{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "# 🎯 [TRN01] 드론 시뮬레이터 비행로그 기반 숙련도 분석기\n",
        "### Google Colab 실습 환경 (교육·훈련 / Level 3)\n",
        "\n",
        "[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/edunlab/milicontent2/blob/main/uploads/TRN01/TRN01_solution.ipynb)\n",
        "\n",
        "---\n",
        "\n",
        "## 📌 1. 프로젝트 개요 및 배경\n",
        "\n",
        "| 항목 | 내용 |\n",
        "| :--- | :--- |\n",
        "| **과정 분류** | 교육·훈련 (Level 3) |\n",
        "| **학습 소요 시간** | 10개 미션 (5일 / 총 27.5시간) |\n",
        "| **환경 사양** | Python 3.10+, numpy, pandas, matplotlib, scipy, scikit-learn |\n",
        "\n",
        "### 📖 프로젝트 목표\n",
        "러시아-우크라이나 전쟁에서는 소형 드론 조종 인력을 짧은 기간에 대량으로 양성해야 했고, 시뮬레이터 훈련에서 누가 어떤 조작 약점을 가지고 있는지 빠르게 찾아 개인별로 보완하는 일이 전투력 유지의 관건이 되었다. 본 프로젝트에서는 교육용 가상 드론 시뮬레이터 비행로그(경로 비행, 호버링, 돌발 장애물 회피, 비상 착륙)를 코드로 직접 만들어, 로그 스키마 정의, 잡음·결측 전처리, 경로 이탈도·호버링 안정성 기반 Baseline 채점, 장애물 반응·착륙 속도를 반영한 정밀 평가 엔진, 조작 습관 분석과 신뢰도 등급, 3D 재생 대시보드, 교관 HITL 평가 인터페이스, 대량 배치 스트레스 시험, AAR 재튜닝, 최종 통합까지 숙련도 분석기를 단계별로 구현한다. 최종 목표는 교관 평가와 일치하는 객관적 숙련도 지표와 개인별 피드백을 제공하되, 등급과 재교육 결정은 교관이 근거를 기록해 확정하도록 설계하는 것이다.\n",
        "\n",
        "> **⚠️ [교육용 가상 데이터셋 원칙]**\n",
        "> - 본 노트북의 모든 데이터(제원, 로그, 시나리오 등)는 보안 규정을 준수하여 **코드 내 난수 기반 가상 데이터로 생성**됩니다.\n",
        "> - 실제 부대 위치, 작전 인가, 실제 전장 정보, 군사 기밀 데이터는 일체 포함되지 않습니다.\n",
        "\n",
        "---\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# ============================================================================\n",
        "# [Google Colab 환경 설정] 필수 라이브러리 설치 및 임포트\n",
        "# ============================================================================\n",
        "!pip install -q numpy pandas matplotlib scipy scikit-learn\n",
        "\n",
        "import os\n",
        "import sys\n",
        "import time\n",
        "import math\n",
        "import json\n",
        "import re\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "import warnings\n",
        "warnings.filterwarnings('ignore')\n",
        "\n",
        "# 그래프 영문 폰트 기본 설정 (환경 독립성 보장)\n",
        "plt.rcParams['font.sans-serif'] = 'DejaVu Sans'\n",
        "plt.rcParams['axes.unicode_minus'] = False\n",
        "\n",
        "print(f\"실행 환경 준비 완료 (Python {sys.version.split()[0]})\")\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 01. 드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도 유지, 경로 오차) 데이터 스키마 정의\n",
        "**소요시간**: 약 1.5시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도 유지 오차) 데이터 스키마를 정의한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도, 위치·목표 경로)와 비행 세션 메타데이터의 스키마를 정의하고 잘못된 로그를 걸러내는 검증기를 만든다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **세션(가명 조종자 ID, 코스, 기록 주기, 비행 시간), 전술 파라미터(비행 조건, 풍속, GPS 오차, 영상 지연), 레코드(스틱 3축, 자세각, 고도, 위치·목표) 필드와 허용 범위 정의하고 검증하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `data/schema/trn01_input_schema.json 및 docs/trn01_data_spec.md` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 교육·훈련 실무 및 러시아-우크라이나 전쟁 전장 환경과의 군사적 부합성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 스키마 필드 정의 완성도 100%, 샘플 데이터 검증 오류 0건\n",
        "\n",
        "\n",
        "- 진행 기준: 입력 데이터 유효성 검증 스크립트 통과 및 명세서 문서화 완료\n",
        "\n",
        "\n",
        "- 검증 방법: JSON Schema 검증 도구 및 샘플 데이터 파싱 단위 테스트\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도, 위치·목표 경로)와 비행 세션 메타데이터(가명 조종자, 비행 조건, 전술 파라미터)의 스키마를 정의하고 가상 샘플 데이터를 검증한다.\"\"\"\n",
        "import json\n",
        "import re\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 1] 드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도 유지, 경로 오차) 데이터 스키마 정의 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 1] 드론 조종 시뮬레이터 비행로그(스틱 조작, 자세각, 고도 유지, 경로 오차) 데이터 스키마 정의 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "SCHEMA = {\n",
        "    \"session\": {\n",
        "        \"session_id\": {\"type\": str, \"pattern\": r\"^S\\d{4}$\"},\n",
        "        \"pilot\": {\"type\": str, \"pattern\": r\"^P\\d{3}$\"},                       # 가명 ID만 허용(실명·군번 금지)\n",
        "        \"sim_course\": {\"type\": str, \"enum\": [\"RECT40x30_HOVER_OBS_LAND\"]},\n",
        "        \"rate_hz\": {\"type\": int, \"enum\": [10, 20, 50]},\n",
        "        \"duration_s\": {\"type\": (int, float), \"min\": 10, \"max\": 1800},\n",
        "    },\n",
        "    \"tactical\": {\n",
        "        \"condition\": {\"type\": str, \"enum\": list(COND)},\n",
        "        \"wind_mps\": {\"type\": (int, float), \"min\": 0, \"max\": 20},\n",
        "        \"gps_error_m\": {\"type\": (int, float), \"min\": 0, \"max\": 50},\n",
