재난 데이터는 쌓이지 않습니다 : 디지털 트윈에서 배우는 도시안전 AI
도시안전은 드물게 일어나고 한 번에 크게 터지는 분야입니다. 학습할 데이터가 없는 AI를 어떻게 훈련시키고, 판단에서 그치지 않고 현장 실행까지 어떻게 연결할 것인가. 디지털 트윈을 도시 시뮬레이터로 쓰는 Twin2Decision의 구조를 정리했습니다.
AI가 가장 필요한 곳에, 데이터가 가장 없습니다
딥러닝은 전제가 하나 있습니다. 배울 사례가 충분히 많아야 한다는 것입니다. 그런데 도시안전은 정확히 그 전제가 깨지는 분야입니다. 지하차도 침수, 대형 화재, 구조물 붕괴는 저발생(Low-Frequency)·고위험(High-Impact)입니다. 수 년에 한 번 일어나고, 일어났을 때의 대가는 되돌릴 수 없습니다.
교통량, 수위, 기상 같은 일상 운영 데이터는 매 순간 쌓입니다. 하지만 정작 AI가 판단을 도와야 하는 순간 — 임계 수위를 넘긴 새벽, 강풍 속 화재 확산 — 의 데이터는 손에 꼽을 만큼만 존재합니다. 사고가 자주 나야 잘 배우는 모델이라면, 그 모델은 애초에 도시안전에 쓸 수 없습니다.
디지털 트윈은 지금 어디까지 왔나
과거의 디지털 트윈은 두 갈래였습니다. 하나는 가상공간 서비스, 다른 하나는 기존 GIS 분석도구를 3D 플랫폼으로 옮기는 작업이었습니다. 결과물은 대체로 '잘 보이는 도시'였습니다.
최근의 흐름은 다릅니다. 국내에서는 서울시 S-MAP, K-water GARAM+처럼 시뮬레이션 분석을 통해 정책에 반영하고 의사결정을 지원하는 플랫폼이 구현되고 있습니다. 해외도 마찬가지입니다. 미국 Virtual USA, 유럽 DestinE, Virtual Singapore를 비롯해 호주와 인도까지, 재난 대응과 도시계획 의사결정에 필요한 연구개발이 진행 중입니다.
방향은 분명합니다. 보여주는 트윈에서 판단을 돕는 트윈으로 이동하고 있습니다. 다만 대부분은 여기서 한 번 멈춥니다. 분석 결과를 사람에게 제출하는 데까지는 왔지만, 그 판단이 실제 조치로 이어지고 그 결과가 다시 모델로 돌아오는 고리는 아직 닫혀 있지 않습니다.
시뮬레이션은 위험 없는 학습장입니다
여기서 Physical AI가 들어옵니다. Physical AI는 물리 세계와 상호작용을 가능하게 하는 기술이고, 그 핵심은 Sim2Real — 시뮬레이션에서 물리 세계를 학습하는 것입니다. 테슬라의 자율주행 학습 모델이 대표적인 사례입니다.
기후변화와 다양한 환경요인으로 복합재난이 늘면서 실시간 데이터 처리의 비중은 계속 커지고 있습니다. 그런데 기존의 의사결정 시스템은 시뮬레이션과 예측에 머물러 있어 실시간 대응에는 한계가 있습니다. 예측은 '무슨 일이 일어날 것인가'까지만 답하고, '그래서 지금 무엇을 할 것인가'는 여전히 사람의 몫으로 남습니다.
디지털 트윈의 강점은 바로 이 지점에서 나옵니다. 실제 도시에서는 단 한 번도 시도해볼 수 없는 대응들을, 트윈 안에서는 위험 없이 수천 번 반복할 수 있습니다. 합성 데이터, 상태 동기화, 물리 시뮬레이션(Omniverse·Isaac 계열)을 갖추면 신뢰도 높은 학습·검증 환경이 만들어집니다.
재난 데이터가 쌓이지 않는다면, 재난을 안전하게 만들어내서 배우면 됩니다.
단, 만들어낸 세계가 실제와 충분히 가까울 때만 유효합니다.
