CGF(Computer Generated Forces)란?
1. 개요
현대 국방 모델링 및 시뮬레이션(Modeling and Simulation, M&S)에서 CGF(Computer Generated Forces)는 가상 전장 환경 내에서 인간 조작자 없이 자율적으로 행동하는 컴퓨터 생성 군사력을 의미한다. CGF는 시뮬레이션 훈련, 무기체계 분석, 작전 계획 수립, 전술 검증 등 다양한 국방 분야에서 핵심적인 역할을 수행하며, 실제 병력과 장비를 동원하지 않고도 대규모 전투 시나리오를 구현할 수 있게 해준다.
CGF 기술은 1980년대 미국 국방부(Department of Defense, DoD)의 분산 시뮬레이션(Distributed Interactive Simulation, DIS) 연구에서 시작되어, 현재는 인공지능(AI)과 기계학습(ML) 기술이 접목된 지능형 CGF로 진화하고 있다. 미 육군의 OneSAF(One Semi-Automated Forces), 합동군의 JCATS(Joint Conflict and Tactical Simulation), 그리고 최신 STE(Synthetic Training Environment) 프로그램에 통합된 차세대 CGF 시스템들이 대표적인 사례이다.
본 포스트에서는 CGF의 정의와 개념, 기술적 구성요소, 주요 CGF 시스템, 미국의 활용 사례, 그리고 한국 국방에 대한 시사점을 심층적으로 살펴본다. 이를 통해 국방 M&S 분야에서 CGF가 왜 필수적인 기술인지, 그리고 어떻게 발전해 왔으며 앞으로 어디로 향하고 있는지를 종합적으로 이해할 수 있을 것이다.
2. CGF의 정의와 개념
2.1 CGF의 정의
CGF(Computer Generated Forces)는 시뮬레이션 환경에서 컴퓨터 알고리즘에 의해 제어되는 가상의 군사 개체(entities)를 총칭한다. IEEE 1278.1 표준(DIS Protocol)에 따르면, CGF는 "시뮬레이션에서 인간 조작자의 직접적인 제어 없이 자율적으로 행동하는 시뮬레이션 개체"로 정의된다. 이러한 개체에는 보병, 전차, 항공기, 함정, 미사일 등 모든 종류의 군사 플랫폼과 민간인, 비정규군, 테러리스트 등 비전투 요소까지 포함된다.
CGF는 SAF(Semi-Automated Forces)라는 용어와 함께 사용되기도 하는데, SAF는 완전 자율 CGF와 인간이 일부 제어하는 개체 사이의 중간 형태를 의미한다. 현대의 CGF 시스템 대부분은 실제로 SAF 개념을 기반으로 하여, 조작자가 고수준의 지휘 명령을 내리면 개별 개체들이 세부 행동을 자율적으로 수행하는 방식을 채택하고 있다.
2.2 CGF의 역사적 발전
CGF 기술의 발전은 미국 국방부의 시뮬레이션 기술 발전 역사와 궤를 같이 한다. 1983년 SIMNET(SIMulator NETworking) 프로젝트는 네트워크로 연결된 시뮬레이터에서 가상 전투를 수행하는 최초의 대규모 분산 시뮬레이션 시스템이었으며, 여기서 CGF의 원형이 등장했다. 1990년대에는 DIS 프로토콜의 표준화와 함께 ModSAF(Modular Semi-Automated Forces)가 개발되어 CGF 기술의 기반을 마련했다.
2000년대 들어 OneSAF 프로그램이 시작되면서 CGF 기술은 새로운 전기를 맞이했다. OneSAF는 기존의 다양한 CGF 시스템들을 통합하여 단일 플랫폼에서 합동 작전 환경을 시뮬레이션할 수 있도록 설계되었다. 2010년대 이후에는 AI와 기계학습 기술의 발전에 힘입어 CGF의 행동 모델링이 급속도로 발전하고 있으며, 현재 미 육군의 STE 프로그램에서는 차세대 AI 기반 CGF 시스템이 개발되고 있다.