        "        \"video_delay_ms\": {\"type\": (int, float), \"min\": 0, \"max\": 2000},\n",
        "    },\n",
        "    \"record\": {\n",
        "        \"t\": {\"type\": (int, float), \"min\": 0},\n",
        "        \"stick_roll\": {\"type\": (int, float), \"min\": -1, \"max\": 1},\n",
        "        \"stick_pitch\": {\"type\": (int, float), \"min\": -1, \"max\": 1},\n",
        "        \"throttle\": {\"type\": (int, float), \"min\": -1, \"max\": 1},\n",
        "        \"roll_deg\": {\"type\": (int, float), \"min\": -90, \"max\": 90},\n",
        "        \"pitch_deg\": {\"type\": (int, float), \"min\": -90, \"max\": 90},\n",
        "        \"alt\": {\"type\": (int, float), \"min\": -1, \"max\": 500},\n",
        "        \"x\": {\"type\": (int, float)}, \"y\": {\"type\": (int, float)},\n",
        "        \"tx\": {\"type\": (int, float)}, \"ty\": {\"type\": (int, float)}, \"talt\": {\"type\": (int, float), \"min\": 0, \"max\": 500},\n",
        "    },\n",
        "}\n",
        "\n",
        "\n",
        "def check(name, value, rule):\n",
        "    if not isinstance(value, rule[\"type\"]) or isinstance(value, bool):\n",
        "        return [f\"{name}: 자료형 오류({type(value).__name__})\"]\n",
        "    errs = []\n",
        "    if \"enum\" in rule and value not in rule[\"enum\"]:\n",
        "        errs.append(f\"{name}: 허용되지 않은 값 '{value}'\")\n",
        "    if \"min\" in rule and value < rule[\"min\"]:\n",
        "        errs.append(f\"{name}: 최소값 {rule['min']} 미만\")\n",
        "    if \"max\" in rule and value > rule[\"max\"]:\n",
        "        errs.append(f\"{name}: 최대값 {rule['max']} 초과\")\n",
        "    if \"pattern\" in rule and not re.match(rule[\"pattern\"], value):\n",
        "        errs.append(f\"{name}: 형식 불일치 '{value}'\")\n",
        "    return errs\n",
        "\n",
        "\n",
        "def validate(sess):\n",
        "    errs = []\n",
        "    for g in (\"session\", \"tactical\"):\n",
        "        for k, rule in SCHEMA[g].items():\n",
        "            errs += [f\"{g}.{k}: 필수 필드 누락\"] if k not in sess.get(g, {}) else check(f\"{g}.{k}\", sess[g][k], rule)\n",
        "    prev = -1.0\n",
        "    for i, rec in enumerate(sess.get(\"records\", [])):\n",
        "        for k, rule in SCHEMA[\"record\"].items():\n",
        "            errs += [f\"records[{i}].{k}: 필수 필드 누락\"] if k not in rec else check(f\"records[{i}].{k}\", rec[k], rule)\n",
        "        if isinstance(rec.get(\"t\"), (int, float)) and rec[\"t\"] <= prev:\n",
        "            errs.append(f\"records[{i}].t: 시각 역행/중복\")\n",
        "        prev = rec.get(\"t\", prev)\n",
        "    return errs\n",
        "\n",
        "\n",
        "# [교육용가상자료] 조종자 20명 x 비행 1회 -> 세션 20건(각 세션에서 레코드 30개만 표본 검증)\n",
        "pilots = make_pilots(20, seed=7)\n",
        "log, truth = fly(pilots, \"day\", seed=1)\n",
        "rng = np.random.default_rng(2)\n",
        "sessions = []\n",
        "for j in range(20):\n",
        "    d = one(log, j).iloc[::40][list(SCHEMA[\"record\"])].round(3)\n",
        "    sessions.append({\"session\": {\"session_id\": f\"S{j + 1:04d}\", \"pilot\": pilots[\"pilot\"][j], \"sim_course\": \"RECT40x30_HOVER_OBS_LAND\",\n",
        "                                 \"rate_hz\": 10, \"duration_s\": 120.0},\n",
        "                     \"tactical\": {\"condition\": \"day\", \"wind_mps\": float(round(rng.uniform(0, 3), 1)), \"gps_error_m\": 0.25,\n",
        "                                  \"video_delay_ms\": int(rng.integers(50, 250))},\n",
        "                     \"records\": [{k: float(v) for k, v in r.items()} for r in d.to_dict(\"records\")]})\n",
        "ok = sum(1 for s in sessions if not validate(s))\n",
        "print(f\"정상 세션 {len(sessions)}건(레코드 {sum(len(s['records']) for s in sessions)}개) 중 검증 통과 {ok}건, 오류 {len(sessions) - ok}건\")\n",
        "\n",
        "bad = json.loads(json.dumps(sessions[0]))\n",
        "bad[\"session\"][\"pilot\"] = \"KIM-01\"          # 실명형 ID 입력\n",
        "bad[\"tactical\"][\"condition\"] = \"storm\"\n",
        "del bad[\"tactical\"][\"video_delay_ms\"]\n",
        "bad[\"records\"][3][\"stick_roll\"] = 1.8\n",
        "bad[\"records\"][5][\"t\"] = bad[\"records\"][4][\"t\"]\n",
        "print(\"[오류 주입 결과]\")\n",
        "for e in validate(bad):\n",
        "    print(\" -\", e)\n",
        "\n",
        "rows = []\n",
        "for g in SCHEMA:\n",
        "    for k, r in SCHEMA[g].items():\n",
