항공용 임베디드 시스템 기반 지능형 음성인식 아키텍처 및 구현 전략

서 론

현대의 항공기, 특히 4.5세대 및 5세대 전투기는 항공전자(Avionics) 장비의 고도화와 디지털화, 그리고 센서 융합(Sensor Fusion) 기술의 발달로 인해 조종사가 단일 임무 중에 처리해야 할 정보의 양이 기하급수적으로 증가하였다. 이러한 고도의 전술 정보 처리는 조종사에게 심각한 인지적 과부하(Cognitive Overload)를 유발하며, 이는 핵심 임무인 교전 및 전술 비행에 집중해야 할 조종사의 임무 효율성을 저하시키는 가장 주요한 원인으로 작용한다1. 다기능 시현기(MFD, Multi-Function Display) 및 전방 상향 시현기(HUD)를 기반으로 하는 시각적 정보 전달과, 스위치 및 터치스크린을 통한 수동 조작(Manual Control) 인터페이스는 극심한 난기류나 고기동(High-G) 상황에서 물리적 조작의 한계를 명확히 드러낸다3.

 

 

단일 조종사가 모든 항공전자 시스템을 통제해야 하는 단일 조종사 운용(SPO, Single Pilot Operations) 개념이 점차 확산됨에 따라, 조종사의 업무 부하(Workload) 문제를 해결하기 위한 대안으로 직접 음성 입력(DVI, Direct Voice Input) 시스템이 전술기 조종석의 핵심 인터페이스로 부상하고 있다1. 인간의 가장 자연스러운 정보 전달 수단인 음성을 활용함으로써, 조종사는 시선을 외부 전장 환경에 유지한 채(Eyes-out) 조종간과 스로틀에서 손을 떼지 않고(Hands-on) 비행체 시스템의 비안전 임계(Non-safety critical) 요소를 제어할 수 있게 된다1.

 

그러나 전장 환경에서 운용되는 항공용 음성인식 시스템은 상용 디바이스와는 차원이 다른 고도의 신뢰성을 요구한다. 100dBA를 상회하는 극한의 배경 소음, 산소 마스크 착용으로 인한 음향 전달 특성(Transfer Function)의 왜곡, 그리고 중력 가속도(G-force) 증가에 따른 조종사의 성도(Vocal tract) 변형 등 악조건 속에서도 시스템은 매우 높은 정확도(High Accuracy)와 즉각적인 반응성(Low Latency)을 보장해야 한다7. 동시에, 항공기에 탑재되는 임베디드 시스템은 크기, 무게, 전력(SWaP, Size, Weight, and Power)의 엄격한 제약을 받으므로, 클라우드 서버급의 무거운 인공지능 엔진을 그대로 탑재하는 것은 불가능하다.

 

본 연구 보고서는 저전력, 소형, 경량화 조건을 만족하는 NXP i.MX 8M Plus 애플리케이션 프로세서를 기반으로, 최적화된 소형 대규모 언어 모델(sLLM) 또는 음성-텍스트 변환 및 개체명 인식(STT+NER) 파이프라인을 구축하여 항공기 조종석에 탑재 가능한 실시간 디지털 음성 명령 생성 시스템의 아키텍처, 하드웨어-소프트웨어 통합 최적화 방안, 그리고 감항 인증(DO-178C 및 EASA AI Roadmap) 획득 전략을 심층적으로 분석한다.

 

항공전자 업무 부하 경감을 위한 직접 음성 입력(DVI) 기술의 진화

전투기 조종석 설계의 핵심 진화 철학은 자동화 및 직관적 제어 인터페이스를 통해 조종사를 단순한 조작자에서 '전술적 의사결정자(Tactical Decision Maker)'로 격상시키는 것에 있다9. 이를 뒷받침하는 핵심 기술인 직접 음성 입력(DVI) 혹은 음성 입력 제어(VIC, Voice Input Control) 시스템은 인간-기계 상호작용(HMI)의 효율성을 극대화한다4.

 

미국의 5세대 스텔스 전투기인 F-35 Lightning II는 미국 전투기 역사상 최초로 첨단 음성인식 시스템을 조종석 설계의 핵심 요소로 통합하였다7. Adacel 사에 의해 개발된 F-35의 음성인식 시스템은 과거의 기술적 한계를 극복한 화자 독립적(Speaker-independent) 아키텍처로 설계되었다. 기존의 화자 종속적(User-dependent) 시스템들은 비행 전 조종사가 최대 한 시간씩 자신의 음성 템플릿을 생성하여 시스템을 훈련(Training)시키고 해당 프로필을 기체에 사전 탑재해야 하는 운영상의 제약이 있었으나, F-35의 시스템은 훈련 없이도 즉각적인 인식이 가능하도록 고도화되었다4. 이 시스템은 통신 주파수 변경, 항법장치 설정, 화면 디스플레이 전환, 레이더 관리 등 조종사가 가장 빈번하게 조작하는 오디오 및 전자 장비 제어에 적용되어 조종사의 물리적 조작 단계를 대폭 축소시켰다1. 과거 F-22 Raptor 개발 초기 단계에서는 DVI 기술의 성숙도 부족과 그에 따른 기술적, 비용적 위험성(Technical risk) 문제로 도입이 최종 단계에서 취소된 바 있으나10, 엣지 인공지능 기술의 비약적 발전이 이러한 물리적, 컴퓨팅 자원적 장벽을 허물었다.

 

유럽의 Eurofighter Typhoon 또한 HOTAS(Hands On Throttle And Stick) 인터페이스 설계와 혁신적인 음성인식 기술을 결합한 VTAS(Voice, Throttle And Stick) 개념을 세계 최초로 전면 도입하여 조종사의 업무 부하를 획기적으로 낮추었다1. Eurofighter에 탑재된 DVI 시스템은 공중전 시나리오에서 조종사가 스크린을 터치하거나 버튼을 누를 필요 없이 단 2개의 단순한 음성 명령만으로 편대장 스스로에게 표적을 할당할 수 있으며, 편대원(Wingman)에게 표적을 인계할 때도 단 5개의 단어만으로 복잡한 전술 명령을 완성할 수 있도록 설계되었다1. 이는 시뮬레이터 및 실제 비행 환경에서 다기능 시현기(MFD)의 하위 메뉴를 반복적으로 탐색해야 하는 전통적인 수동 데이터 입력 방식보다 반응 시간이 월등히 빠르고 직관적임이 증명되었다1.