Twin2Decision : 배운 것을 실행까지 연결합니다
인피닉이 구성한 Twin2Decision(T2D)은 디지털 트윈을 '도시 시뮬레이터'로 사용합니다. 실제 시나리오와 가상 시나리오를 함께 돌려 예방·구조·복구에 관한 정책을 학습하고, 학습–권고–실행–재학습의 순환 구조로 의사결정 실행까지 책임지는 Physical AI 기반 시스템입니다.
구조를 보면 경로가 둘로 나뉩니다. 이 분리가 T2D 설계의 핵심입니다.
틀린 세계를 배우지 않으려면
트윈에서 배운다는 말은, 트윈이 현실과 다르면 틀린 것을 배운다는 말이기도 합니다. 그래서 T2D의 Sim2Real은 트윈과 실세계의 오차를 줄이는 세 개의 층으로 구성됩니다.
센서 동기화 & 캘리브레이션
각 센서의 시간을 맞추고, 관측값과 실제값의 차이를 보정하는 전처리 레이어입니다. 수위계가 1.1m를 읽는데 실제가 1.0m라면, 그 10cm를 먼저 잡습니다.
상태 동기화
실세계의 관측 상태를 디지털 트윈의 상태로 갱신하는 레이어입니다. EO/IR, 수위, 교통 등 이질적인 센서들이 하나의 트윈 상태로 수렴해야 합니다.
디지털 트윈 모델 재보정
시뮬레이션 결과와 실제 결과의 차이를 줄이는 후처리 레이어입니다. 과거 로그 데이터와 운영 중 발생한 데이터로 운동량·충격량·유체·열에너지 같은 물리 파라미터를 지속적으로 보정합니다.
10cm의 오차는 평상시에는 아무 의미가 없습니다. 하지만 임계 수위를 앞둔 순간에는 대피 명령을 내리느냐 마느냐를 가릅니다. Sim2Real이 성능 최적화가 아니라 정책 품질의 전제 조건인 이유입니다.
몇 건을 만드느냐가 아니라, 어떤 건을 만드느냐
학습할 재난이 없으니 만들어야 합니다. 그 역할을 시나리오 엔진이 맡습니다. 실제 운영 규정과 후보 모델을 연결해 현실성 높은 시나리오를 대량으로 생성하고 실행하는 모듈입니다.
여기서 흔한 오해가 하나 있습니다. 시나리오는 많이 만들수록 좋다는 생각입니다. T2D는 그렇게 접근하지 않습니다. 무작정 수천·수만 건을 뽑는 대신 현실성·커버리지·난이도·비용을 동시에 고려해 유의미한 케이스를 선정하는 것을 핵심으로 봅니다. 물리적으로나 행정적으로 일어날 수 없는 조합은 아무리 많이 만들어도 학습에 기여하지 않습니다.
엔진이 하는 일
정의·생성 — 재난, 설비, 수요, 고장 등 상황 파라미터를 템플릿·분포·상관관계로 정의한 뒤 케이스를 샘플링합니다. 현실성 보증 — 국가 규정과 운영 규정 같은 물리·행정 제약으로 불가능한 조합을 걸러냅니다. 커버리지 설계 — 흔한 경우와 극단적인 하드 케이스를 균형 있게 포함시킵니다.
랜덤화는 세 가지 방식으로 이루어집니다. 변수 기반 랜덤화는 사전에 정의된 범위 안에서 난수를 생성합니다(예: 강우량 50~200mm/h). 시나리오 기반 샘플링은 풍속·강우·교통 혼잡도처럼 여러 환경 조건을 조합해 시나리오 세트를 무작위로 구성합니다. 다중 모델 병렬 실행은 여러 알고리즘과 모델을 동시에 돌려 시나리오 간 결과를 비교 분석합니다.
생성된 시나리오는 트윈 롤아웃으로 넘어가 합성 센서 데이터와 라벨을 만들고, 데이터셋이 되어 학습에 투입됩니다. 한 가지 원칙이 붙습니다. 운영 중인 실시간 트윈에는 절대 주입하지 않습니다. 훈련은 오직 훈련 전용 트윈에서만 이루어집니다.