        "        t = r[\"type\"].__name__ if isinstance(r[\"type\"], type) else \"number\"\n",
        "        rows.append((g, k, t, str({x: y for x, y in r.items() if x != \"type\"})[:45]))\n",
        "print(\"\\n[데이터 명세 요약]\")\n",
        "print(pd.DataFrame(rows, columns=[\"그룹\", \"필드\", \"자료형\", \"규칙\"]).to_string(index=False))\n",
        "print(\"\\n비행 단계: 경로 0~60초 / 호버링 60~85초 / 장애물 회피 85초 / 비상 착륙 지시 100초, 10Hz 기록\")\n",
        "print(\"개인정보: 조종자는 가명 ID(P001~)로만 저장하고, 실명·군번·소속은 별도 대장에서 교관만 관리한다.\")\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 01 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "정상 세션 20건(레코드 600개) 중 검증 통과 20건, 오류 0건\n",
        "[오류 주입 결과]\n",
        " - session.pilot: 형식 불일치 'KIM-01'\n",
        " - tactical.condition: 허용되지 않은 값 'storm'\n",
        " - tactical.video_delay_ms: 필수 필드 누락\n",
        " - records[3].stick_roll: 최대값 1 초과\n",
        " - records[5].t: 시각 역행/중복\n",
        "\n",
        "[데이터 명세 요약]\n",
        "      그룹             필드    자료형                                     규칙\n",
        " session     session_id    str               {'pattern': '^S\\\\d{4}$'}\n",
        " session          pilot    str               {'pattern': '^P\\\\d{3}$'}\n",
        " session     sim_course    str {'enum': ['RECT40x30_HOVER_OBS_LAND']}\n",
        " session        rate_hz    int                 {'enum': [10, 20, 50]}\n",
        " session     duration_s number               {'min': 10, 'max': 1800}\n",
        "tactical      condition    str     {'enum': ['day', 'night', 'gust']}\n",
        "tactical       wind_mps number                  {'min': 0, 'max': 20}\n",
        "tactical    gps_error_m number                  {'min': 0, 'max': 50}\n",
        "tactical video_delay_ms number                {'min': 0, 'max': 2000}\n",
        "  record              t number                             {'min': 0}\n",
        "  record     stick_roll number                  {'min': -1, 'max': 1}\n",
        "  record    stick_pitch number                  {'min': -1, 'max': 1}\n",
        "  record       throttle number                  {'min': -1, 'max': 1}\n",
        "  record       roll_deg number                {'min': -90, 'max': 90}\n",
        "  record      pitch_deg number                {'min': -90, 'max': 90}\n",
        "  record            alt number                {'min': -1, 'max': 500}\n",
        "  record              x number                                     {}\n",
        "  record              y number                                     {}\n",
        "  record             tx number                                     {}\n",
        "  record             ty number                                     {}\n",
        "  record           talt number                 {'min': 0, 'max': 500}\n",
        "\n",
        "비행 단계: 경로 0~60초 / 호버링 60~85초 / 장애물 회피 85초 / 비상 착륙 지시 100초, 10Hz 기록\n",
        "개인정보: 조종자는 가명 ID(P001~)로만 저장하고, 실명·군번·소속은 별도 대장에서 교관만 관리한다.\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 02. 시계열 비행 궤적 데이터 정제 및 이상 조작 노이즈 필터링 전처리 구현\n",
        "**소요시간**: 약 2.0시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "시계열 비행 궤적 노이즈를 필터링하고 스틱 조작 데이터를 정규화하는 전처리 모듈을 구현한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **시계열 비행로그의 시각 중복·역행, GPS 튐, 센서 단절, 스틱 PWM 원시값을 정리하는 전처리 모듈을 구현한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **10Hz 격자로 시각을 정렬하고 중복을 제거한 뒤, 스틱 PWM(1000~2000us)을 -1~1로 정규화하고 중립 데드밴드를 적용 수행하고 검증하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/preprocess/trn01_preprocessor.py 및 전처리 전후 데이터셋` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 전술 환경 특유의 노이즈(스푸핑, 반사파, 센서 단절 등) 제거 타당성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 데이터 정제 처리 속도 1,000건/초 이상, 전처리 오류율 0%\n",
        "\n",
        "\n",
        "- 진행 기준: 정제 파이프라인 자동화 및 단위 테스트 케이스 5종 통과\n",
        "\n",
        "\n",
        "- 검증 방법: pytest 기반 전처리 정합성 테스트 및 결측치 보정율 확인\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"시뮬레이터 원시 비행로그의 시각 중복·역행 정리, 스틱 PWM 값(1000~2000us) 정규화, GPS 튐(이상치) 제거(Hampel 필터), 센서 단절 구간 보간을 수행하는 전처리 모듈을 구현하고, 비행 조건(주간/야간/돌풍)별 임계값을 달리 적용해 처리 속도와 위치 오차 개선을 확인한다.\"\"\"\n",
        "import time\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 2] 시계열 비행 궤적 데이터 정제 및 이상 조작 노이즈 필터링 전처리 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 2] 시계열 비행 궤적 데이터 정제 및 이상 조작 노이즈 필터링 전처리 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "HAMPEL_K = {\"day\": 3.0, \"night\": 3.5, \"gust\": 4.5}           # 조건별 이상치 판정 임계값(돌풍은 실제 큰 움직임이 많아 느슨하게)\n",
        "\n",
        "\n",
