Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.46 No.4 pp.281-293
DOI : https://doi.org/10.11627/jksie.2023.46.4.281

Optimal Hierarchical Design Methodology for AESA Radar Operating Modes of a Fighter

Heungseob Kim^*

, Sungho Kim^**

, Wooseok Jang^***

, Hyeonju Seol^****†

^*Department of Industrial and Systems Engineering, Changwon National University
^**Department of Systems Engineering, Korea Air Force Academy
^***Division of Data Analysis, Korea Institute of Science and Technology Information (KISTI)
^****School of Integrated National Security, Chungnam National University

^†Corresponding Author : hjseol@cnu.ac.kr

Received 16/11/2023 Finally Revised 03/12/2023 Accepted 07/12/2023

Abstract

This study addresses the optimal design methodology for switching between active electronically scanned array (AESA) radar operating modes to easily select the necessary information to reduce pilots' cognitive load and physical workload in situations where diverse and complex information is continuously provided. This study presents a procedure for defining a hidden Markov chain model (HMM) for modeling operating mode changes based on time series data on the operating modes of the AESA radar used by pilots while performing mission scenarios with inherent uncertainty. Furthermore, based on a transition probability matrix (TPM) of the HMM, this study presents a mathematical programming model for proposing the optimal structural design of AESA radar operating modes considering the manipulation method of a hands on throttle-and-stick (HOTAS). Fighter pilots select and activate the menu key for an AESA radar operation mode by manipulating the HOTAS’s rotary and toggle controllers. Therefore, this study presents an optimization problem to propose the optimal structural design of the menu keys so that the pilot can easily change the menu keys to suit the operational environment.

Key Words : Fighter , AESA Radar , Hierarchical Design , Hidden Markov Chain Model (HMM) , Mathematical Programming Model

전투기 AESA 레이더 운용모드의 최적 계층구조 설계 방법론

김흥섭^*, 김성호^**, 장우석^***, 설현주^****†

^*창원대학교 산업시스템공학과
^**공군사관학교 시스템공학과
^***한국과학기술정보연구원(KISTI) 데이터분석본부
^****충남대학교 국가안보융합학부

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

항공기 조종에 있어 비행안전 유지에 대부분의 중요한 정보는 공간적 형태로 직접 관찰할 수 있는 것이 아니다. 따라서 조종사는 항공기 자체에 설치되어 있는 자동화 시 스템의 상태뿐만 아니라, 항공기 위치, 자세 등의 현재 상 태에 대한 정보와 현재 상태로부터 발생할 수 있는 다른 항공기들의 위치, 기상, 지상․공중의 장애물 등 미래의 위험요소들에 대한 상황인식(Situation awareness)에 의존 해야 한다[5]. 특히, 항공작전을 수행하는 전투기 조종사 들은 주변 항공기들에 대한 적․아 식별, 주변 항공기들의 기종, 위치, 고도, 속도뿐만 아니라 적 방공포 등의 지상 위협, 작전을 수행하기 위한 표적(Target)에 대한 정보 등 상당히 많은 종류의 상황에 대해 지속적으로 파악해야 한 다. 또한, 현대 공중전에서 이러한 정보들의 우세는 전투 기의 생존과 전투의 승패를 가르는 중요한 요건이며, 이에 따라 전투기의 눈(Eye) 역할을 수행하는 레이더(Radar)의 중요성은 지속 증대되고 있다.

이러한 미래 전장을 준비하기 위해 국방과학연구소 (ADD: Agency for Defense Development)는 한화시스템과 KF-21 전투기 탑재용 능동형위상배열(AESA: Active Electronically Scanned Array) 레이더를 개발하였다[9]. AESA 레이더는 안테나가 레이더 각도를 전자적으로 조절하면서 빔을 조사해 동시에 다수의 지․해․공중 표적을 탐지・추 적할 수 있으며, 공대공, 공대지, 공대해 임무 수행에 필요한 정보들을 분류하거나 통합한 다수의 운용모드를 갖는다. 또한, LINK-16과 같은 전술데이터링크 개념의 군사 전술자 료 교환 네트워크를 통해 지․해․공중의 모든 센서 (Sensor)가 획득한 정보를 상호 간 교환함으로써 조종사가 항공작전 임무 수행 중 활용할 수 있는 정보는 양적/질적 측면에서 비약적으로 증가하고 있다. 이에 따라 최신 전투 기들의 정보시현체계는 <Figure 1>과 같이 다중 디스플레 이(Multi-display)로 설계되고 있지만, 정보의 종류에 비해 디스플레이 공간이 제한된다. 따라서 조종사는 비행상황과 수행 중인 임무에 따라 필요한 정보들을 선택적으로 디스플 레이에 시현하게 된다.

또한, 인간의 작동기억은 한 번에 저장하고 처리할 수 있는 정보의 양이 극도로 제한되어 있으며, 이에 따라 학 습하고자 하는 정보가 작동기억에서 처리되어야 하는데 이때 작동기억의 한계를 넘어 정보가 처리되지 못하고, 소 멸되거나 과부하를 일으키는 것을 인지부하(Cognitive load)라 한다. 즉, 조종사의 인지적 과부하 상태는 내․외 부 상황에 대한 정보의 인지, 해석/이해, 미래에 대한 예측 에 이르는 상황인식에 부정적인 요인이 된다. 하지만 조종 사는 항공기를 조종하면서 외부 세계에 대한 감시와 상황 인식 유지를 위해 상당한 양의 정보를 연속적으로 수용하 고 정보처리를 거쳐 기억하고 미래를 계획하여야 하며, 동 시에 작전수행을 위해 <Figure 2>와 같이 동료 조종사, 작 전지휘부, 방공통제전력 등과 지속적으로 통신하여야 한 다. 즉, 전투기 조종사는 항공작전 임무 중 다양한 과업을 동시에 수행하여 함에 따라 높은 인지부하 상태에 도달할 수 있으며, 이는 임무에 대한 집중도를 저하시킬 뿐만 아 니라 상황인식을 상실하게 하여 치명적인 사고로 이어질 수 있다[18].

따라서 조종사의 상황인식 유지와 인적 오류(Human error) 를 방지하기 위해 비행 중에 획득된 정보들을 효과적 으로 시현하고, 디스플레이에 시현할 정보들을 손쉽게 선 택/변경할 수 있도록 함으로써 조종사의 인지부하와 신체 적 과업량을 감소시킬 필요가 있다. 즉, 다양하고 많은 정 보의 활용은 조종사가 효과적으로 작전을 수행할 수 있는 여건을 조성해주지만, 정보시현체계에 시현할 정보들을 선택하기 위한 과업이 증가하게 된다. 조종사는 항공기 조 종을 위해 조종간을 항시 잡고 있어야하기 때문에 시현 정보(메뉴) 선택은 조정간에 설치된 HOTAS(Hands On Throttle-And-Stick)의 로터리(Rotary)와 토글(Toggle) 컨트 롤러를 통해 이루어진다. 따라서 본 연구는 항공작전 임무 를 수행하는 조종사가 상황인식 유지와 항공기 조종에 전 념할 수 있도록 시현 정보를 선택하는 과업의 최소화를 목적으로 정보(메뉴) 사용패턴과 HOTAS 조작 방법을 고 려하여 정보시현체계의 메뉴 구성을 최적화하기 위한 방 법론을 제시한다.

본 연구의 2장에서는 기존 문헌고찰을 제시하고, 3장에 서는 전투기 AESA 레이더 운용모드의 구조적 설계와 일 반적인 메뉴키 배치에 대한 문제를 정의한다. 4장에서는 운용모드 변경을 위한 HOTAS 조작 방법, 불확실성이 내 재된 임무 시나리오를 기반으로 운용모드/기능 전환에 대 한 전이확률행렬(TPM : Transition Probility Matrix) 정의 절차와 AESA 레이더 운용모드 전환의 효율성 최대화하는 최적의 메뉴키 구조 설계를 도출하기 위한 수리계획모형 (Mathematical programming model)을 제시한다. 5장에서 는 예제를 바탕으로 수치실험 결과를 제시하며, 6장에서 는 결론 및 향후 연구방향을 제시한다.