안전과 최적화는 다른 엔진이 맡습니다
재난처럼 복잡하고 예측하기 어려운 환경에서 정확한 판단을 내리고 실제 행동까지 연결하려면, 하나의 모델로는 부족합니다. 성격이 다른 두 요구가 동시에 걸리기 때문입니다.
룰 엔진은 법규와 재난 대응 매뉴얼처럼 이미 구축된 절대 원칙을 지킵니다. 대신 규칙 기반이라 예상하지 못한 상황에는 유연하게 대응하기 어렵습니다. 강화학습 엔진은 변화하는 상황 속에서 최적의 효율로 인명과 재산을 보호합니다. 대신 최적해를 찾는 과정에서 안전성이 검증되지 않은 행동을 탐색할 수 있습니다.
T2D의 하이브리드 아키텍처는 둘을 경쟁시키지 않고 역할을 나눕니다. 룰베이스가 의사결정의 안전한 경계를 그리고, 강화학습은 그 경계 안에서만 가장 효율적인 해답을 찾습니다.
무엇을 상태로 보고, 무엇을 보상할 것인가
강화학습은 결국 문제 정의 싸움입니다. T2D는 상태 공간(State)에 지형정보, 인구분포, 기상조건, 자원현황, 피해규모를 담고, 행동 공간(Action)에는 대피명령, 자원배치, 교통통제, 인프라 제어, 구조대 파견을 둡니다. 환경은 마르코프 체인 기반으로 재난의 자연적 진행을 모사합니다. 비가 계속 오면 수위가 오르고, 시간이 지나면 화재가 확산되는 식입니다.
보상 함수는 행동의 결과를 평가하는 목적 함수입니다. 인명 보호, 재산 보호, 자원 효율 같은 핵심 목표를 달성하면 양(+)의 보상을, 실패하면 음(−)의 보상을 주어 총 보상을 최대화하는 방향으로 학습을 유도합니다. 예컨대 인명 보호에 +100점을 최우선으로 두고, 재산 손실에는 −30점을 부여하는 식입니다. 우선순위가 숫자로 드러난다는 점이 중요합니다. 무엇을 먼저 지킬 것인지가 모델 안에 명시적으로 새겨집니다.
| 평가 지표 | 측정 대상 |
|---|---|
| 안전성 | 룰베이스 위반 여부, 위험 행동 발생 빈도 |
| 효율성 | 인력·장비 등 자원 활용률, 목표 달성률 |
| 신속성 | 상황 인지부터 최종 결정까지의 소요 시간 |
평가는 디지털 트윈 안에서 사전에 정의한 테스트 시나리오를 실행해 지표를 정량적으로 측정하는 방식으로 이루어집니다. 여기에 신뢰도 검증이 더해집니다. 여러 학습 모델의 결정을 비교해 일관성을 확인하고, AI 결정의 확신도를 백분율의 신뢰도 점수(Confidence Score)로 제공해 최종 판단의 근거로 삼습니다. 기준에 미달하면 피드백을 반영해 정책을 개선하고 다시 학습합니다.
폭우가 내리면 이렇게 움직입니다
구조를 한 번에 이해하려면 실제 흐름을 따라가는 편이 빠릅니다. 도심 침수 상황을 가정해보겠습니다.
강우량이 임계치를 넘고, 수위 급상승 알림이 뜨고, CCTV가 침수를 인식하면 상황이 시작됩니다. 실시간 강우·수위·배수량, 운용 가능한 자원, 지형과 교통 정보가 입력으로 들어갑니다. 학습 모델은 과거 유사 상황과 패턴을 맞춰보고 여러 대응 옵션을 평가한 뒤 최적 조합을 선택합니다. 동시에 안전조치 모듈이 룰베이스에 따라 지하철 운행 중단, 지하 시설 대피 방송, 취약지역 우선 경보를 걸어둡니다. 이 조치들은 모델의 판단을 기다리지 않습니다.