        "def make_raw(log, j, cond, rng):\n",
        "    \"\"\"[교육용가상자료] 원시 로그: PWM 스틱값, GPS 튐 1%, 센서 단절(0.5~2초) 2회, 시각 중복 2%.\"\"\"\n",
        "    d = one(log, j)\n",
        "    raw = d[[\"t\", \"x\", \"y\", \"alt\", \"roll_deg\", \"pitch_deg\", \"true_x\", \"true_y\", \"true_alt\"]].copy()\n",
        "    for s in (\"stick_roll\", \"stick_pitch\", \"throttle\"):\n",
        "        raw[s + \"_pwm\"] = (1500 + 500 * d[s] + rng.normal(0, 4, len(d))).round().astype(int)\n",
        "    k = rng.random(len(raw)) < 0.01\n",
        "    for c in (\"x\", \"y\"):\n",
        "        raw.loc[k, c] += rng.choice([-1, 1], k.sum()) * rng.uniform(6, 15, k.sum())\n",
        "    for _ in range(2):\n",
        "        a = int(rng.integers(50, len(raw) - 30)); raw.loc[a:a + int(rng.integers(5, 20)), [\"x\", \"y\", \"alt\"]] = np.nan\n",
        "    dup = raw.sample(frac=0.02, random_state=int(rng.integers(1e6)))\n",
        "    raw = pd.concat([raw, dup]).sample(frac=1.0, random_state=1).reset_index(drop=True)     # 순서 섞임 + 중복\n",
        "    raw[\"t\"] = raw[\"t\"] + rng.normal(0, 0.003, len(raw))                                     # 시각 흔들림\n",
        "    return raw\n",
        "\n",
        "\n",
        "def pwm_to_stick(p, dead=8):\n",
        "    v = (np.asarray(p, float) - 1500) / 500\n",
        "    v[np.abs(np.asarray(p) - 1500) < dead] = 0.0                                             # 중립 부근 데드밴드\n",
        "    return np.clip(v, -1, 1)\n",
        "\n",
        "\n",
        "def hampel(x, win=7, k=3.0):\n",
        "    s = pd.Series(x)\n",
        "    med = s.rolling(win, center=True, min_periods=1).median()\n",
        "    mad = (s - med).abs().rolling(win, center=True, min_periods=1).median() * 1.4826\n",
        "    out = (s - med).abs() > k * (mad + 0.3)          # 0.3m: GPS 잡음 수준 이하 흔들림은 이상치로 보지 않음\n",
        "    return np.where(out, np.nan, s), int(out.sum())\n",
        "\n",
        "\n",
        "def preprocess(raw, cond):\n",
        "    d = raw.copy()\n",
        "    d[\"k\"] = (d[\"t\"] / DT).round().astype(int)                                             # 10Hz 격자 번호로 시각 정렬\n",
        "    d = d.sort_values(\"k\").drop_duplicates(\"k\").set_index(\"k\")\n",
        "    d = d.reindex(np.arange(0, d.index.max() + 1))\n",
        "    d[\"t\"] = np.round(d.index * DT, 1)\n",
        "    n_missing = int(d[[\"x\", \"y\", \"alt\"]].isna().any(axis=1).sum())\n",
        "    n_out = 0\n",
        "    for c in (\"x\", \"y\", \"alt\"):\n",
        "        d[c], n = hampel(d[c].values, k=HAMPEL_K[cond]); n_out += n\n",
        "    d[[\"x\", \"y\", \"alt\"]] = d[[\"x\", \"y\", \"alt\"]].interpolate(limit_direction=\"both\")\n",
        "    for s in (\"stick_roll\", \"stick_pitch\", \"throttle\"):\n",
        "        d[s] = pwm_to_stick(d[s + \"_pwm\"].interpolate(limit_direction=\"both\").round())\n",
        "    return d.reset_index(drop=True), n_missing, n_out\n",
        "\n",
        "\n",
        "pilots = make_pilots(30, seed=7)\n",
        "rng = np.random.default_rng(3)\n",
        "rows, n_rec, t_total = [], 0, 0.0\n",
        "for cond in COND:\n",
        "    log, _ = fly(pilots, cond, seed=1)\n",
        "    for j in range(len(pilots)):\n",
        "        raw = make_raw(log, j, cond, rng)\n",
        "        t0 = time.perf_counter()\n",
        "        clean, miss, out = preprocess(raw, cond)\n",
        "        t_total += time.perf_counter() - t0; n_rec += len(raw)\n",
        "        e0 = np.sqrt((raw[\"x\"] - raw[\"true_x\"]) ** 2 + (raw[\"y\"] - raw[\"true_y\"]) ** 2).mean()\n",
        "        e1 = np.sqrt((clean[\"x\"] - clean[\"true_x\"]) ** 2 + (clean[\"y\"] - clean[\"true_y\"]) ** 2).mean()\n",
        "        rows.append({\"조건\": cond, \"결측행\": miss, \"이상치\": out, \"남은결측\": int(clean[[\"x\", \"y\", \"alt\"]].isna().sum().sum()),\n",
        "                     \"위치오차 전(m)\": e0, \"위치오차 후(m)\": e1})\n",
        "df = pd.DataFrame(rows)\n",
        "print(f\"원시 레코드 {n_rec:,}개(로그 {len(df)}개) 처리, {n_rec / t_total:,.0f} 레코드/초 (목표 1,000건/초 이상), 처리 중 오류 0건\")\n",
        "print(f\"결측 보정율 {1 - df['남은결측'].sum() / max(df['결측행'].sum(), 1):.0%} (결측행 {df['결측행'].sum()}개 모두 보간)\")\n",
        "print(\"\\n[조건별 전처리 효과(로그 평균)]\")\n",
        "print(df.groupby(\"조건\")[[\"결측행\", \"이상치\", \"위치오차 전(m)\", \"위치오차 후(m)\"]].mean().round(2).to_string())\n",
        "print(\"조건별 Hampel 임계값:\", HAMPEL_K, \"-> 돌풍 조건은 실제 급기동을 이상치로 지우지 않도록 느슨하게 둔다\")\n",
        "\n",
        "# 단위 테스트 5종\n",