 

이러한 업무 부하 경감 효과는 항공우주국(NASA)이 고안한 주관적 작업 부하 평가지수(NASA-TLX)를 적용한 연구 결과들을 통해서도 객관적으로 입증된다13. 조종사들이 음성 명령을 대체 인터페이스로 활용하여 모의 비행 임무를 수행했을 때, 수동 조작 방식에 비해 시각적 정보 처리로 인한 인지적 부하(Mental Demand)와 신체적 요구(Physical Demand)가 유의미하게(p < 0.05) 감소하는 추세가 확인되었다16.

 

 

 

특히 전장 감시 레이더 화면의 트랙(Track) 정보 관리나 데이터 링크(MIDS) 관리를 음성으로 수행하게 되면, 조종사는 고개를 숙이지 않고 외부의 위협 요소 탐지에 더 많은 주의 자원(Attentional resources)을 할당할 수 있게 되어 뇌파(EEG) 상의 인지적 자원 소모 지표(P300 진폭 등)가 안정화되는 경향을 보인다1.

 

고기동 항공 환경의 음향학적 한계 극복 및 오디오 전처리 아키텍처

DVI 시스템이 연구실 환경을 넘어 실제 비행 임무에서 성공적으로 작동하기 위해서는 조종석 내부의 극단적인 물리적, 음향학적 환경이 음성 신호에 미치는 치명적인 영향들을 근본적으로 해결해야 한다. 항공기 조종석의 음향 환경은 일반적인 음성인식 인공지능이 작동하기에 최악의 조건을 갖추고 있다.

 

첫째, 고속 비행 시 발생하는 공력 소음과 엔진 소음은 최대 100dBA를 쉽게 상회하며, 이는 화자의 음성 신호를 심각하게 은폐(Masking)한다8. 둘째, 고고도 비행을 위해 조종사가 필수적으로 착용하는 산소 마스크(Oxygen mask)는 마이크로폰과 입 사이의 음향 임피던스를 변화시켜 음성 신호의 전달 특성을 왜곡시킨다. 연구에 따르면, 코와 마스크 사이의 밀착 불량(4mm 이상의 간격 발생) 및 착용 각도의 편차는 마스크 내부의 공명 특성을 변화시키고 호흡 소음(Breath noise) 및 난기류에 의한 마스크 자체 진동 소음을 증폭시켜 ASR(Automatic Speech Recognition) 엔진의 인식률을 급격히 저하시킨다8. 셋째, 공중전 교전 시 발생하는 최대 6G 이상의 고중력 가속도 상황은 조종사의 안면 근육을 짓누르고 성도(Vocal tract)의 형상을 강제로 변형시켜, 평상시 훈련된 발성 주파수 대역과 포먼트(Formant) 특성을 붕괴시킨다7.

 

이러한 복합적인 음성 왜곡 요소를 해결하기 위해 강력한 오디오 전처리(Pre-processing) 파이프라인의 구축이 필수적이다. 산소 마스크로 인한 신호의 감쇠 및 주파수 응답 왜곡은 마스크 내부의 선형적 음향 전달 영향을 측정하여 설계된 FIR(Finite Impulse Response) 역필터(Inverse Filter)를 통과시킴으로써 상당 부분 보상할 수 있다8.

 

소음 제거 및 화자 분리(Source Separation)를 위해서는 전통적인 위너 필터(Wiener filter)나 대역통과 필터(Butterworth filter)의 한계를 뛰어넘는 인공지능 기반의 노이즈 억제 알고리즘이 필요하다21. 최근 엣지 디바이스 환경에서는 DeepFilterNet 또는 RNNoise와 같은 경량 신경망(RNN, GRU 기반) 노이즈 제거 기술이 광범위하게 채택되고 있다22. 이러한 모델들은 시간-주파수 대역에서 복소수 마스크(Time-frequency mask)를 계산하여 목표 음성 신호와 주변의 비정상(Non-stationary) 잡음을 분리해 낸다25. 또한, 프레임 단위로 갱신되는 시변 필터(Time-varying filter)와 자기 주의 메커니즘(Self-attention)을 활용하여 조종사의 동적인 움직임과 변화하는 소음 환경 속에서도 목표 발화자의 신호만을 추적하여 추출할 수 있다26.

 

이러한 고강도의 디지털 신호 처리(DSP)는 주 연산 장치(CPU)에 과도한 부하를 줄 수 있다. 이 문제를 해결하기 위해 본 과제에서 채택한 i.MX 8M Plus 애플리케이션 프로세서에는 오디오 처리에 특화된 Cadence Tensilica HiFi 4 DSP가 800MHz 속도로 내장되어 있다27. 이 저전력 음성 보조 프로세서는 메인 CPU나 NPU를 대기 모드에서 깨우지 않고도 전처리 필터링, 에코 제거, 빔포밍(Beamforming), 그리고 웨이크워드(Wake-word) 감지 임무를 극도로 짧은 지연시간과 수 밀리와트(mW) 수준의 저전력으로 상시 수행할 수 있어, 임베디드 항공 시스템의 SWaP 최적화에 크게 기여한다27.

 

지능형 음성인식 아키텍처 심층 비교: STT+NER 파이프라인 vs sLLM

항공용 임베디드 장비에서 인공지능이 조종사의 음성을 분석하여 기계를 제어하는 디지털 명령으로 생성하기 위해 채택할 수 있는 아키텍처는 크게 두 가지 갈래로 나뉜다. 첫째는 음성을 텍스트로 변환하는 기술(STT)과 변환된 텍스트에서 핵심 의미를 추출하는 개체명 인식(NER) 모듈이 직렬로 결합된 파이프라인 구조이며, 둘째는 경량화된 대규모 언어 모델(sLLM)을 활용하여 음성 입력에 대한 종단간(End-to-End) 의도 추론을 수행하는 방식이다. 항공 환경의 특성상 높은 정확도(High Accuracy)와 짧은 지연시간(Low Latency)이라는 상충하는 두 가지 목표를 달성하기 위해 각 방식의 아키텍처적 특성을 면밀히 비교해야 한다.

 

STT+NER 기반 계층적 아키텍처 (결정론적 모델)

항공 교통 관제(ATC) 및 조종석 내 통신 지시어 분석(Spoken Instruction Understanding) 영역에서 안전성과 신뢰성이 가장 높게 평가되는 전통적이고 안정적인 접근법이다30. 이 방식은 발화자의 오디오 파형을 텍스트 기호로 변환하는 음향 모델(Acoustic Model) 기반의 STT 엔진과, 변환된 자연어 텍스트에서 특정한 지시어와 수치적 매개변수를 추출하는 자연어 이해(NLU) 모듈인 NER로 엄격히 기능이 분리된다31.