2. 기존 문헌고찰

본 연구와 유사한 연구 분야는 컨트롤 패널(CP : Control panel)의 사용자 인터페이스(UI : User-interface) 설계 분야이다. 과거부터 컨트롤 패널(CP)의 작동방법과 시현체계 설계에는 효율성, 안전성, 그리고 인간공학적 측 면에서의 인간의 정보처리원리 이론이 적용되어 왔다 [1,7,11]. 조종석이 <Figure 3>과 같이 변화함에 따라 설계 방법도 변화되고 있다. <Figure 3(a)>의 전통적인 조종석 은 연구개발(R&D) 단계에서부터 조종사에게 제공할 가장 중요한 몇몇 정보들을 선택하고, 그 정보들을 제공하기 위 한 아날로그 계기들(analog instruments)을 제한된 공간에 배치하는 레이아웃(Layout) 문제였다. 즉, 연구개발(R&D) 이후 조종석의 컨트롤 패널(CP)이 제공하는 정보는 변화 되지 않는다. 하지만, 본 연구에서 다루는 <Figure 3(b)>와 같이 디지털 디스플레이(Digital display) 형태로 개발되는 컨트롤 패널(CP)에서는 제공되는 정보 구성과 레이아웃 (Layout)을 비행환경에 따라 조종사의 요구사항에 맞게 수 시로 조정할 수 있다. 즉, 물리적으로 고착되지 않은 소프 트웨어 생성 사용자 인터페이스(SGUI : Software-generated UI)로 조작과 디스플레이의 크기를 조정하거나 재 배열할 수 있다. Nachreiner et al.(2006)[19]은 이러한 소프 트웨어 생성 사용자 인터페이스(UI)는 개인의 요구사항을 충족하면서 동시에 높은 수준의 효율성을 달성할 수 있게 한다고 제시하고 있다.

반면, 소프트웨어 생성 사용자 인터페이스(SGUI)가 시 시각각 변화되는 조종사의 요구사항을 충족할 수 있는 유연성과 적응성을 갖게 된 반면, 많은 표시기들과 조작 방법들이 포함됨에 따라 최적의 컨트롤 패널(CP)의 레이 아웃(Layout)을 설계하는 것은 복잡한 문제가 되었다[8, 26]. 이에 따라 여러 기준에서 작업 성능을 최적화하기 위해 컨트롤 패널(CP)의 요소들을 배열하기 위한 여러 방법론들이 연구되어 왔다[21]. 이중, 프로세스 분석 기술 (Process-analysis technique)은 프로세스의 여러 단계들 간 의 상호 작용의 기능적 흐름도를 이용하거나 컨트롤 패널 (CP)의 요소들 간의 관계의 강도를 표현하는 통계값을 이 용하는 네트워크 분석(Network analysis) 기법이 컨트롤 패 널(CP)의 레이아웃(Layout) 설계에 적용되었다. 즉, 프로 세스 분석을 통해 인간-인터페이스 상호 작용을 정량화하 여 선형계획모형(Linear programming model)을 이용해 최 적화를 시도하였다[2, 14, 22]. 또한, 프로세스 분석을 적용 함에 있어 시선 추적(Eye tracking) 기술을 이용해 사용자 들의 활동 데이터를 수집하는 방법이 소개되었으며, 시선 추적 기술은 작업자의 작업 흐름을 비교하거나 눈 움직임 과 작업 목표 구조 간의 일치성을 평가하는데 적용하였다 [4, 6, 17, 24, 25, 27]. 다만, 눈 움직임과 작업 목표 간의 일치성은 컨트롤 패널(CP)의 레이아웃(Layout)을 설계에 서는 고려되지 않는다.

지금까지 살펴본 기존 문헌들의 연구절차는 본 연구에 서 제안하는 내용과 유사하다. 즉, 컨트롤 패널(CP)의 요 소들 간의 상호 작용에 대한 정량적 지표를 산정하고, 이 를 바탕으로 사용자들의 편의성이 최대화되도록 레이아웃 (Layout)을 설계하는 연구절차이다. 기존 연구문헌들은 컨 트롤 패널(CP) 상에서 여러 단계의 요소(작업)들을 조합하 여 이루어지는 임의의 프로세스를 분석하고, 요소들 간의 상호 작용에 대한 정량적 지표들을 이용하여 컨트롤 패널 (CP)의 레이아웃(Layout)의 최적 설계에 적용하고 있다. 여기서, 정량적 지표는 네트워크 분석에서의 연결정도 중 심성(Degree centrality), 근접 중심성(Closeness centrality), 매개 중심성(Betweenness centrality) 등의 지표들을 지칭한 다. 이러한 연구절차는 <Figure 4>와 같이 모든 요소(작업) 가 디스플레이에 고정적으로 제공되는 컨트롤 패널(CP)의 레이아웃(Layout) 설계에는 적합하다. 하지만, 본 연구에 서 다루는 AESA 레이더를 위한 시현체계는 <Figure 7>과 같이 많은 운용모드와 그 하위 메뉴들을 포함하고 있어 디스플레이에 모든 운용모드의 메뉴들을 동시에 제공할 수 없다. 이러한 환경에서, 조종사는 부여된 임무 수행에 적합한 운용모드를 디스플레이에 시현하기 위해 <Figure 9>와 같은 HOTAS의 로터리(Rotary)와 토글(Toggle)을 조 작하여야 한다. 따라서 본 연구는 조종사의 운용모드와 그 하위 메뉴들에 대한 선택의 불확실성을 고려하여 운용모 드/메뉴들 간의 상호 작용을 전이 확률(Transition probability) 로써 정량화하고, 이를 바탕으로 HOTAS 조작 횟수 를 편의성에 대한 지표로 고려하여 운용모드/메뉴 배치, 즉, 계층구조를 최적화하기 위한 방법론을 제안한다.

3. 문제정의

현대의 전투기는 레이더 등의 다양한 센서들과 중앙방 공통제소(MCRC : Master Control and Reporting Center) 등의 다양한 출처를 통해 방대한 정보를 획득하지만, 디스 플레이의 공간적 제약, 조종사의 상황인식 유지, 인지 부 하 등을 고려하여 모든 정보를 동시에 시현해 줄 수 없다. 즉, 시현체계 상에는 임무, 공중상황 등에 따라 조종사가 필요한 정보를 선택하여 시현할 수 있도록 설계된다. 또 한, 정보시현체계는 전투기의 효율적 운용을 위해 레이더 정보뿐만 아니라 무기관리 기능, 무기 적재 정보 등을 이 용할 수 있도록 하는 통합적 수단을 제공한다. 이에 따라 정보시현체계의 주화면에는 레이더 운용모드, 시현화면 조정, 공중상황 정보, 무기 정보 등에 대한 세부적인 정보 를 선택할 수 있는 메뉴키가 배치된다. 예시적으로, <Figure 5>와 <Figure 6>은 전투기의 MFD(Multi-function display)와 F-35 전투기의 TSD(Tactical Situation Display) 구성을 보여주고 있으며, 시현창의 외곽에 다양한 메뉴키 들이 배치된 것을 확인할 수 있다. 따라서 임무단계에 따 라 조종사가 활용하는 정보, 기능 등을 고려한 메뉴키의 효율적 배치는 조종사의 편의성, 실수방지 등의 사용성 향 상을 통해 임무수행의 수월성과 집중도 향상에 기여하게 된다. 또한, 최신 전투기의 정보시현체계는 다수 디스플레 이를 통해 AESA 레이더가 제공하는 여러 운용모드의 정 보를 동시에 시현할 수 있기 때문에 주화면 상의 메뉴키 배치는 AESA 레이더의 운용모드 활용성에도 영향을 미치 게 되며, 궁극적으로 성공적인 임무수행 기여할 수 있다.

AESA 레이더 운용모드 선택을 포함한 메뉴키 배치에 있어 가장 선행적인 검토사항은 메뉴키들의 구조적 설계 (Hierarchical design)이다. 예시적으로, <Figure 7>과 같이 세부 메뉴키들을 항공작전 임무, AESA 레이더 운용모드, 기능 등을 기준으로 군집화(Clustering)하고, 상․하위 운 용모드를 결정하여야 한다.