        "raw = make_raw(fly(pilots.iloc[:1], \"day\", seed=9)[0], 0, \"day\", np.random.default_rng(0))\n",
        "clean, _, _ = preprocess(raw, \"day\")\n",
        "spike = np.r_[np.zeros(10), 50.0, np.zeros(10)]\n",
        "tests = {\n",
        "    \"PWM 1000/1500/2000 -> -1/0/1\": np.allclose(pwm_to_stick([1000, 1500, 2000]), [-1, 0, 1]),\n",
        "    \"데드밴드(1504 -> 0)\": pwm_to_stick([1504])[0] == 0.0,\n",
        "    \"단일 튐 값 제거\": np.isnan(hampel(spike)[0][10]),\n",
        "    \"시각 중복 제거·단조 증가\": clean[\"t\"].is_monotonic_increasing and clean[\"t\"].duplicated().sum() == 0,\n",
        "    \"결측 없음 + 10Hz 1,200행\": clean[[\"x\", \"y\", \"alt\"]].isna().sum().sum() == 0 and len(clean) == STEPS,\n",
        "}\n",
        "for k, v in tests.items():\n",
        "    print(f\"[{'PASS' if v else 'FAIL'}] {k}\")\n",
        "print(f\"단위 테스트 {sum(tests.values())}/{len(tests)} 통과\")\n",
        "\n",
        "seg = slice(400, 700)\n",
        "r2 = raw.sort_values(\"t\").iloc[seg]\n",
        "plt.figure(figsize=(9, 3.5))\n",
        "plt.plot(r2[\"t\"], r2[\"y\"], \".\", ms=3, c=\"gray\", label=\"raw (spikes, gaps)\")\n",
        "plt.plot(clean[\"t\"].iloc[seg], clean[\"y\"].iloc[seg], c=\"tab:blue\", label=\"preprocessed\")\n",
        "plt.plot(clean[\"t\"].iloc[seg], clean[\"true_y\"].iloc[seg], \"k:\", label=\"true\")\n",
        "plt.xlabel(\"time (s)\"); plt.ylabel(\"y (m)\"); plt.legend(); plt.title(\"Flight log preprocessing (synthetic)\")\n",
        "plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 02 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "원시 레코드 110,160개(로그 90개) 처리, 94,969 레코드/초 (목표 1,000건/초 이상), 처리 중 오류 0건\n",
        "결측 보정율 100% (결측행 2348개 모두 보간)\n",
        "\n",
        "[조건별 전처리 효과(로그 평균)]\n",
        "         결측행    이상치  위치오차 전(m)  위치오차 후(m)\n",
        "조건                                       \n",
        "day    25.37  24.63       0.47       0.31\n",
        "gust   26.17  21.87       0.45       0.33\n",
        "night  26.73  27.90       0.78       0.62\n",
        "조건별 Hampel 임계값: {'day': 3.0, 'night': 3.5, 'gust': 4.5} -> 돌풍 조건은 실제 급기동을 이상치로 지우지 않도록 느슨하게 둔다\n",
        "[PASS] PWM 1000/1500/2000 -> -1/0/1\n",
        "[PASS] 데드밴드(1504 -> 0)\n",
        "[PASS] 단일 튐 값 제거\n",
        "[PASS] 시각 중복 제거·단조 증가\n",
        "[PASS] 결측 없음 + 10Hz 1,200행\n",
        "단위 테스트 5/5 통과\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 03. 비행 경로 이탈도 및 호버링 안정성 계산 1차 숙련도 채점 Baseline 알고리즘 구현\n",
        "**소요시간**: 약 2.5시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "비행 경로 이탈도 및 호버링 안정성 기반 1차 숙련도 채점 Baseline 알고리즘을 개발한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **비행 경로 이탈도와 호버링 안정성, 고도 유지 오차로 1차 숙련도 점수와 등급(A/B/C)을 계산하는 Baseline 채점 알고리즘을 개발한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **경로 RMSE, 호버링 평균 이탈·흔들림, 고도 오차를 조건별로 표준화하고 기준 집단으로 가중치를 1차 튜닝해 0~100점 채점식 작성하여 원인을 분석하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/models/trn01_baseline_model.py 및 기본 추론 결과 보고서` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 알고리즘의 논리적 흐름 및 군사적 판단 기준의 투명성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 기본 데이터셋 대상 탐지/처리 정확도 75% 이상 달성\n",
        "\n",
        "\n",
        "- 진행 기준: 단위 기능 동작 확인 및 기본 시나리오 실행 로그 생성\n",
        "\n",
        "\n",
        "- 검증 방법: 기준 벤치마크 데이터셋 대상 추론 결과 오차율 비교\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"비행 경로 이탈도(경로 RMSE)와 호버링 안정성(평균 이탈·흔들림), 고도 유지 오차로 1차 숙련도 점수(0~100)와 등급(A/B/C)을 계산하는 Baseline 채점 알고리즘을 구현하고, 교관 평가 등급과의 일치율(처리 정확도)과 판단 지연을 측정한다.\"\"\"\n",
        "import time\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import LinearRegression\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 3] 비행 경로 이탈도 및 호버링 안정성 계산 1차 숙련도 채점 Baseline 알고리즘 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 3] 비행 경로 이탈도 및 호버링 안정성 계산 1차 숙련도 채점 Baseline 알고리즘 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "# [교육용가상자료] 기준(튜닝)용 조종자 40명, 평가용 조종자 40명 x 조건 3종(주간·야간·돌풍)\n",
        "train = make_dataset(40, seed=7)\n",
        "test = make_dataset(40, seed=8)\n",
        "\n",
        "# 1) 휴리스틱 가중치 1차 튜닝: 조건별 표준화 특징 -> 교관 점수 선형 근사\n",
        "ztr, zte = cond_z(train, train, BASE_F), cond_z(test, train, BASE_F)\n",
        "lr = LinearRegression().fit(ztr[BASE_F], train[\"instructor\"])\n",
        "print(\"채점식: 점수 = {:.1f}\".format(lr.intercept_) + \"\".join(f\" {w:+.1f}x{f}\" for f, w in zip(BASE_F, lr.coef_)) + \"  (특징은 조건별 표준화 값)\")\n",
        "\n",
        "t0 = time.perf_counter()\n",
        "test[\"base_score\"] = np.clip(lr.predict(zte[BASE_F]), 0, 100)\n",
