"air-combat" 태그로 연결된 1개 게시물개의 게시물이 있습니다.

💡 핵심 요약 (Executive Summary)

• 목표한 것: F-16 및 F-15E 항공작전 중 급변하는 전장 상황에 대응하여, 전술 데이터링크(Link 16) 대역폭 내에서 델타(Delta) 임무 계획을 5초 이내에 생성·검증·반영하는 미션 크리티컬 시스템(study_for_sdc) 아키텍처 구축.
• 마주친 기술적 오류들:
  1. CPython 31.4초 탐색 지연 병목: 100 km × 100 km DEM 격자(10^7 노드)에서 순수 Python heapq와 동적 객체 박싱으로 인해 3D A* 탐색 시간이 31.42초(복잡 지형 최대 48.0초)까지 치솟아 품질 기준 Q_3(<= 5.0 초)를 전면 위반.
  2. 8GB VRAM 환경에서의 2종 LLM 구동 시 CUDA OOM: 7B~8B 매개변수 생성형 LLM 2종을 단일 워크스테이션 GPU에 동시 적재 시 정적 가중치와 KV-Cache, 활성화 메모리 합계가 11.44 GB에 달해 즉각적인 메모리 초과 예외(torch.cuda.OutOfMemoryError) 발생.
  3. 군사 기밀 데이터 부재에 따른 '±1% 연료 계산 정확도' 기준 순환 논증: F-16C의 실제 공력 계수 및 연료 유량 테이블이 군사 2급 비밀로 묶여 있어 실제 기체 대비 오차를 물리적으로 측정할 수 없는 모순 봉착.
• 엔지니어링 해결 방법:
  1. 오프라인 위협 가시선 사전 베이킹 & 2D 매니폴드 탐색: 런타임 광선 추적(Ray-casting)을 제거하고 시나리오 로딩 시 위협 가시선을 연속 메모리 2D 행렬로 사전 계산(Pre-baking)한 뒤, 수평 2D A* 탐색과 분석적 수직 고도 배정을 결합하여 탐색 지연을 **0.259초(목표치의 1/20 수준)**로 단축.
  2. 생성형 모델 배제 및 고정 차원 비용 가중치 벡터화: KV-Cache가 필수적인 텍스트 생성 모델을 전면 배제하고, 0.28 GB급 인코더(DeBERTa-v3)와 다목적 비용 가중치 벡터 w ∈ [0, 1]^4를 도출하는 초경량 신경망을 채택하여 **총 소요 VRAM을 0.80GB(90% 여유)**로 압축.
  3. BADA 기반 RK4(Runge-Kutta 4th Order) 수치 적분 기준 해석기 구축: 공개된 미 공군 Fact Sheet 제원을 바탕으로 브레게(Breguet) 항속 에너지 방정식을 보정(c_0 = 0.131227 hr^{-1)하여 독립적인 수치해 기준선을 확보, 최대 상대 오차 3.31 × 10^{-5로 Q_2 기준을 수학적으로 통과.