두 번째 단계로는, <Figure 8>과 같이 다수의 최상위 메 뉴키들을 디스플레이 상에 어느 위치에, 어떠한 형태로 배 치할 것인가에 대한 문제이다. 전투기의 MFD 등에서 사 용하고 있는 가장 일반적인 메뉴키들의 배치 형태는 <Figure 5>와 <Figure 6>에서와 같이 디스플레이 가장자 리에 배치하는 형태이다.

세 번째로 고려할 사항은 조종사가 원하는 메뉴키를 선택 하고, 선택된 메뉴키의 기능을 활성화(Activation)하는 방법 이다. 즉, 전투기의 MFD는 일반적으로 CRT(Cathode-ray tube) 디스플레이 또는 LCD(Liquid Crystal Display)가 사용 되고 있으며, <Figure 9>와 같은 HOTAS의 로터리(Rotary) 와 토글(Toggle) 컨트롤러의 조작을 통해 메뉴키를 선택하 여 활성화하고 있다. 또한, 터치스크린(Touch screen) 방식 의 경우는, HOTAS를 조작하거나, <Figure 10>과 같이 직접 적으로 메뉴키를 터치하여 메뉴키를 선택하고 활성화시킬 수 있도록 설계된다. 조종석(Cockpit) 내 정보시현체계의 디스플레이의 크기가 제한됨에 따라 메뉴키의 배치보다는 구조적 설계가 가장 중요하게 고려될 수 있다. 하지만, HOTAS 조작을 통해 메뉴키들을 선택하고 변경하는 경우 에서는 메뉴의 구조적 설계, 상․하위 메뉴키의 배치 등이 정보시현체계의 사용성에 많은 영향을 미치게 된다. 즉, 전통적인 CRT 디스플레이와 최신의 터치스크린 디스플레 이에서 공통적으로 활용되고 있고, 상대적으로 고려요소가 많은 HOTAS 조작 방식을 기준으로 메뉴키의 최적 배치 방법론을 제시한다.

4. 운용모드 배치 최적화 방법론

조종사는 임의의 항공작전 임무를 수행하면서 임무의 종류와 임무단계에 따라 다양한 메뉴를 사용하게 된다. 하 지만, 동일한 임무를 동일한 절차에 따라 수행하더라도 조 종사 개인 성향, 기상 등의 비행환경, 적의 대응과 지대공 공격 등의 공중상황에 따라 메뉴의 사용패턴은 변화하게 된다. 즉, 메뉴키의 사용패턴에는 불확성(Uncertainty)이 내재되어 있다. 따라서 본 연구에서는 메뉴키 사용패턴 분 석 및 사용성 향상을 위한 메뉴키 최적 배치를 위한 세부 절차를 제시하며, 정보시현체계의 사용성에 대한 지표 (Metric)를 임무수행 중의 메뉴 사용을 위한 HOTAS 조작 횟수의 기댓값(Expectation)으로 고려하였으며, 메뉴키 배 치 최적화를 위한 수리계획모형(Mathematical programming model)의 목적함수(Objective function)는 현재 메뉴 에서 임의의 메뉴로 이동할 때의 HOTAS 조작 횟수(d)의 기댓값의 최소화이다.

4.1 운용모드 변경을 위한 HOTAS 조작

정보시현체계에 배치된 상․하위 메뉴 간의 변경을 위한 HOTAS 조작 횟수 행렬(D)은 임의의 메뉴 그룹에서 하위 메뉴 간의 이동을 위한 조작 횟수 행렬(W )과 현재 사용 중인 하위 메뉴에서 다른 메뉴 그룹으로의 이동을 위한 조작 횟수 행렬(E , M )의 논리적 통합을 통해 제시된다.

4.1.1 동일 운용모드 내에서 하위 모드 변경

정보시현체계 주화면의 각 메뉴 그룹(g∈G)과 하위 메 뉴(p∈P )가 <Figure 11>과 같이 배치되어 있다고 가정할 때, 임의의 메뉴 그룹 내에서 서브 메뉴 간의 이동은 <Figure 12>와 같이 순환구조로 묘사될 수 있다. 즉, 하위 메뉴 ①에서 ②로의 이동은 아래 방향으로 1회의 조작이 필요하고, ①에서 ③으로의 이동을 위해서는 아래 방향으 로 2회의 조작이 필요하다. 또한, 하위 메뉴들이 순환구조 설계된 것은 마지막 하위 메뉴(p = ⑤)에서 아래 방향으로 조작하면 메뉴 ①로 이동하게 됨을 의미한다. 따라서 다른 하위 메뉴에서 메뉴 ①로 변경하기 위한 HOTAS 조작을 고려하면, 현재 하위 메뉴 ②와 ③에 위치한 경우는 윗 방 향으로 1회/2회, 현재 메뉴 ④와 ⑤에 위치해 있다면 1회/2 회의 아래 방향 조작을 통해 메뉴 ①로 이동하는 것이 합 리적인 반응이다. 이러한 합리적인 HOTAS 조작을 고려 할 때, 임의의 메뉴 그룹 내에서의 하위 메뉴(5종류) 간 이동을 위한 HOTAS 조작 횟수에 대한 행렬(W )을 식 (1) 과 같이 표현할 수 있으며, 하위 메뉴의 종류가 변화하더 라도 2행부터는 1행의 원소들을 오른쪽으로 이동시키는 규칙에 따라 생성할 수 있다.

(1)

4.1.2 상위 운용모드의 변경

각 메뉴 그룹의 첫 번째 하위 메뉴(①)를 Escaping point와 Entering point로 고려할 때, 임의의 메뉴 위치 (g, p)에서 (g′, p′) 위치의 메뉴로 변경하기 위한 HOTAS 조작 절차는 <Figure 13>에서와 같이 “[E : (g, p)→(g, 1)] → Escaping point(1 click) → {M : g → g′} → Entering point(1 click) → [W : (g′, 1)→(g′, p′)]”가 된다. 따라서 현재의 메뉴 그룹 (g ) 내에서 Escaping point(①)로 이동과 Escaping/Entering 조작 횟수(2회)를 포함한 HOTAS 조작 횟수 행렬(E )는 식 (2)와 같이 표현될 수 있다. 단, 모든 하위 메뉴가 Escaping point가 될 수 있도록 설계된 경우, 식 (2)에서 특정 Escaping point(①)로의 이동 조작이 생략되고 Escaping/Entering을 위 한 조작(2회)만을 필요로 하게 된다. 따라서 행렬 E 의 모든 원소는 “2”가 된다. 또한, <Figure 12>에서와 같이 12종의 메뉴 그룹을 갖는 정보시현체계에서, 메뉴 그룹(g )을 벗어 난(Escaping)] 후 다른 메뉴 그룹(g′)로 진입하기 위한 HOTAS 조작 횟수 행렬(M )은 식 (1)의 행렬 W 와 같은 생성논리를 바탕으로 식 (3)과 같이 표현된다.

(2)

M = [\begin{matrix} 0 & 1 & 2 & 3 & 4 & 5 & 6 & 5 & 4 & 3 & 2 & 1 \\ 1 & 0 & 1 & 2 & 3 & 4 & 5 & 6 & 5 & 4 & 3 & 2 \\ 2 & 1 & 0 & 1 & 2 & 3 & 4 & 5 & 6 & 5 & 4 & 3 \\ 3 & 2 & 1 & 0 & 1 & 2 & 3 & 4 & 5 & 6 & 5 & 4 \\ 4 & 3 & 2 & 1 & 0 & 1 & 2 & 3 & 4 & 5 & 6 & 5 \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \end{matrix}]

(3)

4.1.3 HOTAS 조작 횟수 행렬 통합

임의의 메뉴 위치키 (g, p)에서 (g′, p′)의 메뉴키로 변경 하기 위한 HOTAS 조작 횟수 행렬(D )은 동일한 메뉴 그 룹(g ) 내에서 하위 메뉴 변경(p → p′)에 대한 행렬(W )과 다른 메뉴 그룹(g′)에 속해있는 하위 메뉴(p′)로 변경하기 위한 행렬(E , M )들을 통합하여 식 (4)와 같이 표현된다.