        "test[\"base_grade\"] = to_grade(test[\"base_score\"])\n",
        "ms = (time.perf_counter() - t0) * 1000 / len(test)\n",
        "acc = (test[\"base_grade\"] == test[\"grade\"]).mean()\n",
        "print(f\"평가 비행 {len(test)}회: 등급 일치율(처리 정확도) {acc:.1%} (목표 75% 이상: {'달성' if acc >= 0.75 else '미달'}), \"\n",
        "      f\"점수 평균 오차 {np.abs(test['base_score'] - test['instructor']).mean():.1f}점, 채점 지연 {ms:.3f} ms/비행\")\n",
        "\n",
        "# 2) 조건별 정확도 + 조건 표준화를 하지 않았을 때 비교\n",
        "raw = LinearRegression().fit(train[BASE_F], train[\"instructor\"])\n",
        "test[\"raw_grade\"] = to_grade(raw.predict(test[BASE_F]))\n",
        "print(\"\\n조건    표준화 O   표준화 X\")\n",
        "for c in COND:\n",
        "    s = test[test[\"cond\"] == c]\n",
        "    print(f\"{c:6s}  {(s['base_grade'] == s['grade']).mean():8.1%}  {(s['raw_grade'] == s['grade']).mean():8.1%}\")\n",
        "print(f\"전체    {acc:8.1%}  {(test['raw_grade'] == test['grade']).mean():8.1%}\")\n",
        "gust_raw = raw.predict(test[test[\"cond\"] == \"gust\"][BASE_F]).mean() - raw.predict(test[test[\"cond\"] == \"day\"][BASE_F]).mean()\n",
        "print(f\"-> 표준화하지 않으면 돌풍 비행 점수가 주간보다 평균 {gust_raw:+.1f}점 달라진다(조건 효과가 점수에 섞임). 표준화는 같은 조건 동료 대비 비교다.\")\n",
        "\n",
        "# 3) 혼동표와 한계 분석\n",
        "print(\"\\n[교관 등급 x Baseline 등급]\")\n",
        "print(pd.crosstab(test[\"grade\"].rename(\"교관\"), test[\"base_grade\"].rename(\"Baseline\")).to_string())\n",
        "over = test[(test[\"grade\"] == \"C\") & (test[\"base_grade\"] != \"C\")]\n",
        "ev = [\"near_collision\", \"hard_landing\"]\n",
        "print(f\"\\n가장 많은 오류: 교관 C -> Baseline B {len(over)}건. 교관 C 비행의 {test[test['grade'] == 'C'][ev].any(axis=1).mean():.0%}가\"\n",
        "      f\" 장애물 근접·경착륙을 포함하지만 Baseline 특징(경로·호버링·고도)에는 이 정보가 없다.\")\n",
        "print(\"-> 경로·호버링만 보는 Baseline은 돌발 상황 대응(장애물 회피, 비상 착륙)을 반영하지 못한다. 미션 4에서 반응 특징을 추가한다.\")\n",
        "\n",
        "plt.figure(figsize=(6, 5))\n",
        "for c, col in zip(COND, [\"tab:blue\", \"tab:purple\", \"tab:orange\"]):\n",
        "    s = test[test[\"cond\"] == c]\n",
        "    plt.scatter(s[\"instructor\"], s[\"base_score\"], s=15, c=col, label=c)\n",
        "plt.plot([20, 100], [20, 100], \"k--\"); plt.axhline(75, c=\"gray\", lw=0.5); plt.axhline(55, c=\"gray\", lw=0.5)\n",
        "plt.xlabel(\"instructor score\"); plt.ylabel(\"baseline AI score\"); plt.legend(); plt.title(\"Baseline skill score vs instructor (synthetic)\")\n",
        "plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 03 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "채점식: 점수 = 59.3 -0.4xpath_rmse -0.8xhover_drift +0.2xhover_std -13.0xalt_err  (특징은 조건별 표준화 값)\n",
        "평가 비행 120회: 등급 일치율(처리 정확도) 75.8% (목표 75% 이상: 달성), 점수 평균 오차 5.3점, 채점 지연 0.025 ms/비행\n",
        "\n",
        "조건    표준화 O   표준화 X\n",
        "day        70.0%     75.0%\n",
        "night      80.0%     70.0%\n",
        "gust       77.5%     82.5%\n",
        "전체       75.8%     75.8%\n",
        "-> 표준화하지 않으면 돌풍 비행 점수가 주간보다 평균 -4.0점 달라진다(조건 효과가 점수에 섞임). 표준화는 같은 조건 동료 대비 비교다.\n",
        "\n",
        "[교관 등급 x Baseline 등급]\n",
        "Baseline   A   B   C\n",
        "교관                  \n",
        "A         15   6   0\n",
        "B          3  26   4\n",
        "C          0  16  50\n",
        "\n",
        "가장 많은 오류: 교관 C -> Baseline B 16건. 교관 C 비행의 95%가 장애물 근접·경착륙을 포함하지만 Baseline 특징(경로·호버링·고도)에는 이 정보가 없다.\n",
        "-> 경로·호버링만 보는 Baseline은 돌발 상황 대응(장애물 회피, 비상 착륙)을 반영하지 못한다. 미션 4에서 반응 특징을 추가한다.\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 04. 돌발 장애물 회피 및 비상 착륙 반응 속도 기반 정밀 숙련도 평가 엔진 고도화\n",
        "**소요시간**: 약 3.0시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "돌발 장애물 회피 및 비상 착륙 반응 속도를 반영한 정밀 숙련도 평가 엔진을 고도화한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **돌발 장애물 회피 반응과 비상 착륙 접지 속도, 자세 한계, 급조작·과보정 특징을 반영한 정밀 숙련도 평가 엔진으로 고도화한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **장애물 출현 후 스틱 반응시간과 2.5초 후 회피 거리, 접지 직전 하강 속도, 자세 35도 초과 시간, 스틱 변화율, 회피 후 초과 이동을 특징으로 추가하고 위험 조작 사건(장애물 근접·경착륙·자세 한계) 탐지 규칙 작성하여 원인을 분석하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/models/trn01_advanced_detector.py 및 예외 탐지 테스트 결과` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 기만/교란 공격에 대한 방어 로직의 현실성 및 신뢰성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 복합 위협 탐지 재현율(Recall) 85% 이상, 처리 지연 200ms 이하\n",
        "\n",
        "\n",
        "- 진행 기준: 복합 위협 시나리오 10종에 대한 탐지 테스트 통과\n",
        "\n",
        "\n",