모델은 최적 대피 경로와 자원 배치 최적화 방안을 제시하고, 책임자 승인을 거쳐 즉시 실행으로 넘어갑니다. 구급·대피 경로 안내, 펌핑 시스템 순차 가동, 교통 신호 제어가 이어지고, 실시간 모니터링을 통해 필요하면 재결정합니다. 마지막으로 의사결정 결과를 측정하고 상황 변화를 감지해 추가 조치의 필요성을 판단합니다. 이 기록은 그대로 다음 시나리오가 됩니다.
목표는 '빠른 결정'이 아니라 회복력입니다
T2D를 한 문장으로 줄이면 디지털 트윈에서 배우고 안전하게 실행하는 시스템입니다. 도시안전은 디지털 트윈으로부터 출발한다는 관점입니다.
여기서 오해하기 쉬운 지점을 짚고 싶습니다. T2D가 겨냥하는 것은 의사결정 시간의 단축 그 자체가 아닙니다. 빠른 오답은 아무 도움이 되지 않습니다. 목표는 희귀하고 복합적인 위기 상황에서 제약을 위반하지 않으면서 높은 품질의 의사결정을 내리는 것, 즉 회복력(Resilience)입니다. Sim2Real로 현실에 가까운 데이터를 확보하고, 시나리오 엔진으로 일상부터 극단까지 체계적으로 만들어내고, 모방학습으로 검증된 초기 정책을 세운 뒤 강화학습으로 단계적으로 고도화하는 순서는 모두 그 목표를 향합니다.
다음은 로봇입니다
디지털 트윈에서 학습된 의사결정은 결국 현장에서 실행되어야 합니다. 그 실행 주체가 사람에서 로봇으로 확장되는 것이 다음 단계, Autonomy-Ready T2D입니다.
하늘에서는 UAV 드론이 열화상·가스·광학 정찰을 하고 경보를 확산하며 소화탄과 구명장비를 투하합니다. 지상에서는 UGV와 자율차, 사족보행 로봇이 잔해 구역을 탐색하고 소방수를 공급·방수하며 밸브를 조작하고 장비를 나릅니다. 수면과 수중에서는 USV·UUV가 침수 구역을 정찰하고 급수·배수 포인트를 탐색하며 부유물을 제거합니다. 굴삭·절단 같은 경량 원격 작업과 이동형 기지국 역할의 통신 릴레이는 특수 로봇이 맡습니다.
흐름은 이렇습니다. CCTV와 센서가 화재 신호를 잡으면 디지털 트윈이 위치·바람·접근성을 즉시 파악합니다. T2D는 진입금지 구역과 풍향, 교통을 고려해 자율 드론과 소방차의 미션 카드를 생성하고, 지오펜스·속도 제한·비상귀환 같은 안전 규칙을 함께 전송합니다. 현장에서 드론은 열화상 스캔과 화점 표시, 소화탄 투하를 수행하고 소방차는 원거리 방수를 맡습니다. 열과 연기, 진행률, 영상은 실시간으로 트윈에 반영되어 다음 권고를 업데이트하고, 상황이 종결되면 사건 로그가 저장되어 정책 검증과 학습 데이터로 재사용됩니다.
인피닉의 적용 사례
지금까지의 구조는 도시안전을 전제로 설명했지만, 학습–권고–실행–재학습의 골격은 도메인을 가리지 않습니다. 인피닉이 구축한 대대급 지능형 결심지원 시스템이 그 사례입니다.

보병 대대급 작전 환경에서 전장을 가시화하고 전장정보를 분석해 최적의 방책(CoA)을 추천함으로써, 대대장의 신속하고 정확한 의사결정을 지원하는 시스템입니다. 상황정보(METT-TC) 수집에서 전장정보분석(IPB), 방책 추천, 지휘결심 지원까지 이어지는 흐름은 T2D의 운영 경로와 같은 구조를 따릅니다. 다출처 정보를 하나의 상태로 모으고, 규칙과 학습을 함께 걸어 후보안을 만들고, 최종 결심은 지휘관이 내립니다.