D = [(1_{G} - I_{G}) \otimes E] + [M \otimes 1_{P}] + [1_{G} \otimes W]

(4)

A_{n \times n} \otimes B_{m \times m} = [\begin{matrix} a_{11} B & a_{12} B & \dots & a_{1 n} B \\ a_{21} B & a_{22} B & \dots & a_{2 n} B \\ ⋱ \\ a_{n 1} B & a_{n 2} B & a_{n n} B \end{matrix}]

(5)

여기서, 식 (4)에 사용된 크로네커 곱(⊗, Kronecker product) 연산자는 식 (5)와 같이 정의되며, 1_n 은 모든 원소가 ‘1’인 (n × n ) 차원의 일행렬(Ones matrix)을, I_n 은 (n × n ) 차원의 단위행렬(Identity matrix)을 표현하고 있다.

4.2 운용모드(기능) 간 전이확률행렬(TPM)

항공작전은 수행 절차가 상이한 다양한 임무를 포함할 뿐만 아니라 기상(Weather), 적기(Enemy) 출현과 지대공 (Ground-to-Air) 위협과 같은 작전 환경의 불확실성이 포함 된다. 이에 따라 임무 조종사의 AESA 레이더의 메뉴(기능) 사용패턴에도 불확실성이 내재되게 된다. 따라서 본 연구에 서는 메뉴 사용에 대한 불확실성을 반영하기 위해 정보시현 체계의 사용성에 대한 지표(Metric)를 임무수행 중의 메뉴 사용을 위한 HOTAS 조작 횟수의 기댓값으로 고려한다. 항공작전 임무 수행 중 메뉴의 변경에 대한 불확실성은 이산시간 마코프체인(DTMC: Discrete-time Markov Chain) 의 전이확률행렬(TPM: Transition Probability Matrix)로써 표현된다. 메뉴 간의 전이확률행렬(TPM)은 여러 임무에 대한 시나리오를 바탕으로 실제 비행, 시뮬레이터(Simulator) 훈련 또는 개발 중인 항공기에 대해서는 설문조사를 통해 조종사의 메뉴 사용패턴을 조사․분석하여 산출할 수 있다. 예시적으로, 임의의 임무 시나리오 상황에서 조종사의 메뉴 사용패턴을 <Figure 14>와 같은 시계열(Time-series) 데이터 로 수집하여 분석함으로써 전이확률행렬(TPM) 도출할 수 있다. 또한, 신뢰성이 높은 전이확률행렬(TPM)을 구성하기 위해서는 항공기가 담당하는 임무의 종류와 비율, 다양한 임무 시나리오를 바탕으로 다수의 숙련급 조종사를 통해 데이터를 수집할 필요가 있다.

임의의 메뉴 그룹과 하위 메뉴의 셋 (m, s )를 노드 (Node) i, 변경하고자 하는 메뉴 그룹과 하위 메뉴의 셋 (m′, s′)을 노드 j, 노드 i에서 j로의 전이확률 p_ij, 그리고 HOTAS 조작 횟수를 d_ij라 정의할 때, 현재의 메뉴에서 임 의의 메뉴로 이동할 때의 HOTAS 조작 횟수(d)의 기댓값 은 정의에 따라 식 (6)과 같이 산정된다. 여기서, M은 모든 메뉴의 종류 수를 의미한다. 단, 수리계획모형에서는 목적 함수로서의 역할에 영향이 없기 때문에 메뉴 종류 수(M) 로 나누는 연산은 제외할 수 있다.

E [d] = \frac{\sum_{\forall i} \sum_{\forall j} p_{i j} d_{i j}}{M}

(6)

또한, 조종사의 메뉴 사용패턴은 은닉 마코프체인 모형 (HMM : Hidden Markov chain Model)을 통해 다양하게 분 석될 수 있다. 은닉 마코프체인 모형(Θ )은 초기상태확률 벡터(π , Initial states probability vector), 전이확률행렬(A , TPM), 그리고 방출확률행렬(B , EPM : Emission probability matrix)로 구성되며, 본 연구에서의 관측치 (Observation)는 각 메뉴 사용 시의 임무단계의 종류, 은닉 상태들은 각 메뉴들로 고려하여 <Figure 15>와 같이 구성 될 수 있다. 여기서, 방출확률(Emmision probability)은 각 메뉴를 사용할 때의 임무단계에 대한 확률로써 정의된다.

은닉 마코프체인 모형(HMM)이 구성되면, 임의의 항공 작전을 위한 임무단계가 정의될 때 비터비 알고리즘 (Viterbi algorithm)을 이용하여 가능성(확률)이 가장 높은 메뉴 사용패턴에 대한 추론 등이 가능해진다. 반대의 상황 으로, 메뉴 사용패턴이 추정될 수 있다면, 바움-웰치 알고 리즘(Baum-Welch algorithm)을 통해 추정된 사용패턴의 활용 가능성(확률)을 최대화하는 전이확률행렬(TPM)과 방출확률행렬(EPM)이 추정될 수 있다[10, 12, 15].

4.2.1 초기상태확률(Initial States Probability)

본 연구에서의 은닉 마코프체인 모형(HMM)의 초기상 태확률은 항공작전 임무의 첫 번째 단계인 항공기 이륙 (Take-off) 시, 조종사가 사용하는 메뉴들의 선택 확률이 된다. <Figure 16>은 AESA 레이더의 운용모드들을 기준 으로 할 때, 초기상태확률 벡터에 대한 예시를 보여주고 있다. 즉, 항공작전 임무 시나리오를 바탕으로, <Figure 14>와 같은 조종사가 사용하는 메뉴에 대한 시계열 데이 터의 초기값들을 바탕으로 생성할 수 있다.

4.2.2 방출확률행렬(EPM)

<Figure 15>의 은닉 마코프체인 모형(HMM)에서 방출 확률은 임무 시나리오 상의 각 임무단계에서 사용하는 AESA 레이더의 운영모드별 비율로써 정의할 수 있다. 따 라서 다양한 항공작전 임무 시나리오를 기반으로 각 임무 단계를 구분하고, 각 임무단계에서 조종사들이 어떠한 AESA 레이더의 운영모드를 사용할 것인지를 조사하여 <Figure 17>과 같은 방출확률행렬(EPM)을 구성할 수 있 다. 즉, 세부적인 절차는 3.2절의 전이확률행렬(TPM) 구성 절차와 동일하다.

4.2.3 확률평가(Probability evaluation)

확률평가는 은닉 마코프체인 모형(Θ )이 주어졌을 때, 임의의 관측벡터 O 가 나타날 확률 P(O|Θ) 를 어떻게 효 과적으로 계산할 것인가에 대한 문제이다. 이때, 관측벡터 O 를 관측한 상태열 Q 를 $Q = {q_{1}, q_{2}, \dots, q_{N}}$ 라 가정할 때, P(O, Q |Θ) 은 식 (7)과 같이 유도되며, 식 (7)을 이용하여 P(O|Θ) 은 식 (8)과 같이 정의된다. 하지만, 관측벡터의 길 이가 T 이고, 모든 가능한 상태열로 구성된 트렐리스 (Trellis) 상에서의 모든 상태열의 가능한 종류는 N^T가지 가 된다. 또한, 각각의 상태열은 2T - 1번의 곱셈 연산이 필요하여 확률평가를 위한 계산 복잡도(Computational complexity)는 Θ(N^TT )이 되어 은닉상태와 관측벡터의 길 이 증가에 따라 계산량이 폭발적으로 증가한다. 따라서 계 산 복잡도를 완화하기 위해 중복 계산을 회피하는 동적계 획(Dynamic programming) 기법을 사용한다. 이러한 아이 디어에서 개발된 알고리즘으로 전․후방 알고리즘 (Forward․Backward algorithm)[9, 23]이 있으며, 본 연구 에서는 전방 알고리즘(Forward algorithm)을 이용한다.