        "- 검증 방법: 합성 위협 데이터셋 주입 시 이상치 탐지 정확도 검증\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"돌발 장애물 회피 반응시간·회피 거리, 비상 착륙 접지 속도, 자세 한계 초과, 급조작·과보정 특징을 추가한 정밀 숙련도 평가 엔진으로 고도화하고, 복합 시나리오 10종에서 위험 조작 사건(장애물 근접·경착륙·자세 한계) 탐지 재현율, 등급 일치율, 로그당 처리 지연을 검증한다.\"\"\"\n",
        "import time\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import LinearRegression, Ridge\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 4] 돌발 장애물 회피 및 비상 착륙 반응 속도 기반 정밀 숙련도 평가 엔진 고도화 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 4] 돌발 장애물 회피 및 비상 착륙 반응 속도 기반 정밀 숙련도 평가 엔진 고도화 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "train = make_dataset(40, seed=7)\n",
        "zt = cond_z(train, train, ADV_F)\n",
        "base = LinearRegression().fit(cond_z(train, train, BASE_F)[BASE_F], train[\"instructor\"])\n",
        "eng = Ridge(alpha=1.0).fit(zt[ADV_F], train[\"instructor\"])\n",
        "\n",
        "# [교육용가상자료] 복합 시나리오 10종: (조건, 영상 지연 추가 초, 장애물 방향)\n",
        "SCEN = [(\"1 주간 기본\", \"day\", 0.0, None), (\"2 야간\", \"night\", 0.0, None), (\"3 돌풍\", \"gust\", 0.0, None), (\"4 장애물 좌측\", \"day\", 0.0, -1),\n",
        "        (\"5 장애물 우측\", \"day\", 0.0, 1), (\"6 영상 지연 0.3초\", \"day\", 0.3, None), (\"7 돌풍+장애물 좌측\", \"gust\", 0.0, -1),\n",
        "        (\"8 야간+영상 지연\", \"night\", 0.3, None), (\"9 돌풍+영상 지연\", \"gust\", 0.3, None), (\"10 야간+장애물 우측\", \"night\", 0.0, 1)]\n",
        "pilots = make_pilots(40, seed=8)\n",
        "rows, all_det, ms = [], [], []\n",
        "for i, (name, cond, dly, side) in enumerate(SCEN):\n",
        "    log, tr = fly(pilots, cond, seed=500 + i, delay_extra=dly, obstacle_side=side)\n",
        "    t0 = time.perf_counter()\n",
        "    f = features(log)\n",
        "    df = pd.concat([tr.reset_index(drop=True), f], axis=1)\n",
        "    df[\"score\"] = np.clip(eng.predict(cond_z(df, train, ADV_F)[ADV_F]), 0, 100)\n",
        "    det = detect(df)\n",
        "    ms.append((time.perf_counter() - t0) * 1000 / len(df))\n",
        "    df[\"base\"] = np.clip(base.predict(cond_z(df, train, BASE_F)[BASE_F]), 0, 100)\n",
        "    truth = df[list(RULES)].astype(bool)\n",
        "    tp, pos = int((det & truth).values.sum()), int(truth.values.sum())\n",
        "    all_det.append((det, truth))\n",
        "    rows.append({\"시나리오\": name, \"위험사건\": pos, \"탐지\": tp, \"재현율\": round(tp / max(pos, 1), 3), \"오탐\": int((det & ~truth).values.sum()),\n",
        "                 \"Baseline 일치\": round((to_grade(df[\"base\"]) == df[\"grade\"]).mean(), 3), \"고도화 일치\": round((to_grade(df[\"score\"]) == df[\"grade\"]).mean(), 3)})\n",
        "R = pd.DataFrame(rows)\n",
        "print(R.to_string(index=False))\n",
        "rec = R[\"탐지\"].sum() / R[\"위험사건\"].sum()\n",
        "print(f\"\\n위험 조작 사건 탐지 재현율 {rec:.1%} (목표 85% 이상: {'달성' if rec >= 0.85 else '미달'}), 로그당 처리 {np.mean(ms):.1f} ms (최대 {np.max(ms):.1f}, 목표 200 ms 이하)\")\n",
        "print(f\"등급 일치율 Baseline {R['Baseline 일치'].mean():.1%} -> 고도화 엔진 {R['고도화 일치'].mean():.1%}, 10종 중 재현율 85% 이상 {(R['재현율'] >= 0.85).sum()}개\")\n",
        "\n",
        "# 사건별 재현율·오탐(오경보 유발 패턴)\n",
        "det = pd.concat([d for d, _ in all_det]); tru = pd.concat([t for _, t in all_det])\n",
        "print(\"\\n사건         실제  재현율  오탐\")\n",
        "for ev in RULES:\n",
        "    print(f\"{ev:15s} {tru[ev].sum():4d}  {(det[ev] & tru[ev]).sum() / max(tru[ev].sum(), 1):.2f}  {(det[ev] & ~tru[ev]).sum():4d}\")\n",
        "print(\"오탐 패턴: 접지 속도는 고도 로그를 미분해 추정하므로 고도 잡음이 큰 비행에서 과대 추정된다 -> 접지 직전 0.4초 평균 사용, 임계값 2.0m/s로 여유를 둠\")\n",
        "\n",
        "w = pd.Series(eng.coef_, index=ADV_F).sort_values()\n",
        "print(\"\\n엔진 가중치(조건별 표준화 특징 1단위당 점수):\", \", \".join(f\"{k} {v:+.1f}\" for k, v in w.items()))\n",
        "\n",
        "plt.figure(figsize=(8, 4))\n",
        "plt.barh(w.index, w.values, color=[\"tab:red\" if v < 0 else \"tab:blue\" for v in w.values])\n",
        "plt.xlabel(\"score change per 1 SD\"); plt.title(\"Advanced skill engine weights (synthetic)\"); plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 04 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "        시나리오  위험사건  탐지   재현율  오탐  Baseline 일치  고도화 일치\n",
        "     1 주간 기본    47  47 1.000   3        0.725   0.800\n",
        "        2 야간    46  45 0.978   3        0.775   0.775\n",
        "        3 돌풍    65  65 1.000   7        0.625   0.825\n",
        "    4 장애물 좌측    42  41 0.976   4        0.800   0.875\n",
        "    5 장애물 우측    37  36 0.973   7        0.825   0.850\n",
        "6 영상 지연 0.3초    52  49 0.942   3        0.675   0.625\n",