| 시대 | 주요 시스템 | 핵심 특징 | 기술 수준 |
|---|---|---|---|
| 1983-1990 | SIMNET | 네트워크 기반 분산 시뮬레이션의 시작 | 규칙 기반 단순 CGF |
| 1990-2000 | ModSAF, JANUS | 모듈화된 SAF 아키텍처 | 유한 상태 기계(FSM) 기반 |
| 2000-2010 | OneSAF, JCATS | 합동 작전 환경 통합 | 행동 트리, 계획 기반 AI |
| 2010-2020 | VBS3, OneSAF OTB | 고충실도 가시화 통합 | 스크립트 기반 복잡 행동 |
| 2020-현재 | STE CGF, AI-CGF | AI/ML 기반 적응형 행동 | 강화학습, 심층 신경망 |
2.3 CGF의 분류
CGF는 그 운용 방식과 자율성 수준에 따라 여러 가지로 분류될 수 있다. 자율성 측면에서 CGF는 완전 자율형(Fully Autonomous), 반자율형(Semi-Autonomous), 그리고 스크립트 기반형(Scripted)으로 나뉜다. 완전 자율형 CGF는 사전에 정의된 목표만 주어지면 모든 세부 행동을 스스로 결정하며, 반자율형은 조작자의 고수준 지시에 따라 세부 행동을 자율적으로 수행한다. 스크립트 기반형은 미리 작성된 시나리오에 따라 정해진 행동을 수행한다.
또한 CGF는 표현하는 군사력의 종류에 따라 전투 CGF(Combatant CGF), 비전투 CGF(Non-Combatant CGF), 환경 CGF(Environmental CGF)로 구분되기도 한다. 전투 CGF는 적군, 아군, 동맹군 등 전투에 직접 참여하는 개체를 표현하며, 비전투 CGF는 민간인, 언론인, 국제기구 직원 등을 시뮬레이션한다. 환경 CGF는 기상, 지형 변화, 교통 등 전장 환경 요소를 동적으로 시뮬레이션하는 개체들을 포함한다.
3. CGF의 기술 구성요소
3.1 행동 모델링(Behavior Modeling)
CGF의 핵심은 현실적인 행동 모델링에 있다. 행동 모델링은 CGF 개체가 주어진 상황에서 어떻게 의사결정을 하고 행동할 것인지를 정의하는 기술이다. 전통적으로 유한 상태 기계(Finite State Machine, FSM), 행동 트리(Behavior Tree), 규칙 기반 시스템(Rule-Based System) 등이 사용되어 왔으며, 최근에는 기계학습 기반의 적응형 행동 모델이 주목받고 있다.
유한 상태 기계는 CGF 행동 모델링의 가장 기본적인 방법으로, 개체의 가능한 상태들과 상태 간 전이 조건을 정의한다. 예를 들어, 보병 CGF는 "정찰", "이동", "엄호", "교전", "후퇴" 등의 상태를 가지며, 적 발견, 피해 수준, 명령 수신 등의 조건에 따라 상태가 전이된다. 행동 트리는 FSM보다 복잡한 행동 시퀀스를 표현할 수 있어 현대 CGF 시스템에서 널리 사용된다.
계획 기반 AI(Planning-Based AI)는 CGF가 주어진 목표를 달성하기 위한 행동 계획을 스스로 수립하도록 한다. STRIPS, HTN(Hierarchical Task Network), PDDL(Planning Domain Definition Language) 등의 계획 언어가 활용되며, 이를 통해 CGF는 동적으로 변화하는 전장 상황에 적응할 수 있다.
3.2 인지 모델링(Cognitive Modeling)
인지 모델링은 CGF가 인간 전투원의 인지적 특성을 모방하도록 하는 기술이다. 상황 인식(Situation Awareness), 의사결정(Decision Making), 학습(Learning), 스트레스 반응(Stress Response) 등 인간의 인지 과정을 시뮬레이션한다. ACT-R(Adaptive Control of Thought-Rational), Soar, EPIC 등의 인지 아키텍처가 CGF 개발에 활용된다.
특히 미 육군 연구소(ARL)에서 개발한 ACT-R 기반 인지 모델은 인간 전투원의 주의력 한계, 피로, 스트레스로 인한 성능 저하 등을 현실적으로 모델링한다. 이러한 인지 모델을 적용한 CGF는 인간 조작자와 함께 훈련할 때 더욱 현실적인 대응군 역할을 수행할 수 있다.
3.3 물리 시뮬레이션(Physics Simulation)
CGF의 행동은 물리 시뮬레이션 엔진에 의해 제약을 받는다. 지형에 따른 이동 속도, 무기 사정거리와 명중률, 피탐지 확률, 피해 평가 등이 물리 모델에 의해 계산된다. 고충실도(High-Fidelity) CGF 시스템은 실제 무기체계의 성능 데이터를 기반으로 정밀한 물리 시뮬레이션을 수행한다.