P (O, Q | Θ) = π_{q 1} \prod_{t = 1}^{N - 1} b_{q_{t}} (o_{t}) a_{q_{t} q_{t + 1}} b_{q_{t + 1}} (o_{t + 1})

(7)

P (O | Θ) = \sum_{\forall Q} P (O, Q | Θ)

(8)

전방 알고리즘은 앞서 계산된 결과를 다시 이용함으로 써 계산량을 감소시키도록 설계되었다. 먼저, 전향 변수 α_t(i)는 식 (9)와 같이 정의되며, 전향 변수는 은닉 마코프 체인 모형 Θ 가 주어졌을 때, 시간 t에서의 상태 s_i와 시간 t까지의 관측열의 확률을 나타낸다. 또한, 이러한 전향 변 수 α_t(i)는 식 (10)부터 식 (12)까지의 과정에 따라 효과적 으로 계산될 수 있다. 즉, 식 (10)은 트렐리스 상에서 각 상태의 첫 번째 시간 1에서의 확률을 의미하며, 식 (11)은 시간 t에서 t + 1로 전이했을 때, t + 1에서 상태가 s_j일 확 률은 이전 시간 t의 각 상태에서 현재 상태 s_j로 전이될 확률들의 합에 현재 상태의 출력 확률을 곱한다. 마지막으 로, 식 (12)는 최종 시간에서 모든 상태의 전향 변수를 더 하면 그 값이 최종 확률이 됨을 의미한다.

α_{t} (i) = P (O, q_{t} = s_{i} | Θ) = P (o_{1}, o_{2}, \dots o_{t}, q_{t} = s_{i} | Θ)

(9)

α_{t} (i) = π_{i} b_{i} (o_{1}), 1 \leq i \leq N

(10)

α_{t + 1} (j) = [\sum_{t = 1}^{N} α_{t} (i) a_{i j}] b_{j} (o_{t + 1}), 1 \leq t \leq T - 1, 1 \leq j \leq N

(11)

P (O | Θ) = \sum_{i = 1}^{N} α_{T} (i)

(12)

4.2.4 비터비 알고리즘

비터비 알고리즘(Viterbi algorithm)은 은닉 마코프체인 모형(Θ )이 주어졌을 때, 임의의 관측열 O 에 대한 최적의 상태열 Q 를 탐색한다. 즉, 식 (13)과 같이 P(O, Q |Θ) 를 기준 함수로 채택하고, 이를 최대화하는 $\hat{Q}$ 을 탐색한다[3, 9]. 본 연구에서의 관측벡터는 임의의 항공작전 수행을 위 한 이륙부터 주변 항적 탐색, 표적 탐색 및 추적 등과 같은 각 임무단계의 순서(Sequence)를 의미하며, 상태열은 은닉 상태(Hidden states)로 지정된 AESA 레이더의 운영모드들 이다. 따라서 비터비 알고리즘은 임의의 항공작전을 수행 하기 위한 임무 시나리오에 따라 조종사가 사용할 가능성 (확률)이 가장 높은 AESA 레이더의 운영모드들의 순서를 탐색하여 제공한다.

\hat{Q} = \underset{\forall Q}{arg max} P (O, Q | Θ)

(13)

먼저, 시간 t에서 첫 번째 t개의 관측과 상태 s_i에서 끝 나는 단일 패스(Path)에서 가장 확률이 큰 최상의 스코어 를 의미하는 변수 δ_t(i)를 식 (14)와 같이 정의한다. 또한, δ_t_{+ 1}(j)는 점화식의 형태로 식 (15)와 같이 표현된다.

δ_{t} (i) = \underset{\forall Q}{arg max} P [q_{1} q_{2} \dots q_{t - 1} q_{t} = s_{i}, o_{1} o_{2} \dots o_{t} | Θ]

(14)

δ_{t + 1} (j) = max_{\forall i} [δ_{i} (i) a_{i j}] b_{j} (o_{t + 1})

(15)

다음으로는, 각 시간 t에서 j에 대하여 δ_t(i)를 최대화하 는 상태의 트랙(Track)을 배열 Ψ_t(j)에 저장하고 역추적 (Back-tracking)을 통해 최적 상태열을 탐색한다. 결론적으 로, 비터비 알고리즘은 식 (16)～(19)까지의 과정으로 수행 되며, 식 (16)～(18)까지는 각각 초기화, 반복, 종료 단계이 며, 식 (19)는 최적 상태열을 역추적하는 단계이다.

{\begin{array}{l} δ_{1} (i) = π_{i} b_{i} (o_{1}), 1 \leq i \leq N \\ Ψ_{1} (i) = 0 \end{array}

(16)

{\begin{array}{l} δ_{t} (j) = max_{1 \leq i \leq N} [δ_{t - 1} (i) a_{i j}] b_{j} (o_{t}) \\ Ψ_{t} (j) = \underset{1 \leq i \leq N}{arg max} [δ_{t - 1} (i) a_{i j}] \end{array}, 2 \leq t \leq T, 1 \leq j \leq N

(17)

{\begin{array}{l} P^{*} = max_{1 \leq i \leq N} [δ_{T} (i)] \\ Ψ_{t} (j) = \underset{1 \leq i \leq N}{arg max} [δ_{T} (i)] \end{array}

(18)

q_{t}^{*} = Ψ_{t + 1} (q_{t + 1}^{*}), t = T - 1, T - 2, \dots, 1

(19)

4.2.5 바움-웰치 알고리즘

바움-웰치 알고리즘(Baum-Welch algorithm)은 우도 P(O|Θ) 를 최대화하는 은닉 마코프체인 모형 Θ 의 각 파 라미터를 추정하기 위한 반복적인 과정이다. 즉, <Figure 18>과 같이 학습 데이터를 기반으로 P(O|Θ) 를 계산하여 관측값을 가장 잘 설명하는 모형의 파라미터 Θ 를 찾는 EM(Expectation-Maximization) 알고리즘의 일종이다. 출력 열이 주어졌을 때, 특정 시간, 특정 상태에 있을 확률은 전향-후향 알고리즘으로 다음 식 (20)과 같이 상태 q_t에서 끝나는 관측값 O(o₁,o₂,⋯,o_t)의 전향 확률과 상태 s_i에서 시작하는 관측값 O(o_t₊₁,o_t₊₂,⋯,o_T)의 후향 확률의 곱으 로 표현할 수 있다. 그리고 관측열이 주어질 경우에 시간 t에서 상태 s_i에 존재할 확률은 조건부 확률로 식 (21)과 같이 표현된다. 이제 전이 확률의 추정을 위해 식 (21)을 약간 변형하여 관측열 O(o₁,o₂,⋯,o_T)가 주어질 때, 상태 s_i에서 s_j로 전이할 확률(a_ij)을 식 (22)와 같이 표현할 수 있다. 여기서, ξ_t(i,j)는 시간 t에서는 상태 s_i에 머물고, 시 간 t + 1에서는 상태 s_j이 있을 확률을 나타낸다. 또한, 전 향 변수 α_t(i)와 후향 변수 β_t(i) 그리고 조건부 확률 정의 에서 식 (22)는 식 (23)과 같이 다시 정의될 수 있다.

\begin{matrix} P (q_{t} = s_{i} | O) = P (o_{1}, o_{2}, \dots, o_{t}, q_{t} = s_{i}, o_{t + 1}, \dots o_{T}) \\ = α_{t} (i) β_{t} (i) \end{matrix}

(20)

P (q_{t} = s_{i} | O) = \frac{α_{t} (i) β_{t} (i)}{P (O | Θ)} = \frac{α_{t} (i) β_{t} (i)}{\sum_{\forall i} α_{T} (i)} = \frac{α_{t} (i) β_{t} (i)}{\sum_{\forall i} β_{0} (i)}

(21)

ξ (i, j) = P (q_{t} = s_{i}, q_{t + 1} = s_{j} | O, Θ)