 

음성 인식(STT) 영역에서는 최근 수년간 합성곱 신경망(CNN)의 특징 추출 능력과 트랜스포머(Transformer)의 장기 문맥 학습 능력을 결합한 Conformer(Convolution-augmented Transformer) 아키텍처가 독보적인 성능을 입증하고 있다33. Conformer는 트랜스포머 레이어를 통해 음성 시퀀스의 전역적(Global) 문맥 의존성을 파악하는 동시에, CNN 레이어를 통해 지역적(Local) 음향 특징과 미세한 주파수 변화를 정밀하게 포착한다33. 이는 조종석 환경 특유의 빠르고 단절되며 소음이 섞인 통신 음성을 인식하는 데 강력한 성능을 발휘한다34. 이후 NER 단계에서는 STT가 생성한 텍스트로부터 '역할 인식(Role recognition)', '의도 탐지(Intent detection)', '슬롯 채우기(Slot filling)'라는 세 가지 핵심 분석을 수행한다30. 예를 들어 "방향타 기수를 이백칠십 도로 틀어라"라는 조종사의 음성에서 '명령(Command: 기수 변경)'과 '값(Value: 270도)'이라는 항공 도메인 특정 개체(Entity)를 추출하여 임무 컴퓨터가 해석할 수 있는 정형화된 메타데이터 포맷으로 변환한다36.

 

엣지 디바이스 환경에서 이러한 복잡한 자연어 이해(NLU)를 지연 없이 수행하기 위해, 수억 개의 매개변수를 가진 무거운 BERT 모델을 지식 증류(Knowledge Distillation) 기법으로 압축한 TinyBERT 모델이 주로 채택된다33. 4개의 레이어로 압축된 TinyBERT는 원래의 BERT-base 모델 대비 크기가 7.5배 작고 추론 속도는 9.4배 빠르면서도, GLUE 벤치마크 기준 96.8% 이상의 언어 이해 정확도를 유지하여 NPU가 내장된 임베디드 칩셋에 최적화된 성능을 제공한다33. 이 STT+NER 파이프라인의 가장 큰 장점은 정해진 어휘 사전과 제한된 문법 규칙(Well-defined grammar) 내에서 확정적(Deterministic)으로 동작하므로 오작동의 위험이 매우 낮다는 것이다36.

 

sLLM 기반 생성형 아키텍처 (확률적 모델)

최근에는 매개변수(Parameter) 10억 개 미만(Sub-1B) 수준의 소형 거대언어모델(sLLM, small Large Language Model)을 클라우드 연결 없이 엣지 디바이스의 NPU에서 직접 온디바이스(On-device) 형태로 구동하려는 시도가 급증하고 있다. NXP가 제공하는 eIQ GenAI Flow와 같은 파이프라인은 오픈소스 sLLM(예: 500M 매개변수를 갖춘 H2O Danube, LLaMA v2 등)을 항공기 도메인 특화 데이터로 미세조정(Fine-tuning)하고 8-bit로 양자화(Quantization)하여 i.MX 95 또는 8M Plus의 신경망 가속기(NPU)에 탑재할 수 있도록 지원한다39.

 

sLLM 방식의 가장 큰 장점은 조종사가 정해진 구문(Syntax) 패턴을 벗어난 자연스러운 일상적 발화나 생략된 표현을 사용하더라도 강력한 추론 능력을 바탕으로 문맥의 행간을 파악할 수 있다는 점이다. 특히, RAG(Retrieval-Augmented Generation) 아키텍처를 결합하면 기체 내부의 비행 교범이나 체크리스트 문서 데이터베이스를 참조하여, 긴급 상황 시 조종사와 양방향 질의응답을 수행하는 가상의 부조종사(Virtual Co-pilot) 기능까지 확장할 수 있다39.

 

그러나 항공전자와 같은 안전 임계(Safety-critical) 시스템에서 sLLM을 주 제어기로 사용할 때 발생하는 가장 심각한 문제점은 '환각(Hallucination)' 현상과 비결정론적(Non-deterministic)인 언어 생성 특성에 있다42. 대규모 언어 모델은 사실 관계에 기반하지 않고 통계적으로 그럴듯한 단어의 조합을 출력할 가능성이 존재하므로, 인공지능이 존재하지 않는 허위 항로를 지시하거나 잘못된 무장 해제 코드를 생성하는 환각 현상은 비행 안전에 치명적인 결과로 직결된다44. 따라서 sLLM을 항공기 제어 명령에 적용할 경우에는, 모델이 생성한 자연어 출력물을 솔버(Solver)나 형식 검증(Formal Verification) 도구를 통해 기계적으로 평가하고 제어 논리(Constraint expressions) 조건에 부합하는지 한 번 더 필터링하는 복잡한 이중 검증 아키텍처가 필수적으로 동반되어야 한다44.

 

평가 지표	STT+NER 파이프라인 (Conformer + TinyBERT)	sLLM 기반 생성형 모델 (Int8 Quantized 500M 모델)
작동 원리	음향 모델링 후 구문 분석 및 개체명 추출 (결정론적)	문맥 기반 확률적 단어 시퀀스 생성 (비결정론적)
추론 속도 (Latency)	매우 짧음 (구조가 단순하며 파이프라인 최적화 용이)	상대적으로 김 (생성되는 토큰 수에 비례하여 지연 발생)
자원 소모 (Memory)	적음 (모델 파편화로 SRAM 내 캐싱 유리)	많음 (단일 모델 크기가 커 DDR 메모리 대역폭 소모)
오류 특성 및 안전성	어휘 미인식(Oov) 오류 존재, 그러나 제어 불능 명령 생성 확률 극히 낮음	환각(Hallucination) 현상 존재, 잘못된 제어 명령을 확신에 차서 생성할 위험 있음
권장 적용 분야	통신 주파수 변경, 무장 할당, 화면 전환 등 즉각적인 조작	교범 검색(RAG), 긴급 조치 브리핑, 비행 상황 요약 등 조언자(Advisor) 역할

 

종합하자면, 오차 없는 정밀한 조작(Action)이 요구되는 디지털 명령 변환 분야에는 제한된 어휘와 템플릿 내에서 확정적으로 동작하는 STT+NER 방식이 유리하며, 체크리스트 확인이나 임무 브리핑 요약 등 조종사의 인지적 결정을 보조하는 기능에는 sLLM의 도입이 타당하다. 본 R&D 과제는 '지연 없는 디지털 명령 생성'이 핵심이므로 단기적으로는 STT+NER 파이프라인의 경량화 및 탑재에 우선 순위를 두되, 장기적으로 sLLM을 백업형 조언자(Advisor)로 병렬 구성하는 아키텍처 설계가 바람직하다.