예를 들어, OneSAF의 물리 엔진은 지형 고도, 경사, 식생, 토양 종류 등을 고려하여 차량의 이동 속도와 연료 소모를 계산한다. 무기 효과 모델은 발사체의 탄도, 관통력, 폭발 반경 등을 시뮬레이션하며, 피해 평가 모델은 표적의 취약 부위와 방호 수준을 고려하여 피해 정도를 결정한다.
3.4 통신 및 네트워킹
분산 시뮬레이션 환경에서 CGF는 다른 시뮬레이션 개체들과 통신해야 한다. DIS(Distributed Interactive Simulation) 프로토콜과 HLA(High Level Architecture)가 표준으로 사용되며, 이를 통해 CGF는 위치 정보, 상태 정보, 교전 정보 등을 다른 시뮬레이션 노드와 교환한다.
HLA의 FOM(Federation Object Model)은 CGF 개체의 속성과 상호작용을 표준화된 방식으로 정의한다. 예를 들어, RPR-FOM(Real-time Platform Reference FOM)은 군사 플랫폼의 위치, 방향, 속도, 무장 상태 등의 속성과 발사, 피격, 충돌 등의 상호작용을 정의한다. 이러한 표준화된 인터페이스를 통해 서로 다른 CGF 시스템들이 상호 운용될 수 있다.
| 기술 요소 | 주요 기법 | 적용 사례 | 최신 동향 |
|---|---|---|---|
| 행동 모델링 | FSM, 행동 트리, HTN | OneSAF, JCATS | 강화학습 기반 적응형 행동 |
| 인지 모델링 | ACT-R, Soar, EPIC | ARL 연구 프로그램 | 신경과학 기반 인지 모델 |
| 물리 시뮬레이션 | 탄도학, 피해 평가 | JMASS, OneSAF | 고성능 컴퓨팅 활용 |
| 통신/네트워킹 | DIS, HLA, TENA | LVC 통합 훈련 | 클라우드 기반 분산 시뮬레이션 |
| AI/ML 통합 | 심층학습, 강화학습 | STE AI-CGF | 대규모 언어모델 활용 |
4. 주요 CGF 시스템
4.1 OneSAF(One Semi-Automated Forces)
OneSAF는 미 육군이 개발한 차세대 CGF 시스템으로, 기존의 ModSAF, JANUS, CASTFOREM 등 다양한 CGF 시스템들을 통합하여 단일 플랫폼에서 합동 작전 환경을 시뮬레이션할 수 있도록 설계되었다. OneSAF는 2003년부터 개발이 시작되어 2008년 초기 운용 능력(Initial Operational Capability, IOC)을 달성했으며, 현재까지 지속적으로 업그레이드되고 있다.
OneSAF의 핵심 특징은 컴포넌트 기반 아키텍처(Component-Based Architecture)이다. 행동 모델, 물리 엔진, 통신 인터페이스 등이 독립적인 컴포넌트로 구성되어 있어, 사용자가 필요에 따라 컴포넌트를 교체하거나 추가할 수 있다. 이러한 유연성 덕분에 OneSAF는 다양한 훈련 및 분석 시나리오에 적용될 수 있다.
OneSAF는 지상, 해상, 공중, 우주 영역의 작전을 통합적으로 시뮬레이션할 수 있으며, 보병, 기갑, 포병, 항공, 해군 등 다양한 병과의 전술적 행동을 모델링한다. 2024년 기준 OneSAF는 1,500개 이상의 무기체계와 장비를 모델링하고 있으며, 50개국 이상에서 운용되고 있다. 미 육군은 OneSAF 유지보수 및 개선에 연간 약 2,500만 달러를 투자하고 있다.
4.2 JCATS(Joint Conflict and Tactical Simulation)
JCATS는 미 합동전력사령부(U.S. Joint Forces Command, USJFCOM)가 개발한 합동 작전 수준의 CGF 시스템이다. JCATS는 특히 비정규전(Irregular Warfare), 대테러 작전(Counterterrorism), 안정화 작전(Stability Operations) 등 복잡한 작전 환경을 시뮬레이션하는 데 강점을 가지고 있다.