(22)

\begin{matrix} ξ (i, j) = \frac{P (q_{t} = s_{i}, q_{t + 1} = s_{j} | O, Θ)}{P (O | Θ)} \\ = \frac{α_{t} (i) a_{i j} b_{j} (o_{t}) β_{t + 1} (j)}{\sum_{t = 1}^{N} \sum_{j = 1}^{N} α_{t} (i) a_{i j} b_{j} (o_{t}) β_{t + 1} (j)} \end{matrix}

(23)

비터비 알고리즘에서 변수 γ_t(i)는 모형 Θ 와 관측열 O 가 주어졌을 때, 시간 t에서 상태 s_i에 있을 확률로 정의하 였다. 따라서 ξ_t(i,j)를 γ_t(i)에 관련하여 정리하면 식 (24) 와 같다. 시간 상에서 γ_t(i)의 합은 상태 s_i에 들어올 확률 로 해석할 수 있으며, s_i에서 시작하는 전이 확률(기대값) 은 식 (25)와 같다. 또한, 시간 t = 1부터 t = T - 1까지 ξ_t(i,j)의 합은 상태 s_i에서 s_j까지 전이 확률로 해석할 수 있으며, 식 (26)과 같다. 따라서 추정 파라미터 “π= γ₁(i)= 시간 t = 1에서 상태 i에 있을 확률”로 정의된다. 상태 s_i 에서 s_j로 전이하는 수의 기댓값을 상태 s_i에서 전이될 수 있는 수의 기댓값으로 나눈 값 a_ij은 식 (27)과 같으며, 상 태 s_j에 존재하면서 관측치 υ_k가 발생할 횟수의 기댓값을 s_j에 존재하는 횟수의 기댓값으로 나눈 값 b_j(k) 은 식 (28) 과 같이 정의된다.

γ_{t} (i) = \sum_{j = 1}^{N} ξ_{t} (i, j)

(24)

\sum_{t = 1}^{T - 1} γ_{t} (i)

(25)

\sum_{t = 1}^{T - 1} ξ_{t} (i, j)

(26)

{\bar{a}}_{i j} = Eq. (26) / Eq. (25)

(27)

{\bar{b}}_{j} (k) = \frac{\sum_{t = 1, o_{t} = υ_{k}}^{T} γ_{t} (j)}{\sum_{t = 1}^{T} γ_{t} (j)}

(28)

4.3 운용모드 배치 최적화 수리계획모형

AESA 레이더의 운용모드 메뉴키 배치를 최적화하기 위한 수리계획모형(Mathematical programming model)은 <Figure 9>와 같은 디스플레이 형태를 기준으로 제시되며, 수리계획모형에 의해 결정되는 것은 <Figure 9>에서의 각 후보 위치에 어떠한 상․하위 메뉴를 배치할 것인가이다. 따라서 본 연구에서의 AESA 레이더의 운용모드 메뉴키 배치 최적화 문제는 할당 문제(Assignment problem) 형태 로 고려되며, 메뉴 변경을 위한 조작 방법 등과 같은 사항 들은 수리계획모형의 목적함수와 제약식들(Constraints)에 반영된다. AESA 레이더의 운용모드 메뉴키 배치 최적화 를 위한 수리계획모형은 식 (29)부터 식 (34)까지의 이진 정수계획(BIP: Binary Integer Programming) 모형으로 구 축되었다. 본 연구에서 제안하는 수리계획모형에서 사용 하는 파라미터들(Parameters)과 결정변수들(Decision variables) 에 대한 표기들(Notations)은 다음과 같다.

<파라미터(Parameters)>

(m, s) : 운용모드 그룹 m의 하위 메뉴 s ; mINM , s ∈ S
(g, p) : 운용모드 그룹의 위치 g에서 하위 메뉴의 위치 p; g ∈ G, p∈P
$A_{(m, s) (m^{'}, s^{'})}$ : 운용모드 (m, s)에서 (m′, s′)로 변경할 확률(전이확률)
$D_{(g, p) (g^{'}, p^{'})}$ : 메뉴의 위치 (g, p)에서 (g′, p′)으로 이동할 때의 HOTAS 조작 횟수

<결정변수(Decision variables)>

$x_{(g, p)}^{(m, s)}$ =1, 위치 (g, p)에 메뉴 (m, s)가 할당되면, 0, Otherwise

\begin{array}{l} Min . \sum_{m \in M} \sum_{s \in S} \sum_{m^{'} \in M} \sum_{s^{'} \in S} \sum_{g \in G} \sum_{p \in P} \\ \sum_{g^{'} \in G} \sum_{p^{'} \in P} D_{(g, p) (g^{'}, p^{'})} [A^{[m, s] [m^{'}, s^{'}]} x_{(g^{'}, p^{'})}^{(m^{'}, s^{'})}] x_{(g, p)}^{(m, s)} \end{array}

(29)

또는

\begin{array}{l} Min . \sum_{m \in M} \sum_{s \in S} \sum_{m^{'} \in M} \sum_{s^{'} \in S} \sum_{g \in G} \sum_{p \in P} \sum_{g^{'} \in G} \sum_{p^{'} \in P} \\ D_{(g, p) (g^{'}, p^{'})} A^{(m, s) (m^{'}, s^{'})} max [0, x_{(g^{'}, p^{'})}^{(m^{'}, s^{'})} + x_{(g, p)}^{(m, s)} - 1] \end{array}

(30)

subject to :

\sum_{g \in G} \sum_{p \in P} x_{(g, p)}^{(m, s)} = 1, \forall m \in M, \forall s \in S

(31)

\sum_{m \in M} \sum_{s \in S} x_{(g, p)}^{(m, s)} = 1, \forall g \in G, \forall p \in P

(32)

\begin{array}{l} \sum_{p \in P} x_{(g, p)}^{(m, s)} - \sum_{p \in P} x_{(g, p)}^{(m, s^{'})} = 0, \\ \forall m \in M, \forall s \in S, \forall s^{'} \in S \ {s}, g \in G \end{array}

(33)

\begin{array}{l} x_{(g, p)}^{(m, s)} \in {0, 1}, \\ \forall m \in M, \forall s \in S, \forall g \in G, \forall p \in P \end{array}

(34)

수리계획모형의 목적함수 식 (29) 또는 식 (30)과 같이 제시되며, 현재 메뉴에서 임의의 메뉴로 이동할 때의 HOTAS 조작 횟수(d)의 기댓값을 최소화하는 것이다. 식 (29)는 임의의 메뉴 그룹과 하위 메뉴의 셋 (m, s )에서 (m′, s′)으로 변경, 즉, 결정변수 $x_{(g, p)}^{(m, s)}$ 와 $x_{(g^{'}, p^{'})}^{(m^{'}, s^{'})}$ 이 동시에 ‘1’의 값을 갖게 될 때, HOTAS의 조작 횟수와 전이확률의 곱으로 표현되었다. 여기서, 식 (29)를 목적함수로 사용하 는 경우, 수리계획모형은 2차 계획(Quadratic programming) 모형이 된다. 따라서 HOTAS의 조작 횟수와 전이확 률의 곱을 표현하기 위한 조건을 선형화하면 식 (30)과 같 이 변경할 수 있다. 제약식 (31)은 메뉴 셋 (m, s )는 후보 메뉴 위치들 중 유일한 위치에 배치될 수 있음을 제약하고 있으며, 식 (32)는 임의의 메뉴 위치 (g, p)에는 하나의 메 뉴 셋만이 배치될 수 있음을 제약하고 있다. 식 (33)은 메 뉴 그룹 m의 하위 메뉴(p)들은 동일한 메뉴 그룹 위치 g 내에 할당되어야 함을 의미하며, 식 (34)는 결정변수 $x_{(g, p)}^{(m, s)}$ 가 이진형 변수(Binary variable)임을 지정하고 있다.

5. 수치실험

본 장에서는 4.3절에서 제시된 수리계획모형을 검증하 기 위한 수치실험(Numerical experiment) 결과를 제시한다. 수치실험 예제로써 이용된 정보시현체계는 총 3종의 운용 모드 그룹들이 각각 5종의 하위 운용모드를 갖는 것으로 가정하였으며, 메뉴 간 변경을 위한 HOTAS 조작 횟수에 대한 행렬은 식 (4)에 의해 <Table 1>과 같이 산출되었다. 단, 메뉴들 간의 전이확률행렬(TPM)은 군사보안 목적 상 실제적으로 조사할 수 없어 <Table 2>와 같이 가정하였다.

