다. 현재 해운법은 전통적인 선박에 대한 인증 절차를 따르고 있지만, 자율운항 선박에는 별도의 안전성 검증 절차와 인증 기준이 필요하다. IMO는 자율운항 선박에 대한 안전성 평가 및 인증 절차를 강화하고 있으며, 우리나라는 이를 반영하여 AI 기반 시스템과 자율 운항 기술에 대한 별도의 인증 시스템을 개발하고 운영해야 할 것이다.
셋째, 충돌 예방 및 사고 처리에 관한 법적 근거이다. 자율운항 선박이 해상에서 충돌을 예방하기 위해서는 충돌 회피 시스템이 실시간으로 작동해야 하며, 이에 따라 발생할 수 있는 법적 문제들을 해결할 법적 근거가 필요하다. 예를 들어, 충돌사고 발생 시 책임소재나 AI 시스템 오류로 인한 피해 배상 문제 등은 명확히 규명되어야 한다. 따라서, 현재의 해상교통안전법 등 관련법을 보완하여 AI 충돌 회피 시스템에 의한 사고 처리 절차를 마련해야 하며, 이를 통해 자율운항 선박의 안전성과 법적 안정성을 확보할 수 있다 (Korean Law Information Center, 2024).
넷째, 국제 해상 안전 규정의 채택이다. IMO는 자율운항 선박을 위한 규정을 지속적으로 업데이트하고 있다. 우리나라는 IMO의 MASS 규제를 국내 해양 관련법에 반영하는 작업을 진행해야 한다. 특히, COLREGs와 자율운항 선박의 상호작용에 대한 법적 해석을 명확히 하고, 한국 해운업체들이 글로벌 표준을 따를 수 있도록 해야 한다. 이를 통해 한국의 해운업체들이 국제 해상 안전 기준에 부합하는 기술을 적용할 수 있도록 법적 기반을 마련해야 할 것이다.
정부는 AI 기술의 해운업 도입을 촉진하기 위해 재정적 지원, 세제 혜택, 기술 개발 지원 등을 제공해야 하며 이를 구체적으로 제안하면 다음과 같다.
첫째, 재정적 지원 및 세제 혜택이다. AI 기반 충돌 회피 시스템의 도입에는 초기 투자 비용이 크게 소요되므로, 정부의 재정적 지원이 필수적이다. 이를 위해, 정부는 기술 개발 및 상용화 과정에서 발생하는 비용을 지원하는 연구개발 (R&D) 자금을 확대해야 한다. 예를 들어, ‘산업기술혁신촉진 법’에 따른 세액 공제나 R&D 지원 프로그램을 활용하여 해운업체들이 비용 부담을 줄일 수 있도록 해야 한다. 또한, AI 기반 시스템을 도입하는 중소 해운업체들에 대해 장기적인 세제 혜택을 제공하고, 이를 통해 초기 투자 비용을 분담할 수 있는 방안을 마련해야 할 것이다.
둘째, 정책적 가이드라인 제정이다. AI 시스템의 안전성과 효율적인 운항을 보장하기 위해, 정부는 해양 안전 관련 AI 기술의 도입을 위한 구체적인 정책적 가이드라인을 제시해야 할 것이다. 이를 위해, 정부는 기존 관련 법규를 개정하거나 보완하여 AI 시스템의 도입을 촉진할 수 있는 규제 환경을 마련해야 한다. 예를 들어, AI 기반 충돌 회피 시스템을 탑재한 선박에 대해 별도의 인증 절차를 도입하거나, 시스템의 실효성을 입증할 수 있는 시험 운항 및 인증 제도를 설계하는 방안이 있다.
셋째, 중소기업 지원이다. 우리나라 해운업계 중소기업들은 초기 AI 시스템 도입에 있어 기술적 불확실성과 자금 부족으로 인해 어려움을 겪을 수 있다. 이에 따라, 중소기업들이 AI 기반 충돌 회피 시스템을 도입할 수 있도록 정부는 적극적인 지원을 해야 한다. 예를 들어, 중소 해운업체들에 대해 정부가 보조금을 지급하거나, AI 기술 도입을 위한 저금리 대출을 제공하는 방안을 고려할 수 있다. 또한, AI 관련 기술 개발 및 상용화를 위한 협력 네트워크를 구축하여, 중소기업들이 대기업과 협력하여 기술을 공유하고, 효과적인 시스템을 도입할 수 있도록 해야 한다.