JCATS의 독특한 특징은 인간 행동 모델링에 있다. JCATS는 민간인, 반군, 테러리스트, 범죄 조직 등 비전통적 위협 요소의 행동을 현실적으로 모델링한다. 사회문화적 요인(종교, 민족, 경제 등)이 이들 개체의 행동에 미치는 영향을 시뮬레이션하며, 이를 통해 복잡한 작전 환경에서의 의사결정 훈련을 지원한다.
JCATS는 합동 작전 훈련(Joint National Training Capability, JNTC)의 핵심 구성요소로 활용되고 있으며, NATO 동맹국들과의 연합 훈련에도 널리 사용된다. 2023년 기준 JCATS는 미 국방부의 주요 훈련 시뮬레이션 중 하나로, 연간 200회 이상의 훈련 이벤트를 지원하고 있다.
4.3 VBS(Virtual Battlespace)
VBS(Virtual Battlespace)는 Bohemia Interactive Simulations가 개발한 상용 시뮬레이션 시스템으로, 미국, 영국, 호주 등 NATO 회원국들에서 널리 사용되고 있다. VBS는 높은 그래픽 충실도와 직관적인 사용자 인터페이스를 제공하며, 게임 기반 훈련(Game-Based Training)의 대표적인 사례이다.
VBS4(2020년 출시)는 AI 기반 CGF 기능을 대폭 강화했다. VBS의 CGF는 교리 기반 행동(Doctrine-Based Behavior)을 수행하며, 조작자가 세부 행동을 지시하지 않아도 상황에 맞는 전술적 행동을 자율적으로 수행한다. 또한 VBS는 HLA/DIS 인터페이스를 지원하여 다른 시뮬레이션 시스템과 연동될 수 있다.
미 해병대는 VBS를 Marine Corps Tactical Decision Kit(MCTDK)의 일부로 채택하여 소부대 전술 훈련에 활용하고 있다. 영국 국방부는 VBS를 Defence Virtual Simulation의 핵심 플랫폼으로 운용하며, 연간 약 5,000명의 장병이 VBS 기반 훈련을 받고 있다.
4.4 STE CGF(Synthetic Training Environment CGF)
STE(Synthetic Training Environment)는 미 육군의 차세대 통합 훈련 환경 프로그램으로, 실제 훈련(Live), 가상 훈련(Virtual), 구성 훈련(Constructive)을 하나의 합성 환경에서 통합한다. STE CGF는 이 프로그램의 핵심 구성요소로, AI와 기계학습 기술을 적용한 차세대 CGF 시스템이다.
STE CGF의 핵심 혁신은 적응형 대응군(Adaptive Opposing Forces) 기능이다. 기존의 CGF가 사전에 정의된 행동 패턴을 따르는 데 반해, STE CGF는 훈련생의 행동에 따라 실시간으로 전술을 조정한다. 이를 통해 훈련생들은 매번 다른 양상의 전투를 경험하며, 예측 불가능한 실전 상황에 대비할 수 있다.
미 육군은 STE 프로그램에 2024 회계연도 기준 약 3억 5,000만 달러를 투자하고 있으며, 2028년까지 완전한 운용 능력(Full Operational Capability, FOC)을 달성할 계획이다. STE CGF는 OneSAF를 대체하여 미 육군의 주력 CGF 시스템이 될 예정이다.
| 시스템 | 개발 기관 | 주요 용도 | 연간 예산(추정) | 사용 국가 |
|---|---|---|---|---|
| OneSAF | 미 육군 PEO STRI | 지상 전투 시뮬레이션 | 2,500만 달러 | 50개국 이상 |
| JCATS | USJFCOM/JFCOM | 합동 작전, 비정규전 | 1,800만 달러 | NATO 회원국 |
| VBS4 | Bohemia Interactive | 전술 훈련, 게임 기반 | 상용 라이선스 | 30개국 이상 |
| STE CGF | 미 육군 STE CFT | 통합 훈련 환경 | 3억 5,000만 달러 | 미국(개발 중) |
| JSAF | 미 해군 NAWCTSD | 해상 작전 시뮬레이션 | 1,200만 달러 | 미국, 동맹국 |
5. 미국의 CGF 활용 사례
5.1 미 육군 국가훈련센터(NTC) 활용
캘리포니아주 포트 어윈(Fort Irwin)에 위치한 국가훈련센터(National Training Center, NTC)는 미 육군 최대 규모의 전투 훈련 시설이다. NTC는 CGF를 활용하여 여단 규모의 대규모 전투 훈련을 지원한다. 실제 병력과 장비로 구성된 대응군(OPFOR) 부대와 함께, CGF로 생성된 수천 개의 가상 개체들이 훈련 시나리오를 풍부하게 만든다.