 

i.MX 8M Plus 하드웨어-소프트웨어 Co-Design 및 NPU 인퍼런스 최적화

전투기에 탑재되는 항공용 임베디드 장비는 SWaP 제약으로 인해 전력 소모와 발열을 통제해야 하므로, 제한된 컴퓨팅 자원을 한계까지 끌어올리는 하드웨어-소프트웨어 공동 설계(Co-Design) 기술이 필요하다. 본 과제의 타겟 플랫폼인 NXP i.MX 8M Plus는 최대 1.8GHz로 동작하는 4개의 범용 프로세서인 Arm Cortex-A53 코어와, 시스템 실시간 제어를 담당하는 800MHz Cortex-M7 마이크로컨트롤러, 그리고 오디오 전처리용 HiFi 4 DSP 및 엣지 AI 인퍼런스를 위해 전용으로 설계된 2.3 TOPS(Tera Operations Per Second) 연산 성능의 NPU(Vivante VIP8000)를 하나의 칩에 통합한 이기종(Heterogeneous) SoC(System-on-Chip)이다27.

 

i.MX 8M Plus 시스템에서의 음성인식 파이프라인 작업 분배 전략은 다음과 같이 엄격하게 구성된다. 첫째, 조종사의 산소 마스크 마이크로폰을 통해 유입된 오디오 신호는 먼저 저전력 HiFi 4 DSP로 전달되어 배경 소음 억제(Noise Reduction) 및 웨이크워드 감지를 수행한다. 둘째, 정제된 오디오 데이터는 메인 CPU인 Cortex-A53 코어로 전달되어 파이프라인 오케스트레이션 및 데이터 준비 과정을 거친다. 셋째, 가장 연산 부하가 높은 신경망 추론 단계(STT의 음향 모델링 및 NER의 의도 분석)는 전적으로 2.3 TOPS 성능의 Vivante VIP8000 NPU에 오프로딩되어 INT8 양자화 기반의 고속 행렬 연산으로 처리된다. 넷째, 추론이 완료된 결과값은 다시 CPU로 반환되어 비최대 억제(NMS, Non-Maximum Suppression) 등의 후처리(Post-processing)를 수행한 후 최종 디지털 명령으로 확정된다. 이러한 이기종 프로세서 간의 정밀한 작업 분할은 주 CPU의 과부하를 막아 시스템 반응성을 극대화하고 전력 소모를 최소화하는 핵심 아키텍처 원리가 된다.

 

특히 산업 및 항공 시스템에서 핵심적인 오류 정정 코드(Inline ECC) 메모리 지원과 CAN-FD, TSN 기반 듀얼 기가비트 이더넷 포트를 하드웨어적으로 지원하여, 높은 시스템 신뢰성(Reliability)과 실시간 제어 네트워킹을 보장한다27.

 

지연시간(Latency) 단축을 위한 NPU 인퍼런스 최적화 기법

지능형 음성인식 엔진이 고속/고기동 전투기 환경에서 Low Latency 요구조건을 만족하려면, 컴퓨팅 부하가 큰 부동소수점(FP32) 연산을 NPU가 고속으로 처리할 수 있는 8비트 정수형(INT8) 포맷으로 변환하는 양자화(Quantization) 과정이 필수적이다48. 양자화 기법에는 학습 완료 후 가중치를 압축하는 학습 후 양자화(PTQ, Post-Training Quantization)와, 학습 단계에서부터 양자화 오차를 시뮬레이션하여 정확도를 보정하는 양자화 인식 학습(QAT, Quantization-Aware Training)이 있다. 음성 인식에 사용되는 Conformer와 같이 깊고 복잡한 모델의 경우, PTQ 적용 시 성능 저하가 심하므로 정확도(High Accuracy) 손실을 방지하기 위해 QAT 기법의 적용이 강력히 권장된다48.

 

NXP가 제공하는 eIQ(Edge Intelligence Environment) 툴킷은 TensorFlow Lite, ONNX Runtime 등의 딥러닝 프레임워크를 NPU 하드웨어에서 가속할 수 있도록 VX Delegate(OpenVX 확장 드라이버)를 지원한다29. 이 소프트웨어 생태계 위에서 i.MX 8M Plus NPU의 추론 성능을 최대로 이끌어내기 위한 세부 개발 전략은 다음과 같다.

1. 연산자 병합(Operator Fusion) 및 온칩 SRAM 캐싱 전략: NPU 컴파일러(eIQ 기반)는 외부 DDR 메모리 접근으로 인한 병목(Memory bound)을 최소화하기 위해, 합성곱(Conv2D), 배치 정규화(BatchNorm), 활성화 함수(ReLU) 등으로 이어지는 연속된 신경망 계층을 하나의 단일 연산으로 병합(Fusion)한다48. 이렇게 병합된 연산 결과는 느린 외부 DDR 메모리에 기록되지 않고 NPU 내부에 통합된 256KB SRAM에 바로 적재(Caching)된다48. 텐서를 작은 타일 형태로 쪼개어 연산과 메모리 프리패치(Prefetch)를 동시에 수행하는 더블 버퍼링(Double Buffering) 기법을 활용함으로써, 실질적인 대역폭 한계를 극복하고 초저지연을 달성한다48.
2. NPU 웜업(Warmup) 시간의 관리적 회피: NPU를 활용하여 TensorFlow Lite 모델을 실행할 때 발생하는 치명적인 문제 중 하나는 초기화 지연이다. 최초 추론(First inference) 실행 시 시스템은 컴퓨팅 그래프를 컴파일하고 하드웨어 가속기(NPU)에 맞게 메모리 할당 및 파라미터 최적화를 수행하는 데 수 초 이상의 웜업 타임(Warmup time)을 소모한다29. 전투기 비행 중 시스템 재부팅이나 예기치 않은 초기화 상황에서 7초 이상의 웜업 지연이 발생하면 치명적인 사고로 이어질 수 있다. 따라서 항공용 소프트웨어 부팅 시퀀스(Boot sequence) 단계에서, 비행 임무가 시작되기 전 미리 모든 백그라운드 모델에 대해 1회 이상의 더미 추론(Dummy inference)을 의도적으로 수행하도록 아키텍처를 강제해야 한다54.
3. CPU 폴백(Fallback) 방지를 위한 네트워크 토폴로지 수정: 특정 신경망 계층(Operator)이 i.MX 8M Plus의 NPU 하드웨어 명령어 셋에 포함되지 않은 경우, 해당 연산 구간에서는 NPU가 아닌 CPU로 처리 권한이 넘어가게 되는 현상(CPU Fallback)이 발생한다53. 이 경우 이기종 코어 간의 막대한 문맥 전환(Context switching) 지연이 발생하여 전체 성능이 급락한다53. 이를 방지하기 위해 eIQ Toolkit의 프로파일링 도구를 사용하여 모델 변환 단계에서 모든 연산자가 NPU 지원 목록에 포함되는지 선제적으로 점검하고, 지원되지 않는 연산자는 NPU가 해석할 수 있는 다른 연산자로 네트워크 토폴로지(Topology)를 치환하여 100% NPU 가속이 이루어지도록 모델을 튜닝해야 한다53.