도시안전과 국방은 다루는 대상이 다르지만 문제의 성격은 닮아 있습니다. 정보는 흩어져 있고, 시간은 부족하고, 판단의 결과는 되돌릴 수 없습니다. 그래서 필요한 것은 더 빠른 계산이 아니라, 제약을 지키면서 근거를 남기는 판단 구조입니다. 인피닉이 디지털 트윈과 의사결정 모델을 함께 설계하는 이유가 여기에 있습니다.
자주 묻는 질문
데이터가 없는데 시뮬레이션만으로 학습한 모델을 믿을 수 있습니까?
믿을 수 있게 만드는 장치가 두 겹으로 들어갑니다. 먼저 Sim2Real의 세 층 — 센서 캘리브레이션, 상태 동기화, 트윈 모델 재보정 — 으로 트윈과 실세계의 오차를 좁힙니다. 그다음 학습된 정책은 사전에 정의한 테스트 시나리오로 안전성·효율성·신속성을 정량 측정하고, 여러 모델의 결정을 비교해 일관성을 확인합니다. AI 결정의 확신도는 백분율 신뢰도 점수로 제공됩니다. 기준에 미달하면 보상과 제약조건을 교정해 재학습하며, 검증을 통과하지 못한 정책은 운영 트윈으로 배포되지 않습니다.
AI가 대피 명령 같은 결정을 직접 내리는 겁니까?
아닙니다. 룰베이스가 법규와 재난 대응 매뉴얼로 안전 경계를 강제하고, 의사결정 모델은 그 경계 안에서 최적 대피 경로와 자원 배치 방안을 후보로 제시합니다. 실행은 책임자 승인을 거칩니다. 다만 지하철 운행 중단, 지하 시설 대피 방송, 취약지역 우선 경보 같은 안전조치는 룰베이스에 따라 모델의 판단을 기다리지 않고 즉시 작동합니다.
시나리오는 몇 건이나 만들어야 합니까?
건수가 기준이 아닙니다. 무작정 수천·수만 건을 생성하는 대신 현실성·커버리지·난이도·비용을 함께 고려해 유의미한 케이스를 선정합니다. 물리·행정 제약으로 불가능한 조합은 필터에서 제거하고, 흔한 경우와 극단적인 하드 케이스가 균형 있게 섞이도록 설계합니다.
도입하면 의사결정이 얼마나 빨라집니까?
속도는 결과의 일부일 뿐입니다. T2D가 겨냥하는 것은 희귀하고 복합적인 위기 상황에서 제약을 위반하지 않으면서 높은 품질의 의사결정을 내리는 것, 즉 회복력(Resilience)입니다. 신속성은 안전성·효율성과 함께 평가 지표의 하나로 측정됩니다.
관련 글
같은 공간데이터, 다른 질문 : OCOKA로 보는 공간분석의 의사결정 가치
공간분석은 지도를 보기 좋게 그리는 일이 아닙니다. 위치, 거리, 지형, 도로, 건물 같은 조건을 계산해 판단에 쓸 수 있는 정보로 바꾸는 일입니다. 같은 지역의 같은 공간데이터가 어떤 질문을 받느냐에 따라 이동성, 가시성, 보호성, 통제성, 중요 지형지물이라는 서로 다른 판단 레이어로 바뀌는 과정을 지형분석 프레임워크 OCOKA를 적용한 사례로 살펴봅니다.
이기종 무인체계 군집 운용을 위한 통합 GCS
드론이 늘어날수록 문제는 기체가 아니라 통제에서 생깁니다. 서로 다른 무인체계를 단 2명의 운용요원으로 하나의 팀처럼 지휘하려면 무엇이 필요한지 살펴봅니다.
전차가 살아남는 조건이 바뀌고 있다
러시아-우크라이나 전쟁에서 불타는 전차 영상이 쏟아지며 “전차의 시대는 끝났다”는 말까지 나옵니다. 러우전쟁에서 기갑부대가 왜 크게 손실되었는지 살펴보고, 우리 군의 전차가 미래 전장에서 살아남으려면 무엇이 바뀌어야 하는지 이야기합니다.