넷째, 산학연 협력과 전문 인력 양성이다. AI 기반 충돌 회피 시스템의 성공적인 도입을 위해서는 학계와 산업계, 연구기관 간의 협력 강화가 필수적이다. 정부는 ‘산학협력촉 진법’ 등을 활용하여 AI 및 해양 안전 분야의 공동 연구를 장려하고, 관련 기술의 연구개발을 지원해야 한다. 또한, AI와 해양 안전 기술을 융합할 수 있는 전문 인력을 양성하기 위한 교육 프로그램을 마련하여, 해양공학과 AI 분야의 전문가들이 상호 협력할 수 있는 환경을 제공해야 한다. 이를 위해, 정부는 해양대학교 등 관련 대학교 및 AI 관련 대학과의 협력 프로그램을 통해 전문 교육을 제공하고, 연구기관과 기업 간의 인턴십과 협력 연구 기회를 확대해야 한다.
다섯째, 국제 협력 및 표준화이다. IMO와 긴밀히 협력하여 자율운항 선박과 관련된 국제적인 규제를 준수해야 한다. 정부는 IMO의 자율운항 선박 규제에 발맞춰 국내 법적 환경을 정비하고, 국제적 표준에 맞는 AI 기술 적용을 추진해야 한다. 이를 통해 글로벌 해운 시장에서의 경쟁력을 확보할 수 있다. 또한, 우리나라의 해운업체들이 국제 시장에서 경쟁력을 갖추기 위해, 국제적인 AI 기반 충돌 회피 시스템의 표준화 작업에 적극 참여해야 하며, 이를 통해 한국의 기술이 세계적으로 인정받을 수 있는 기반을 마련할 수 있을 것이다.
3) 인프라 구축
-
① 데이터 인프라: AI 시스템의 효과적인 작동을 위해서는 고품질의 해상 데이터 수집 및 처리 인프라가 필요하다 (Kim et al., 2022).
-
② 통신 인프라: V2V(Vessel-to-Vessel) 통신 및 클라우드 컴퓨팅 인프라를 구축하여, 실시간 데이터 교환과 분석이 가능하도록 해야 한다.
Fig. 5는 AI 기반 충돌회피 시스템 도입 절차를 나타낸 것으로 아래에서부터 기술 연구 및 개발 → 시범 운항 및 검증 → 법적 규제 정비 → 인프라 구축 → 상용화 및 도입 순으로 진행됨을 알 수 있다.
6.3 도입의 도전과제 및 해결 방안
AI 기반 충돌회피 시스템의 도입에는 여러 도전과제가 존재한다. 이하에서는 주요 도전과제와 이에 대한 해결 방안에 대하여 제시하였다.
첫째, 기술적 도전과제이다.
데이터의 품질 및 양의 면에서, AI 시스템의 정확성을 높이기 위해서는 다양한 해상 조건에서의 방대한 데이터가 필요하다. 이를 위해, 해양 데이터 수집 및 공유 시스템을 구축하고, 데이터 품질을 향상시켜야 한다(Kim et al., 2022). 또한, AI 알고리즘의 신뢰성을 높이기 위해서 다양한 시나리오에서의 철저한 테스트와 검증이 필요하다(Roberts and Evans, 2021).
둘째, 경제적 도전과제이다.
초기 투자 비용 측면에서, AI 시스템 도입에는 높은 초기 투자 비용이 요구된다. 이를 해결하기 위해 정부의 재정적 지원과 민간 투자 유치가 필요하다. 또한 투자 수익률(Return on Investment, ROI) 불확실성과 관련하여, AI 시스템 도입의 경제적 이점을 명확히 제시하고, 장기적인 ROI를 보장할 수 있는 비즈니스 모델을 개발해야 한다(Johnson and Lee, 2021).
셋째, 규제적 도전과제이다.
법적 불확실성 측면에서, 자율운항 선박과 AI 시스템의 법적 책임 범위가 명확하지 않아, 법적 불확실성이 존재한다. 이를 해결하기 위해 IMO와의 협력을 통해 일관된 규제 프레임워크를 마련해야 한다. 표준화 부족 측면에서, AI 시스템의 표준화가 부족하여, 다양한 시스템 간의 호환성이 떨어진다. 국제적인 표준화 작업에 적극 참여하여, 글로벌 표준을 수립해야 한다(Choi and Park, 2022).
7. 결 론
본 연구는 AI 기반 충돌회피 시스템이 특히, 상선과 어선 간의 충돌사고를 효과적으로 예방할 수 있는 혁신적인 기술 적 해결책임을 종합적으로 논의하였다. 최근 10년간(2014 년~2023년) 우리나라 해역에서 발생한 해양사고 통계 분석을 통해 인적 과실이 여전히 주요 원인으로 작용하고 있음을 확인하였으며, 기존의 예방 대책만으로는 이러한 인적 오류를 완전히 제거하기에 한계가 있음을 밝혔다. 이에 따라, AI 기술을 활용한 충돌회피 시스템이 실시간 데이터 분석과 자율적 의사결정을 통해 충돌 위험을 사전에 예측하고 최소화할 수 있음을 제시하였다.