 

항공전자 디지털 명령 버스 연동 및 감항 인증(DO-178C / EASA AI) 전략

STT+NER 또는 sLLM 모듈을 통해 조종사의 복잡한 음성 발화가 텍스트 개체로 성공적으로 추출되었다 하더라도, 이를 항공기 내 임무 컴퓨터(Mission Computer)와 무장 시스템이 직접 인식하고 동작할 수 있는 규격화된 디지털 신호로 변환해야만 DVI 시스템의 최종 목적이 달성된다.

 

MIL-STD-1553 및 ARINC 429 인터페이스 게이트웨이 연동

추출된 디지털 명령은 무장 제어, 통신 주파수 변경, 항법 경로 설정 등을 실제로 수행하기 위해 항공기 백본 데이터 버스로 전송되어야 한다. 군용기에서는 고도의 신뢰성을 보장하기 위해 버스 컨트롤러(BC)가 전체 통신을 중앙에서 통제하는 명령어/응답(Command/Response) 기반의 시분할 다중화 직렬 버스인 MIL-STD-1553이 절대적인 표준으로 사용된다59. 반면, 민간 상용기 기술이 혼합된 환경에서는 단방향 방송형(Broadcast) 버스인 ARINC 429 규격이 채택되기도 한다59.

 

음성인식 모듈이 탑재된 i.MX 8M Plus 기반의 임베디드 보드는 인공지능이 분석한 논리 명령어(예: "타겟 1번 할당")를 ARINC 429의 32비트 라벨 지향 주소 지정(Label-based addressing) 데이터 워드 형식이나, MIL-STD-1553의 원격 터미널(RT) 데이터 패킷 구조로 정밀하게 직렬화(Serialization)하여 전송하는 통신 게이트웨이 역할을 완벽하게 수행해야 한다59. 다행히 i.MX 8M Plus 내부에 통합된 Cortex-M7 실시간 마이크로컨트롤러 코어는 이러한 엄격한 타이밍을 요구하는 네트워크 프로토콜 변환 업무와 패킷 데이터의 무결성 검증(Parity bit / CRC calculation)을 리눅스를 구동하는 메인 CPU 코어들과 완전히 격리된 상태에서 독립적이고 안정적으로 처리하는 데 핵심적으로 활용된다27.

 

항공기 소프트웨어 안전 인증(DO-178C) 및 EASA AI 가이드라인 대응 전략

항공기 비행 체계에 탑재되는 모든 소프트웨어는 치명적인 시스템 결함을 예방하기 위해 RTCA DO-178C (Software Considerations in Airborne Systems and Equipment Certification)와 같은 극도로 엄격한 국제 감항 인증(Airworthiness Certification) 기준을 통과해야 한다62. 문제는 전통적인 DO-178C 프레임워크가 소프트웨어의 확정성(Deterministic behavior)과 모든 요구사항에 대한 100% 구조적 커버리지(Structural coverage) 테스트를 근간으로 삼고 있다는 점이다5. 즉, A와 B가 입력되면 반드시 C가 나온다는 것을 코드 레벨에서 증명해야 한다5. 그러나 신경망 기반의 기계학습(Machine Learning) 알고리즘이나 언어 모델은 본질적으로 통계적이고 확률적(Probabilistic)이며 그 작동 방식을 내부 노드 레벨에서 완벽히 설명하거나 추적할 수 없는 블랙박스(Black-box) 특성을 지니므로, 기존 DO-178C의 검증 방식을 그대로 적용하여 인가받는 것은 현재 규정상 불가능하다5.

 

이러한 규제 공백을 해결하기 위해 유럽항공안전청(EASA)은 선도적으로 인공지능 로드맵(AI Roadmap 1.0/2.0)을 발표하고, 조종사를 보조하는 '인간 지원(Assistance to human)' 레벨인 '레벨 1(Level 1) 머신러닝 애플리케이션'을 항공기에 탑재하기 위한 최초의 인증 가이드라인(Concept Paper)을 제시하였다68. 이 새로운 가이드라인에 따라 인증을 획득하고 DO-178C의 한계를 우회하기 위해서는 다음의 핵심 요소들이 시스템 설계 및 개발 사이클에 반드시 통합되어야 한다.

1. 학습 보증(Learning Assurance) 체계 구축: 이는 전통적 소프트웨어의 '설계 및 개발 보증(Design Assurance)'을 인공지능에 맞게 변형한 개념이다. 모델 자체의 코드를 줄 단위로 검증할 수 없으므로, 대신 모델을 훈련시키는 데 사용된 데이터셋 자체의 품질을 엄격히 통제한다. 데이터셋이 작전 환경을 완벽히 대표(Representativeness)하는지, 데이터 내에 편향성(Bias mitigation)은 없는지를 수학적이고 체계적인 프로세스로 입증하여 문서화해야 한다68.
2. 운용 설계 영역(ODD, Operational Design Domain)의 명확화 및 모니터링: 인공지능 모델이 정상적으로 신뢰성 있게 작동할 수 있는 물리적, 환경적 조건의 범위를 정량적으로 수치화하여 정의해야 한다. 예를 들어 '소음 수준 100dB 이하, G-force 6G 미만, 영어 및 한국어 명령어 발화'와 같이 ODD를 설정하고, 비행 중 센서를 통해 환경 변수가 이 ODD 영역을 벗어나는 즉시 인공지능의 개입을 차단하고 수동 조작 체계로 전환하는 모니터링 체계를 시스템에 내장해야 한다72.
3. 런타임 보증(RTA, Run-Time Assurance) 기반의 안전 샌드박스 아키텍처: 이 개념은 sLLM이나 음성인식 엔진이 훈련되지 않은 예외 상황에서 환각 현상을 일으키거나 인식 오류로 인해 조종사의 의도와 완전히 다른 비정상적인 제어 명령(Unintended behavior)을 출력하더라도, 이 잘못된 명령이 항공기 안전에 실질적인 영향을 미치지 못하도록 기계적으로 차단하는 최종 방어선이다66. STT/sLLM 추론 모듈은 격리된 샌드박스 내부에서만 동작하며, 이들이 생성한 출력 데이터는 MIL-STD-1553 버스로 넘어가기 직전에 단순하고 확정적(Deterministic)인 논리(If-Then 규칙 등)로 짜여진 독립적인 '안전 감시자(Safety Monitor)'를 거쳐야 한다66. 추출된 명령어가 항공기의 비행 가능 영역(Flight envelope)을 벗어나는 조작을 요구하거나, 우군기를 조준하는 등의 금지된 위험(Hazard) 상태를 유발할 소지가 있다고 판단되면, RTA 모듈이 즉각적으로 명령 전송을 폐기하고 조종사에게 경고를 시현하게 된다66.