NTC에서는 OneSAF 기반의 CGF가 적군 증원 부대, 민간인, 언론인, 국제기구 직원 등을 시뮬레이션한다. 훈련 부대가 특정 지역을 점령하면, CGF가 주민들의 반응(협조, 저항, 피난 등)을 시뮬레이션하고, 이에 따른 복잡한 상황이 전개된다. 이러한 CGF 활용을 통해 NTC는 연간 약 10개 여단 전투단(Brigade Combat Team)의 훈련을 지원하며, 훈련 비용을 실제 대응군만으로 수행하는 경우 대비 약 40% 절감하고 있다.
5.2 미 해군 전술훈련그룹(TACTRAGRU) 활용
미 해군 전술훈련그룹은 JSAF(Joint Semi-Automated Forces)와 JCATS를 활용하여 함대 수준의 전투 훈련을 지원한다. CGF는 적 해군 함정, 잠수함, 항공기, 미사일 등을 시뮬레이션하며, 다양한 위협 시나리오를 구현한다. 특히 대함 탄도미사일(ASBM), 극초음속 미사일 등 신흥 위협에 대한 대응 훈련에 CGF가 필수적으로 활용된다.
2023년 RIMPAC(Rim of the Pacific Exercise) 연합 훈련에서는 CGF가 25개국 연합 함대에 대한 가상 위협 세력을 생성했다. CGF로 생성된 적 함대는 약 200척의 함정과 500대의 항공기를 포함했으며, 실제 참가 함정들은 이러한 가상 위협에 대응하는 훈련을 수행했다. 이를 통해 대규모 해상 전투 시나리오를 실제 전투함 동원 없이 경험할 수 있었다.
5.3 미 공군 분산 임무 작전(DMO) 훈련
미 공군은 분산 임무 작전(Distributed Mission Operations, DMO) 훈련에 CGF를 광범위하게 활용한다. DMO는 전 세계에 분산된 비행 시뮬레이터들을 네트워크로 연결하여 대규모 공중 전투 훈련을 수행하는 체계이다. CGF는 이 훈련에서 적 항공기, 지대공 미사일, 레이더 등을 시뮬레이션한다.
DMO 센터는 네바다주 넬리스 공군기지(Nellis AFB), 애리조나주 루크 공군기지(Luke AFB), 플로리다주 에글린 공군기지(Eglin AFB) 등에 설치되어 있다. 2024년 기준 DMO는 연간 약 1,200회의 훈련 이벤트를 수행하며, 각 이벤트에서 평균 50-100개의 CGF 개체가 운용된다. 미 공군은 DMO 프로그램에 연간 약 1억 2,000만 달러를 투자하고 있다.
5.4 F-35 훈련체계에서의 CGF 활용
F-35 Lightning II 전투기의 훈련체계인 ALIS(Autonomic Logistics Information System)와 Full Mission Simulator(FMS)는 고도로 정교한 CGF를 활용한다. F-35 시뮬레이터의 CGF는 5세대 스텔스 전투기의 특성을 반영하여, 전자전(Electronic Warfare), 네트워크 중심전(Network-Centric Warfare), 데이터 링크 등을 현실적으로 시뮬레이션한다.
록히드마틴(Lockheed Martin)이 개발한 F-35 CGF는 적 5세대 전투기, 통합방공체계(IADS), 사이버 위협 등을 모델링한다. 이 CGF는 F-35의 센서 퓨전(Sensor Fusion) 기능을 테스트하고, 조종사들이 복잡한 위협 환경에서 임무를 수행하는 훈련을 지원한다. F-35 프로그램 사무소(JPO)는 CGF 개발 및 유지에 연간 약 5,000만 달러를 투자하는 것으로 알려져 있다.