수치실험 예제의 최적해(Optimal solution)는 IBM사의 ILOG CPLEX 소프트웨어를 통해 탐색되었으며, 예제의 최적해를 시각화한 결과는 <Figure 19>와 같다. AESA 레 이더의 운용모드 그룹은 “A-C-B” 순으로 구성하고, 운용 모드 그룹 A의 하위 메뉴들은 “A3-A4-A1-A2-A5”, 그룹 B의 하위 메뉴들은 “B2-B4-B3-B5-B1”, 그리고, 그룹 C의 하위 메뉴들은 “C4-C1-C3-C5-C2”의 순으로 배치할 때, 항 공작전 중 AESA 레이더의 운용모드/기능 전환을 위한 HOTAS 조작 횟수가 확률적으로 최소화됨을 의미하며, 이는 조종사가 운용모드/기능 전환을 보다 빠르게 수행함 으로써 임무 집중도를 향상시킬 수 있음을 의미한다.

6. 결론 및 향후 연구방향

미국 국방과학위원회 TF팀(Task force team)에서 2001 년에 발표한 보고서[20]에 의하면, 항공기가 AESA 레이더 를 사용함으로써 기존 레이더에 비해 레이더의 작전적 성 능이 10～30배 개선될 것이라고 예측하고 있다. 또한, 2019년에 전력화된 F-35 전투기도 AESA 레이더를 장착 하고 있으며, 최근 KF-16 전투기에 AESA 레이더를 장착 하는 성능개량 사업[28]이 진행 중에 있다. 아울러, 현재 개발과정 중 시험비행을 수행 중인 KF-21에는 국내에서 최초로 개발된 전투기용 AESA 레이더가 장착되었다.

이에 따라 본 연구는 다양한 운용모드를 갖는 AESA 레 이더를 활용한 항공작전 환경에서 조종사의 공중상황 유 지와 인지부하 최소화를 위해 항공작전 시나리오 기반의 메뉴 사용패턴을 고려한 정보시현체계의 메뉴 배치 최적 화에 대해 다루었다. 본 연구에서 제안하는 절차는, ① AESA 레이더 운용모드, 기능 등을 <Figure 7>과 같은 형 태로 구조화하고, ② 다양한 임무 시나리오를 바탕으로 조 종사들의 AESA 레이더의 운용모드와 기능의 사용패턴 데 이터를 수집한다. 이후, ③ 운용모드/기능 간의 이동을 위 한 기기(HOTAS) 조작방법을 정의하고, ④ 운용모드/기능 전환에 대한 전이확률행렬(TPM)을 정의한다. 이때, 4.2.5 절에 제시된 바움-웰치 알고리즘이 사용될 수 있다. 마지 막으로, ⑤ 운용모드/기능 전환을 위한 기기(HOTAS) 조작 방법과 전이확률행렬(TPM) 데이터를 바탕으로 4.3절에 제시된 이진정수계획(BIP) 모형을 통해 항공작전 임무 수 행 간 AESA 레이더의 운용모드/기능들 간의 전환에 따른 기기(HOTAS) 조작 횟수의 기대값이 최소화되는 최적의 운용모드/기능들의 계층 구조를 탐색한다. 본 연구의 결과 물은 향후 지속 발전될 AESA 레이더 개발 시 활용될 수 있을 것으로 기대한다.

향후 연구방향으로는, 최근에는 항공기뿐만 아니라 지 상, 해상 무기체계들도 임무 수행을 위한 무기체계 작동 방법으로 전자식 메뉴키를 이용하고 있다. 따라서 각 무기 체계들의 임무 프로필을 분석하여 최적의 메뉴키를 설계 하기 위한 다양한 방법론들이 제안될 수 있다. 본 연구에 서는 최적화의 목적으로 HOTAS 조작 횟수의 기댓값 최 소화를 적용하였으나, 최적화를 위한 목적함수로서 인간 공학적 지표들이 개발되고 활용될 필요가 있다.

Acknowledgements

This research was supported by Changwon National University in 2023~2024.

Figure

<Figure 1>.

Multi-display of Modern Fighters

<Figure 2>.

Mission Environment for Fighter Pilots

<Figure 3>.

Evolution of Flight Decks [13]

<Figure 4>.

Layout design example of a CP [6]

<Figure 5>.

Main Menu Page in a MFD

<Figure 6>.

F-35의 TSD [16]

<Figure 7>.

Hierarchical Design of the Operating Modes of AESA Radar (Ex.)

<Figure 8>.

Alternatives for Placing Top-level Menus

<Figure 9>.

HOTAS(Ex.)

<Figure 10>.

Touch Screen (Ex.)

<Figure 11>.

Structure of Top and Bottom Menus

<Figure 12>.

Navigation between Sub-menus

<Figure 13>.

Navigation between Operating Modes

<Figure 14>.

Menu Usage Patterns by Pilot

<Figure 15>.

Concept in HMM Configuration

<Figure 16>.

Initial Probability Vector (Ex.)

<Figure 17>.

Generating an Emision Probability Matrix

<Figure 18>.

Concept of Baum-Welch Algorithm

<Figure 19>.

Optimal Solution for the Example

Table

<Table 1>.

HOTAS Manipulation Matrix in the Example

To	g1	g2	g3
g1	p1	0	1	2	2	1	3	4	5	5	4	3	4	5	5	4
p2	1	0	1	2	2	5	4	5	6	6	5	4	5	6	6
p3	2	1	0	1	2	7	6	5	6	7	7	6	5	6	7
p4	2	2	1	0	1	7	7	6	5	6	7	7	6	5	6
p5	1	2	2	1	0	5	6	6	5	4	5	6	6	5	4
g2	p1	3	4	5	5	4	0	1	2	2	1	3	4	5	5	4
p2	5	4	5	6	6	1	0	1	2	2	5	4	5	6	6
p3	7	6	5	6	7	2	1	0	1	2	7	6	5	6	7
p4	7	7	6	5	6	2	2	1	0	1	7	7	6	5	6
p5	5	6	6	5	4	1	2	2	1	0	5	6	6	5	4
g3	p1	3	4	5	5	4	3	4	5	5	4	0	1	2	2	1
p2	5	4	5	6	6	5	4	5	6	6	1	0	1	2	2
p3	7	6	5	6	7	7	6	5	6	7	2	1	0	1	2
p4	7	7	6	5	6	7	7	6	5	6	2	2	1	0	1
p5	5	6	6	5	4	5	6	6	5	4	1	2	2	1	0

<Table 2>.

TPM among the Operating Modes of an AESA Radar in the Example

To	A	B	C
A	A1	0.00	0.11	0.02	0.06	0.06	0.12	0.10	0.10	0.11	0.05	0.07	0.07	0.09	0.01	0.03
A2	0.04	0.00	0.10	0.01	0.11	0.03	0.01	0.11	0.11	0.08	0.06	0.01	0.10	0.08	0.15
A3	0.05	0.06	0.00	0.00	0.11	0.04	0.09	0.10	0.08	0.08	0.11	0.10	0.05	0.10	0.03
A4	0.10	0.04	0.10	0.00	0.04	0.01	0.11	0.09	0.09	0.02	0.09	0.07	0.09	0.09	0.06
A5	0.07	0.09	0.09	0.09	0.00	0.08	0.04	0.01	0.01	0.03	0.08	0.13	0.08	0.06	0.14
B	B1	0.05	0.12	0.01	0.04	0.08	0.00	0.00	0.12	0.12	0.02	0.04	0.13	0.13	0.10	0.04
B2	0.03	0.09	0.01	0.11	0.06	0.06	0.00	0.06	0.06	0.05	0.09	0.13	0.12	0.12	0.01
B3	0.13	0.06	0.03	0.12	0.12	0.12	0.12	0.00	0.00	0.08	0.04	0.06	0.05	0.04	0.03
B4	0.06	0.11	0.07	0.14	0.06	0.08	0.09	0.11	0.00	0.04	0.07	0.01	0.08	0.02	0.06
B5	0.12	0.14	0.02	0.07	0.03	0.06	0.13	0.12	0.03	0.00	0.06	0.08	0.05	0.04	0.05
C	C1	0.12	0.11	0.01	0.05	0.12	0.04	0.04	0.04	0.04	0.14	0.00	0.05	0.12	0.07	0.05
C2	0.05	0.06	0.09	0.03	0.07	0.05	0.09	0.05	0.07	0.09	0.11	0.00	0.09	0.04	0.11
C3	0.11	0.04	0.04	0.07	0.04	0.12	0.04	0.08	0.03	0.10	0.09	0.04	0.00	0.12	0.08
C4	0.10	0.01	0.10	0.10	0.11	0.02	0.05	0.13	0.05	0.05	0.13	0.02	0.02	0.00	0.11
C5	0.06	0.03	0.07	0.05	0.13	0.07	0.03	0.11	0.06	0.05	0.04	0.10	0.11	0.09	0.00