 

평가 기준 및 안전 요구 항목	기존 DO-178C 체계 (결정론적 SW 기반)	EASA AI Roadmap (레벨 1 인공지능 보조)	항공용 시스템 설계 반영 방안 (i.MX 8M Plus 환경)
소프트웨어 코드 검증 (Verification)	분기문(Branch) 및 조건문별 100% 구조적 커버리지 분석 요구	블랙박스 모델 특성상 내부 구조적 커버리지 적용 불가 인정	모델 외곽을 감싸는 런타임 보증(RTA) 모니터의 차단 로직에 대해서만 엄격한 확정적 코드 검증 적용
요구사항 추적성 (Traceability)	시스템 상위 요구사항 ↔ 소스코드 1:1 양방향 매핑	시스템 요구사항 ↔ 학습 데이터셋(Dataset) 간의 매핑으로 대체	의도된 작전 환경(ODD)과 일치하는 데이터셋 수집 및 무결성 보증(Learning Assurance) 과정 문서화
오작동 방어 (Safety Mitigation)	결함 주입 테스트 통과 및 내부 방어 코드 구현	모델의 본질적 한계(환각, 편향성) 인정 및 물리적/논리적 안전 격리 설계	NPU 내 sLLM/STT 모듈을 샌드박스화하고, Cortex-M7 실시간 프로세서가 버스 전송 전 무결성을 최종 검사하여 차단

 

결론 및 향후 연구개발 방향

항공전자 장비의 고도화 속에서 조종사의 인지적 업무 부하 경감은 차세대 5세대 및 6세대 항공기 개발 경쟁에서 가장 시급히 확보해야 할 전술적 요구사항 중 하나이며, 인공지능 기술이 융합된 지능형 음성인식(DVI) 기술은 이를 해결할 가장 직관적이고 실효성 있는 대안으로 자리 잡았다. 본 보고서에서 심층적으로 분석한 바와 같이, 산업용 및 전장용 엣지 컴퓨팅을 위해 설계된 i.MX 8M Plus 애플리케이션 프로세서는 2.3 TOPS 성능의 하드웨어 신경망 가속기(NPU)와 전용 오디오 처리기인 HiFi 4 DSP를 통해, 100dB 이상의 조종석 소음 환경과 SWaP 제약 속에서도 초저지연 및 고신뢰성의 음성-텍스트 변환 및 자연어 의미 추출을 수행할 수 있는 완벽한 물리적 기반을 제공한다.

 

성공적인 연구개발 및 목표 달성을 위한 핵심 기술적 권고사항은 다음과 같다.

 

첫째, 최적의 자연어 처리 아키텍처 모델 선택에 있어서, STT+NER 파이프라인과 sLLM 기반 생성형 모델을 이분법적으로 채택하기보다는 임무 성격에 따른 투트랙(Two-track) 하이브리드 아키텍처를 설계해야 한다. 즉, 통신 주파수 변경이나 타겟 할당과 같이 오차 없는 즉각적인 조작(Mission Critical Action)이 필요한 영역에는 확정성을 지닌 STT+NER 파이프라인을 전위 배치하고, 체크리스트 열람이나 비행 상황 요약 등 조종사의 전술적 판단을 돕는 보조 영역에는 INT8로 양자화된 소형 LLM(RAG 결합)을 백그라운드 조언자(Advisor)로 활용하는 체계 구성이 가장 합리적이다.

 

둘째, 소프트웨어 최적화 측면에서 eIQ Toolkit의 프로파일링 도구와 텐서플로우 라이트(TFLite) VX Delegate를 개발 초기 단계부터 적극 도입해야 한다. 신경망 내부의 모든 연산자가 NPU 호환성을 100% 만족하도록 네트워크 구조를 최적화하여 CPU 폴백(Fallback)으로 인한 지연을 완전히 차단해야 하며, 연산자 병합(Operator Fusion)을 통한 온칩 SRAM 활용성을 극대화해야 한다. 아울러 비행 중 예기치 않은 시스템 재부팅 시 NPU 웜업(Warmup)에 따른 추론 지연이 발생하지 않도록 초기화 시퀀스에 웜업 스크립트를 내장하는 로직을 반드시 구현해야 한다.

 

셋째, 개발 착수 시점부터 향후 상용화 및 양산을 위한 감항 인증(DO-178C 및 EASA 레벨 1 AI 인증)을 전략적으로 염두에 두어야 한다. 수백 시간 분량의 군용 조종사 교신 데이터, 소음 데이터, 마스크 착용 음성 데이터를 구축할 때부터 데이터의 편향성을 제어하는 학습 보증(Learning Assurance) 관리 프로세스를 적용하여 문서화해야 한다. 무엇보다, 시스템 출력단(Cortex-M7 및 디지털 버스 게이트웨이 구간)에 런타임 보증(Run-Time Assurance) 아키텍처를 결합한 안전 감시자(Safety Monitor) 코드를 확정론적으로 설계함으로써, 인공지능의 비정상적인 출력이나 환각 현상이 비행 안전 시스템에 절대로 개입할 수 없도록 이중화된 차단막을 구축하는 것이 프로젝트 성공의 핵심 관건이다.

 

이러한 하드웨어의 극단적 성능 최적화, 최신 인공지능 아키텍처의 전략적 분배, 그리고 가장 엄격한 항공 인증 프레임워크에 대한 선제적인 대응은 본 연구과제에서 개발될 항공용 임베디드 음성인식 시스템이 향후 실제 고기동 전투기 환경에서 조종사의 한계를 극복하고 전술적 우위를 완벽하게 달성하게 하는 핵심 동력이 될 것이다.