5.5 AI 기반 CGF 연구 개발
미 국방부는 차세대 AI 기반 CGF 개발을 위해 대규모 투자를 진행하고 있다. DARPA(Defense Advanced Research Projects Agency)의 ACE(Air Combat Evolution) 프로그램은 AI가 조종하는 전투기 CGF를 개발하여 인간 조종사와의 공중 전투에서 승리하는 것을 목표로 한다. 2020년 AlphaDogfight 대회에서 Heron Systems가 개발한 AI CGF가 인간 F-16 조종사를 5:0으로 격파한 것은 큰 주목을 받았다.
미 육군 연구소(ARL)의 ATLAS(Advanced Targeting and Lethality Automated System) 프로그램은 지상 전투 환경에서의 AI CGF를 연구한다. ATLAS CGF는 강화학습(Reinforcement Learning)을 통해 전술적 행동을 스스로 학습하며, 인간 전투원 수준의 의사결정 능력을 목표로 한다. 미 국방부는 2024 회계연도에 AI 기반 M&S 연구에 약 8억 달러를 배정했으며, 이 중 상당 부분이 CGF 관련 연구에 투자되고 있다.
6. 한국 국방에 대한 시사점
6.1 한국군 M&S 체계의 CGF 현황
한국군은 현재 다양한 시뮬레이션 체계에서 CGF를 운용하고 있다. 육군의 과학화전투훈련단(KCTC)은 미 육군 NTC를 벤치마킹하여 구축되었으며, OneSAF 기반의 CGF를 활용한다. 해군의 해상전투실험센터와 공군의 항공우주전투발전센터 역시 각각의 CGF 시스템을 운용하고 있다. 그러나 한국군의 CGF 기술은 대부분 해외에서 도입된 것으로, 독자적인 CGF 개발 역량은 아직 초기 단계에 있다.
6.2 핵심 시사점
첫째, 독자적 CGF 개발 역량 확보가 필요하다. 현재 한국군이 사용하는 CGF 시스템의 대부분은 미국에서 도입된 것으로, 한반도 작전 환경의 특수성(산악 지형, 도시 밀집, 북한군 교리 등)을 완전히 반영하지 못한다. 북한군의 전술, 무기체계, 작전 패턴을 정밀하게 모델링한 CGF 개발이 필요하며, 이를 위해 국방과학연구소(ADD)와 방위사업청의 역할이 중요하다. 미국의 STE CGF 개발 경험을 참고하여, 한국형 CGF 개발 로드맵을 수립해야 한다.
둘째, AI/ML 기반 차세대 CGF 기술 투자가 시급하다. 미국은 이미 AI 기반 CGF 개발에 연간 수억 달러를 투자하고 있으며, DARPA ACE 프로그램 등에서 가시적인 성과를 내고 있다. 한국도 4차 산업혁명 기술을 국방 M&S에 적용하는 노력을 강화해야 한다. 특히 강화학습 기반 적응형 CGF, 대규모 언어모델 기반 인지 CGF 등 첨단 기술 연구에 투자해야 한다.
셋째, LVC 통합 훈련 환경 구축을 가속화해야 한다. 미 육군의 STE 프로그램처럼, 실제-가상-구성 훈련을 통합하는 합성 훈련 환경이 필요하다. 이를 위해서는 다양한 CGF 시스템 간의 상호 운용성이 확보되어야 하며, HLA/DIS 표준 준수가 필수적이다. 한미 연합 훈련에서의 CGF 연동 경험을 바탕으로, 한국군 고유의 LVC 통합 환경을 구축해야 한다.
넷째, CGF 전문 인력 양성이 필요하다. CGF 개발과 운용에는 소프트웨어 공학, 인공지능, 군사학 등 다양한 분야의 융합 역량이 필요하다. 현재 한국에서는 이러한 융합 인력이 부족한 실정이다. 국방대학교, KAIST 등에서 M&S 및 CGF 관련 교육 프로그램을 강화하고, 산학연 협력을 통한 인력 양성 체계를 구축해야 한다.
다섯째, 민군 협력 및 국제 협력을 강화해야 한다. CGF 기술은 게임 산업, 자율주행 자동차, 로봇공학 등 민간 분야와 기술적 기반을 공유한다. 국내 게임 기업, AI 스타트업 등과의 협력을 통해 CGF 기술 개발을 가속화할 수 있다. 또한 미국, NATO 동맹국들과의 CGF 기술 협력을 통해 선진 기술을 습득하고, 상호 운용성을 확보해야 한다.