Reference

Alluisi, E.A. and Morgan, B.B., Engineering Psychology and Human Performance, Annual Review of Psychology, 1976, Vol. 27, No. 1, pp. 305-330.
Alppay, C. and Bayazit, N., An Ergonomics Based Design Research Method for the Arrangement of Helicopter Flight Instrument Panels, Applied Ergonomics, 2015, Vol. 51, pp. 85-101.
Defense Agency for Technology and Quality, Defense science and technology development trend and level (Vol. 2. Surveillance and reconnaissance | Public version), 2016.
Dehais, F., Causse, M., and Pastor, J., Embedded eye tracker in a real aircraft: new perspectives on pilot/aircraft interaction monitoring, In Proceedings from The 3^rd International Conference on Research in Air Transportation, Fairfax, USA: Federal Aviation Administration, 2008.
Derefeldt, G., Skinnars, Ö., Alfredson, J., Eriksson, L., Andersson, P., Westlund, J., and Santesson, R., Improvement of tactical situation awareness with colour-coded horizontal-situation displays in combat aircraft, Displays, 1999, Vol. 20, No. 4, pp. 171-184.
Diego-Mas, J.A., Garzon-Leal, D., Poveda-Bautista, R., and Alcaide-Marzal, J., User-interfaces Layout Optimization Using Eye-tracking, Mouse Movements and Genetic Algorithms, Applied Ergonomics, 2019, Vol. 78, pp. 197-209.
Elbert, K.K., Kroemer, H.B., and Hoffman, A.D.K., Ergonomics: How to Design for Ease and Efficiency, Academic Press, 2018.
Gajos, K.Z., Czerwinski, M., Tan, D.S., and Weld, D.S., Exploring the Design Space for Adaptive Graphical User Interfaces, In Proceedings of the Working Conference on Advanced Visual Interfaces, 2006, pp. 201-208.
Han, H.-Y., Introduction to Pattern Recognition: Non-linear Learning with MATLAB labs (Revisions), Hanbit-media, 2009, pp. 430-479.
Hayashi, M., Beutter, B., and McCann, R.S., Hidden Markov model analysis for space shuttle crewmembers' scanning behavior, In 2005 IEEE International Conference on Systems, Man and Cybernetics, 2005, Vol. 2, pp. 1615-1622.
Kantowitz, B.H. and Sorkin, R.D., Human Factors: Understanding People-system Relationships, Wiley, New York, 1983.
Kumar, S. and Saxena, V., Markov Chain Application in Object-Oriented Software Designing, International Journal of Computer Applications, 2013, Vol. 69, No. 10, pp. 17-22.
Lim, Y., Gardi, A., Sabatini, R., Ramasamy, S., Kistan, T., Ezer, N., and Bolia, R., Avionics Human-machine Interfaces and Interactions for Manned and Unmanned Aircraft, Progress in Aerospace Sciences, 2018, Vol. 102, pp. 1-46.
Lin, C.J. and Wu, C., Improved link analysis method for user interface design–modified link table and optimisation- based algorithm, Behaviour and Information Technology, 2010, Vol. 29, No. 2, pp. 199-216.
Liouane, Z., Lemlouma, T., Roose, P., Weis, F., and Hassani, M., A Markovian-based approach for daily living activities recognition, arXiv preprint arXiv:1603.03251, 2016.
Lockheed Martin, Republic of Korea F-35 Lightning II: AN/APG-81 Radar, 2017.
Martin, C., Cegarra, J., and Averty, P., Analysis of mental workload during en-route air traffic control task execution based on eye-tracking technique, In Engineering Psychology and Cognitive Ergonomics: 9^th International Conference, EPCE 2011, 2011, pp. 592-597.
Mohanavelu, K., Poonguzhali, S., Ravi, D., Singh, P. K., Mahajabin, M., Ramachandran, K., and Jayaraman, S., Cognitive Workload Analysis of Fighter Aircraft Pilots in Flight Simulator Environment, Defence Science Journal, 2020, Vol. 70 No. 2, pp. 131-139.
Nachreiner, F., Nickel, P., and Meyer, I., Human Factors in Process Control Systems: The Design of Human-machine Interfaces, Safety Science, 2006, Vol. 44, No. 1, pp. 5-26.
Office of the under secretary of defense for acquisition and technology, Report of the Defense Science Board Task Force on Future DoD airborne high-frequency radar needs/resources, 2001.
Oulasvirta, A., Optimizing user interfaces for human performance. In Intelligent Human Computer Interaction: 9th International Conference, IHCI 2017, 2017, pp. 3-7.
Oulasvirta, A., Kristensson, P. O., Bi, X., and Howes, A., Computational interaction, 2018, Oxford University Press.
Ross, S.M., Introduction to probability models, Eleventh ed., Academic Press, 2014, pp. 183-276.
Stainer, M.J., Scott-Brown, K.C., and Tatler, B.W., Looking for trouble: A description of oculomotor search strategies during live CCTV operation, Frontiers in Human Neuroscience, 2013, Vol. 7, p. 615.
Starke, S., Cooke, N., Howes, A., Morar, N., and Baber, C., Visual sampling in a road traffic management control room task, In International Conference on Ergonomics and Human Factors, 2015, pp. 503-511.
Todi, K., Jokinen, J., Luyten, K., and Oulasvirta, A., Familiarisation: Restructuring layouts with visual learning models, In 23^rd International Conference on Intelligent User Interfaces, 2018, pp. 547-558.
Wedel, M., Improving AD Interfaces with Eye Tracking, The Wiley Handbook of Human Computer Interaction, 2018, Vol. 2, pp. 889-907.
YTN News, Lockheed Martin is in charge of KF-16 performance improvement, 2015.12.16.

To		g1					g2					g3
From		p1	p2	p3	p4	p5	p1	p2	p3	p4	p5	p1	p2	p3	p4	p5
g1	p1	0	1	2	2	1	3	4	5	5	4	3	4	5	5	4
	p2	1	0	1	2	2	5	4	5	6	6	5	4	5	6	6
	p3	2	1	0	1	2	7	6	5	6	7	7	6	5	6	7
	p4	2	2	1	0	1	7	7	6	5	6	7	7	6	5	6
	p5	1	2	2	1	0	5	6	6	5	4	5	6	6	5	4
g2	p1	3	4	5	5	4	0	1	2	2	1	3	4	5	5	4
	p2	5	4	5	6	6	1	0	1	2	2	5	4	5	6	6
	p3	7	6	5	6	7	2	1	0	1	2	7	6	5	6	7
	p4	7	7	6	5	6	2	2	1	0	1	7	7	6	5	6
	p5	5	6	6	5	4	1	2	2	1	0	5	6	6	5	4
g3	p1	3	4	5	5	4	3	4	5	5	4	0	1	2	2	1
	p2	5	4	5	6	6	5	4	5	6	6	1	0	1	2	2
	p3	7	6	5	6	7	7	6	5	6	7	2	1	0	1	2
	p4	7	7	6	5	6	7	7	6	5	6	2	2	1	0	1
	p5	5	6	6	5	4	5	6	6	5	4	1	2	2	1	0