 

 

참고 자료

1. Eurofighter Direct Voice Input Overview | PDF | Data Transmission | Touchscreen - Scribd, https://www.scribd.com/document/322478511/docslide-us-direct-voice-input-docx
2. 전투기용 음성명령 인식 시스템 설계 및 검증환경 연구 - 논문 - DBpia, https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE02085538
3. Schochman AI-Assisted Glass Cockpit – Smarter and Safer Flying, https://schochman.com/schochman-glass-cockpit-features/
4. Direct voice input - Wikipedia, https://en.wikipedia.org/wiki/Direct_voice_input
5. Role, Needs, and State of Cognitive Assistants in Single-Pilot Operations, https://arc.aiaa.org/doi/10.2514/1.I011432
6. Identification of aircrew tasks for using direct voice input (DVI) to reduce pilot workload in the AH-64D Apache Longbow, https://trace.tennessee.edu/entities/publication/7e1f9555-a78a-4049-9b26-7586f4dd993b
7. Researchers fine-tune F-35 pilot-aircraft speech system > Air Force > Article Display, https://www.af.mil/News/Article-Display/Article/125449/researchers-fine-tune-f-35-pilot-aircraft-speech-system/
8. The effect of an oxygen mask on automatic speech recognition - ISCA Archive, https://www.isca-archive.org/ast_1993/steeneken93_ast.html
9. The F-35 Cockpit | PPTX - Slideshare, https://www.slideshare.net/slideshow/the-f35-cockpit/12572694
10. Direct voice input, https://appassets.softecksblog.in/aerospace_engineering/assets/Avionics/11.htm
11. Condition-Based Maintenance Plus Structural Integrity (CBM+SI) Strategy Development - DTIC, https://apps.dtic.mil/sti/tr/pdf/ADA546937.pdf
12. (PDF) Lockheed Martin Color - ResearchGate, https://www.researchgate.net/publication/282848197_Lockheed_Martin_Color
13. Donald HARRIS | Professor (Full) | PhD | Coventry University, Coventry | CU | Faculty of Engineering Environment and Computing | Research profile - ResearchGate, https://www.researchgate.net/profile/Donald-Harris-3
14. Virtual reality and psychological tools in the assessment of operator performance in complex human-machine interactions - Queen's University Belfast, https://pureadmin.qub.ac.uk/ws/portalfiles/portal/502252442/Virtual_reality_and_psychological_tools_in_the_assessment_of_operator_performance_in_complex_human_machine_interactions.pdf
15. faces for Teleoperators and - NASA Technical Reports Server, https://ntrs.nasa.gov/api/citations/19950007600/downloads/19950007600.pdf?attachment=true
16. Rotary-Wing Brownout Mitigation: Technologies and Training - NATO, https://publications.sto.nato.int/publications/STO%20Technical%20Reports/RTO-TR-HFM-162/$$TR-HFM-162-ALL.pdf
17. Eye Gaze Controlled Projected Display in Automotive and Military Aviation Environments, https://www.mdpi.com/2414-4088/2/1/1
18. Pilot Cognitive Load: Light & Noise Effects | PDF - Scribd, https://www.scribd.com/document/934533944/Pei-2025
19. Oxygen mask fit analysis in F-16 fighter pilots using 3D imaging - PubMed, https://pubmed.ncbi.nlm.nih.gov/24261054/
20. Methods and Metrics of Voice Communications - Federal Aviation Administration, https://www.faa.gov/sites/faa.gov/files/data_research/research/med_humanfacs/oamtechreports/AM96-10.pdf
21. 음성인식 기술을 활용한 효과적인 지휘관의 전술 명령 전달 - 국방 AI 경진대회, https://maicon.kr/wp-content/uploads/2023/12/06%EC%9C%84_%EB%A9%B8%EA%B3%B5%EC%A7%80%EB%8A%A5_%ED%8A%B9%EB%B3%84%EC%83%81_%EA%B5%B0%EC%9E%A5%EB%B3%91%EB%B6%80%EB%AC%B8.pdf
22. Better stop · Issue #259 · OHF-Voice/linux-voice-assistant - GitHub, https://github.com/OHF-Voice/linux-voice-assistant/issues/259
23. liuzhenqi77/awesome-stars: A curated list of my GitHub stars by stargazed, https://github.com/liuzhenqi77/awesome-stars
24. Stacked Multiscale Densely Connected Temporal Convolutional Attention Network for Multi-Objective Speech Enhancement in an Airborne Environment - MDPI, https://www.mdpi.com/2226-4310/11/2/156
25. Directional Source Separation for Robust Speech Recognition on Smart Glasses - arXiv, https://arxiv.org/html/2309.10993v2
26. Mask-based Neural Beamforming for Moving Speakers with Self-Attention-based Tracking - arXiv, https://arxiv.org/pdf/2205.03568
27. i.MX 8M PLUS APPLICATIONS PROCESSOR FAMILY - Variscite, https://variscite.com/wp-content/uploads/2020/10/i.MX-8M-Plus-Fact-Sheet.pdf
28. i.MX 8M Plus Applications Processor Datasheet for Industrial Products - NXP Community, https://community.nxp.com/pwmxy87654/attachments/pwmxy87654/imx-processors/216087/2/IMX8MPIEC_ProcessorDataSheet.pdf
29. i.MX Machine Learning User's Guide - NXP Semiconductors, https://www.nxp.com/docs/en/user-guide/UG10166.pdf
30. Spoken ATC Instruction Understanding - Encyclopedia.pub, https://encyclopedia.pub/entry/8357
31. Spoken Instruction Understanding in Air Traffic Control: Challenge, Technique, and Application - MDPI, https://www.mdpi.com/2226-4310/8/3/65
32. Real-time Controlling Dynamics Sensing in Air Traffic System - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC6387294/
33. Aman's AI Journal • Papers List, https://aman.ai/papers/
34. Full Stack Approach for Efficient Deep Learning Inference - UC Berkeley, https://escholarship.org/content/qt4wf834q8/qt4wf834q8.pdf?v=lg
35. Appl. Sci., Volume 14, Issue 14 (July-2 2024) – 424 articles - MDPI, https://www.mdpi.com/2076-3417/14/14
36. ATCO2 corpus A Large-Scale Dataset for Research on Automatic Speech Recognition and Natural Language Understanding of Air Traffic Control Communications - arXiv, https://arxiv.org/html/2211.04054
37. ATCO2 corpus: A Large-Scale Dataset for Research on Automatic Speech Recognition and Natural Language Understanding of Air Traffic Control Communications, https://data.mlr.press/assets/pdf/v02-5.pdf