해외에서의 상용화 사례를 통해 AI 기반 충돌회피 시스템의 실효성과 적용 가능성을 입증하였으며, 이를 바탕으로 한국 해운업계의 도입 가능성을 검토하였다(Kongsberg Maritime, 2023a).
AI 기반 충돌회피 시스템의 성공적인 도입을 위해서는 기술적, 정책적, 제도적 측면에서의 종합적인 노력이 필요하다. 고도화된 AI 알고리즘 개발과 센서 및 통신 기술의 혁신을 통해 다양한 해상 조건과 복잡한 교통 상황에서도 정확 하고 신뢰성 있는 의사결정을 내릴 수 있는 시스템을 구축해야 한다. 또한, 빅데이터 분석과 클라우드 컴퓨팅을 활용한 해상 데이터 플랫폼을 구축하여 AI 시스템의 학습과 운영을 지원해야 한다(Kim et al., 2022). 산학연 협력을 강화하여 대학, 연구기관, 기업 간의 공동 연구 개발을 촉진하고, 해양공학과 AI 분야를 융합한 전문 인력을 양성하는 것도 중요하다. 법적 규제 정비를 통해 자율운항 선박과 AI 시스템의 법적 지위, 책임 소재, 안전 기준 등을 명확히 규정하여 법적 불확실성을 해소해야 한다(IMO, 2023). 국제해사기구(IMO)와의 협력을 강화하여 국제 규제와 표준화 작업에 적극 참여함으로써 글로벌 해운 산업에서의 경쟁력을 강화할 수 있다. 시범 사업의 추진과 실증 연구를 통해 실제 해상 환경에서 AI 기반 충돌회피 시스템의 성능과 안전성을 검증하고, 얻은 데이터를 체계적으로 수집·분석하여 시스템의 개선과 상용화를 위한 근거를 마련해야 한다(Roberts and Evans, 2021). 이를 위해 정부의 적극적인 지원과 장기적인 투자 계획 수립이 필요하며, 기술 개발과 도입을 위한 재정적 지원, 세제 혜택, 규제 완화 등을 통해 민간 기업의 참여를 유도해야 한다.
AI 기반 충돌회피 시스템의 도입은 해상 안전성 향상, 운항 효율성 증대, 환경 보호, 경제적 이익 창출 등 다각적인 긍정적 효과를 가져올 것으로 기대된다. 인적 오류로 인한 충돌사고를 효과적으로 감소시켜 인명 피해와 재산 손실을 예방할 수 있으며, 최적의 항로와 운항 속도를 실시간으로 제시하여 연료 소비를 절감하고 운항 시간을 단축할 수 있다(Nguyen and Lee, 2021). 또한, 연료 효율 개선과 배출 가스 감소를 통해 해양 환경 오염을 최소화하고, 기술 혁신을 통해 해운업의 경쟁력을 강화하며 관련 산업의 발전과 일자리 창출도 기대할 수 있다.
향후 연구에서는 AI 시스템의 신뢰성과 안전성을 강화하고, 극한 기상 조건이나 예외적인 상황에서도 안정적으로 작동할 수 있는 시스템 개발이 필요하다. 또한, 사이버 보안 및 데이터 보호를 통해 AI 시스템이 사이버 공격에 취약하지 않도록 보안 체계를 강화하고, 데이터의 기밀성과 무결성을 보장해야 한다. AI 기술 도입으로 인한 직업 구조 변화, 사회적 수용성 등의 윤리적·사회적 이슈를 고려하여 윤리적 가이드라인과 사회적 대응 방안도 마련해야 한다. 국제 협력과 표준화 작업에도 적극 참여하여 글로벌 해운 산업의 동향을 파악하고 국제적인 경쟁력을 강화해야 한다.
AI 기반 충돌회피 시스템은 4차 산업혁명 시대의 핵심 기술로서 해운업의 패러다임 전환을 이끌 것으로 전망된다 (Johnson and Lee, 2021). 본 연구는 이러한 기술의 도입이 해상 안전성 향상과 산업 경쟁력 강화에 있어 필수적임을 제시하였다. 정부와 업계, 학계의 긴밀한 협력을 통해 AI 기반 충돌회피 시스템이 해운업계에 널리 보급되고, 안전하고 효율적인 해상 운송 환경이 조성되기를 기대한다.