6.3 발전 방향 제언
한국군은 2030년까지 독자적인 차세대 CGF 시스템을 개발하는 것을 목표로 설정할 필요가 있다. 이를 위해 단기적으로는 기존 도입 시스템의 한국화(localization)를, 중기적으로는 AI/ML 기반 CGF 핵심 기술 개발을, 장기적으로는 완전 독자 CGF 플랫폼 구축을 추진해야 한다. 예산 측면에서는 국방 M&S 예산의 CGF 관련 비중을 현재 추정 15%에서 25% 이상으로 확대하는 것이 바람직하다.
7. 결론
CGF(Computer Generated Forces)는 현대 국방 M&S의 핵심 기술로서, 시뮬레이션 훈련과 분석의 효과성과 효율성을 획기적으로 향상시킨다. 미국 국방부는 1980년대 SIMNET 시절부터 CGF 기술을 발전시켜 왔으며, 현재 OneSAF, JCATS, VBS, STE CGF 등 다양한 시스템을 운용하고 있다. 특히 AI와 기계학습 기술의 발전에 힘입어 CGF는 단순한 시나리오 재현을 넘어, 인간 전투원 수준의 적응적 행동을 수행하는 지능형 시스템으로 진화하고 있다.
CGF의 기술적 구성요소인 행동 모델링, 인지 모델링, 물리 시뮬레이션, 통신 네트워킹은 각각 독립적으로 발전하면서도 통합되어 종합적인 CGF 시스템을 구성한다. 미 육군 NTC, 해군 TACTRAGRU, 공군 DMO 등의 사례에서 볼 수 있듯이, CGF는 이미 미군의 핵심 훈련 체계에 깊숙이 통합되어 있으며, 훈련 비용 절감과 효과 향상에 크게 기여하고 있다.
한국 국방은 CGF 기술에서 미국과 상당한 격차를 보이고 있으며, 이를 극복하기 위한 체계적인 노력이 필요하다. 독자적 CGF 개발 역량 확보, AI/ML 기반 차세대 기술 투자, LVC 통합 환경 구축, 전문 인력 양성, 민군 및 국제 협력 강화 등 다섯 가지 핵심 시사점을 바탕으로 한국군의 CGF 발전 전략을 수립해야 한다. CGF 기술은 미래 전장에서의 우위를 확보하기 위한 필수적인 역량이며, 지금부터의 투자와 노력이 한국군의 시뮬레이션 기반 훈련 및 분석 능력을 결정할 것이다.
참고 자료
- U.S. Department of Defense. (2007). DoD Directive 5000.59: DoD Modeling and Simulation (M&S) Management, Incorporating Change 1, August 8, 2007. https://www.esd.whs.mil/Portals/54/Documents/DD/issuances/dodd/500059p.pdf
- IEEE Computer Society. (2012). IEEE Standard 1516-2010: IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)—Framework and Rules. https://ieeexplore.ieee.org/document/5553440
- U.S. Army PEO STRI. (2023). OneSAF Product Description Document. Program Executive Office for Simulation, Training and Instrumentation. https://www.peostri.army.mil/onesaf
- SISO Standards Activity Committee. (2015). SISO-STD-012: Standard for Command and Control Systems - Simulation Systems Interoperation. Simulation Interoperability Standards Organization. https://www.sisostds.org/DigitalLibrary.aspx?EntryId=30822
- Defense Acquisition University. (2024). Modeling and Simulation for Test and Evaluation Guidebook. https://aaf.dau.edu/aaf/mosa/mste/
- U.S. Army Research Laboratory. (2022). Adaptive Computer Generated Forces for Training, Technical Report ARL-TR-9543. https://www.arl.army.mil/publications/
- DARPA. (2023). ACE (Air Combat Evolution) Program Information. Defense Advanced Research Projects Agency. https://www.darpa.mil/program/air-combat-evolution
- NATO Modelling and Simulation Centre of Excellence. (2022). NATO M&S Master Plan, AMSP-01 Edition B. https://www.mscoe.org/nato-ms-master-plan/
- Congressional Research Service. (2024). Defense Primer: Army Multi-Domain Operations and Synthetic Training Environment. https://crsreports.congress.gov/product/pdf/IF/IF11607
- Government Accountability Office. (2023). Military Training: DOD Should Assess Effectiveness of Its Training Exercises to Incorporate Emerging Technologies, GAO-23-105405. https://www.gao.gov/products/gao-23-105405
댓글
댓글 쓰기