38. Deep learning for information retrieval: studying relevant signals for ad hoc search based on transformer models - Thèses de l'Université de Toulouse, https://utheme.utoulouse.fr/files/original/10d5584081995c95aec78ae32752b228d03d019f.pdf
39. Expanding The Horizons of Generative Edge AI: Mission, Vision, and Insights From Industries - TechRxiv, https://www.techrxiv.org/doi/pdf/10.36227/techrxiv.175356514.40683390
40. [Getting Started] i.MX 95: LLM_RAG Implementation Hands-on - eIQ Gen AI Flow - (Japanese blog) - NXP Community, https://community.nxp.com/t5/NXP-Tech-Blog/%E5%85%A5%E9%96%80-i-MX-95-LLM-RAG%E5%AE%9F%E8%A3%85%E3%83%8F%E3%83%B3%E3%82%BA%E3%82%AA%E3%83%B3-eIQ-Gen-AI-Flow-%E6%97%A5%E6%9C%AC%E8%AA%9E%E3%83%96%E3%83%AD%E3%82%B0/ba-p/2092729?profile.language=en
41. Design and Evaluation of a Retrieval-Augmented Generation LLM Chatbot with Structured Database Access - MDPI, https://www.mdpi.com/2076-3417/16/7/3147
42. AI is forcing us to write good code | Hacker News, https://news.ycombinator.com/item?id=46424200
43. Specialized AI Vendors for Aviation - Phos AI Labs, https://phosailabs.com/blog/specialized-ai-vendors-for-aviation
44. Trusta: Reasoning about Assurance Cases with Formal Methods and Large Language Models, https://faculty.ecnu.edu.cn/_upload/article/files/0b/e3/ed18bad24dd9b9d44a7251fc3d1c/df076300-6aa2-4cb3-9e0e-ae7c1092621e.pdf
45. ATLAS: Artifact Generation Through Layered Constraints and LLM × MDE Synergy - arXiv, https://arxiv.org/html/2510.25890v2
46. Automating Requirements Formalization: Using LLMs and Low-Complexity Distinguishing Traces for Semantic Validation - Stanford Computer Science, https://cs.stanford.edu/~trippel/pubs/mendoza_ICSE26.pdf
47. venice/npu - Gateworks Wiki, https://trac.gateworks.com/wiki/venice/npu
48. NPU (Neural Processing Unit) - 리눅스 커널 정리 /with MINZKN, https://www.minzkn.com/linuxkernel/pages/npu.html
49. IMX8MPCEC: i.MX 8M Plus Applications Processor Datasheet for Consumer Products - Documentation, https://docs.nxp.com/bundle/IMX8MPCEC/page/topics/imx_8m_plus_introduction.html
50. NXP Semiconductors i.MX 8M Plus 프로세서 - 마우저 일렉트로닉스(Mouser Electronics), https://www.mouser.kr/new/nxp-semiconductors/nxp-i-mx-8m-plus/
51. Cognitive Edge Computing: A Comprehensive Survey on Optimizing Large Models and AI Agents for Pervasive Deployment - arXiv, https://arxiv.org/pdf/2501.03265
52. Using Concurrent Machine Learning Inference Networks with the i.MX 8M Plus Applications Processor | NXP Semiconductors, https://www.nxp.com/company/about-nxp/smarter-world-blog/BL-MLIN-I-MX-8M-PLUS-APP-PROCESSOR
53. ONNX Runtime, TFLite를 활용한 모델 최적화와 임베디드 포팅, https://eartist.tistory.com/1260
54. AN12964 - i.MX 8M Plus NPU Warmup Time, https://www.mouser.com/pdfDocs/AN12964.pdf
55. ONNX performance test - UG10166: i.MX Machine Learning User's Guide | NXP Semiconductors, https://docs.nxp.com/bundle/UG10166/page/topics/onnx_performance_test.html
56. DEEP LEARNING AT THE EDGE Optimizations of object detection models for embedded devices - POLITECNICO DI TORINO, https://webthesis.biblio.polito.it/22605/1/tesi.pdf
57. Advice on NPU-first TFLite object detection for i.MX 8M Plus (minimal CPU fallback), https://community.nxp.com/t5/i-MX-Processors/Advice-on-NPU-first-TFLite-object-detection-for-i-MX-8M-Plus/td-p/2189804
58. i.MX 8M Plus - eIQ® Learning Hub, https://eiq.nxp.com/learning-hub/prof/ondevice/imx8mp.html
59. Avionic Data Bus Integration Technology - DTIC, https://apps.dtic.mil/sti/tr/pdf/ADA252406.pdf
60. MIL-STD-1553 - Wikipedia, https://en.wikipedia.org/wiki/MIL-STD-1553
61. What is ARINC 429? - Assured Systems, https://www.assured-systems.com/faq/what-is-arinc-429/
62. ForMuLA IPC report - EASA, https://www.easa.europa.eu/sites/default/files/dfu/collins_easa_formal_methods_use_for_learning_assurance-formula_public_1.pdf
63. Towards certifiable AI in aviation: landscape, challenges, and opportunities - arXiv, https://arxiv.org/pdf/2409.08666
64. Towards certifiable AI in aviation: landscape, challenges, and opportunities - arXiv, https://arxiv.org/html/2409.08666v1
65. How to Certify AI for Aviation: A Step-by-Step Guide - Phos AI Labs, https://phosailabs.com/blog/how-to-certify-ai-for-aviation
66. CERTIFICATION GUIDANCE FOR AI/ML, https://aam-cms.marqui.tech/uploads/aam-portal-cms/originals/982101fe-f430-4411-b0d2-8f5ec5c9bb17.pdf
67. Certification of AI-Based Aviation Systems: A Methodology for Continuous Safety Assurance Across the System Life Cycle - MDPI, https://www.mdpi.com/2673-4591/132/1/7
68. EASA Concept Paper - European Union, https://www.easa.europa.eu/sites/default/files/dfu/easa_concept_paper_first_usable_guidance_for_level_1_machine_learning_applications_issue_01_1.pdf
69. Toward a Regulatory Framework to Certify Artificial Intelligence Applications in Aviation - DGLR, https://www.dglr.de/publikationen/2023/610347.pdf
70. EASA Concept Paper: First usable guidance for Level 1 machine learning applications, https://www.easa.europa.eu/sites/default/files/dfu/easa_concept_paper_first_usable_guidance_for_level_1_machine_learning_applications_-_proposed_issue_01_1.pdf
71. Special Condition SC-AI-01 - EASA, https://www.easa.europa.eu/en/downloads/136369/en
72. Ensuring the Trustworthy Development of AI-Based Applications Compatible to Future EASA Regulations - electronic library -, https://elib.dlr.de/212205/1/Werner2025%20-%20Ensuring%20the%20Trustworthy%20Development%20of%20AI%20Based%20Applications%20Compatible%20to%20Future%20EASA%20Regulations.pdf