        " 7 돌풍+장애물 좌측    56  56 1.000   6        0.750   0.800\n",
        "  8 야간+영상 지연    54  51 0.944   5        0.650   0.675\n",
        "  9 돌풍+영상 지연    63  63 1.000   7        0.750   0.750\n",
        "10 야간+장애물 우측    46  44 0.957   5        0.825   0.800\n",
        "\n",
        "위험 조작 사건 탐지 재현율 97.8% (목표 85% 이상: 달성), 로그당 처리 0.6 ms (최대 0.9, 목표 200 ms 이하)\n",
        "등급 일치율 Baseline 74.0% -> 고도화 엔진 77.8%, 10종 중 재현율 85% 이상 10개\n",
        "\n",
        "사건         실제  재현율  오탐\n",
        "near_collision   187  0.94     6\n",
        "hard_landing     256  1.00    44\n",
        "attitude_exceed   65  1.00     0\n",
        "오탐 패턴: 접지 속도는 고도 로그를 미분해 추정하므로 고도 잡음이 큰 비행에서 과대 추정된다 -> 접지 직전 0.4초 평균 사용, 임계값 2.0m/s로 여유를 둠\n",
        "\n",
        "엔진 가중치(조건별 표준화 특징 1단위당 점수): alt_err -6.7, jerk -3.1, touch_vz -2.6, n_risk -2.4, hover_drift -2.2, obs_rt -1.1, overshoot -1.1, att_exceed -0.4, path_rmse +0.2, obs_lateral +2.0, hover_std +2.2\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 05. 조종자별 조작 습관(급조작, 과보정) 분석 및 신뢰도 등급 산출 모듈 개발\n",
        "**소요시간**: 약 3.0시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "조종자별 조작 습관(급조작, 과보정)을 분석하고 숙련도 등급 및 신뢰도 점수를 산출한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **조종자별 조작 습관(급조작, 과보정)을 분석하고 여러 비행을 묶어 숙련도 등급과 신뢰도 등급(High/Medium/Low)을 산출한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **같은 조건의 습관 없는 조종자 대비 스틱 변화율과 회피 후 초과 이동으로 습관 판정하고 정확도를 측정하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/verification/trn01_confidence_engine.py` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 신뢰도 등급(High/Med/Low) 부여 기준의 군사적 타당성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 오경보율(FAR) 40% 이상 감축, 신뢰도 스코어 산출 일관성 90% 이상\n",
        "\n",
        "\n",
        "- 진행 기준: 오경보 필터링 전후 비교 지표 산출 및 통합 테스트 완료\n",
        "\n",
        "\n",
        "- 검증 방법: ROC-AUC 곡선 분석 및 임계값 민감도 테스트\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"조종자별 여러 비행의 조작 습관(급조작=스틱 변화율, 과보정=회피 후 초과 이동)을 분석하고, 비행 점수를 묶어 숙련도 등급과 신뢰도(부트스트랩 등급 확률)를 산출한다. 비행 1회로 '재교육 대상'을 지정하던 방식 대비 오지정률(FAR) 감축, ROC-AUC, 임계값 민감도, 등급 일관성을 검증한다.\"\"\"\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import Ridge\n",
        "from sklearn.metrics import roc_auc_score\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 5] 조종자별 조작 습관(급조작, 과보정) 분석 및 신뢰도 등급 산출 모듈 개발 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 5] 조종자별 조작 습관(급조작, 과보정) 분석 및 신뢰도 등급 산출 모듈 개발 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "train = make_dataset(40, seed=7)\n",
        "eng = Ridge(alpha=1.0).fit(cond_z(train, train, ADV_F)[ADV_F], train[\"instructor\"])\n",
        "base = Ridge(alpha=1.0).fit(cond_z(train, train, BASE_F)[BASE_F], train[\"instructor\"])     # 미션 3 Baseline 채점식\n",
        "zt = cond_z(train, train, ADV_F)                                         # 습관 판정 기준: 같은 조건에서 습관 없는 조종자의 상위 10%\n",
        "jerk_th = zt.loc[~train[\"jerky\"], \"jerk\"].quantile(0.9)\n",
        "over_th = zt.loc[~train[\"overcorr\"], \"overshoot\"].quantile(0.9)\n",
        "\n",
        "# [교육용가상자료] 평가 조종자 80명 x 비행 6회(주간·야간·돌풍 각 2회)\n",
        "test = make_dataset(80, seed=9, flights=2)\n",
        "test[\"score\"] = np.clip(eng.predict(cond_z(test, train, ADV_F)[ADV_F]), 0, 100)\n",
        "ze = cond_z(test, train, ADV_F)\n",
        "test[\"jerk_z\"], test[\"over_z\"] = ze[\"jerk\"], ze[\"overshoot\"]\n",
        "test[\"base\"] = np.clip(base.predict(cond_z(test, train, BASE_F)[BASE_F]), 0, 100)\n",
        "rng = np.random.default_rng(0)\n",
        "rows = []\n",
        "for pid, g in test.groupby(\"pilot\"):\n",
        "    boot = [to_grade(rng.choice(g[\"score\"].values, len(g)).mean()).item() for _ in range(200)]\n",
        "    grade = to_grade(g[\"score\"].mean()).item()\n",
        "    conf = boot.count(grade) / len(boot)\n",
        "    rows.append({\"pilot\": pid, \"점수\": g[\"score\"].mean(), \"점수SD\": g[\"score\"].std(), \"등급\": grade, \"신뢰도\": conf,\n",
        "                 \"신뢰등급\": \"High\" if conf >= 0.9 else (\"Medium\" if conf >= 0.7 else \"Low\"),\n",
        "                 \"급조작\": (g[\"jerk_z\"] > jerk_th).mean() >= 0.5, \"과보정\": (g[\"over_z\"] > over_th).mean() >= 0.5,\n",
        "                 \"실제급조작\": g[\"jerky\"].iloc[0], \"실제과보정\": g[\"overcorr\"].iloc[0],\n",
        "                 \"교관등급\": to_grade(g[\"instructor\"].mean()).item(), \"단일비행점수\": g[\"base\"].iloc[int(rng.integers(len(g)))]})\n",
        "P = pd.DataFrame(rows)\n",
        "print(f\"습관 판정 정확도: 급조작 {(P['급조작'] == P['실제급조작']).mean():.0%}, 과보정 {(P['과보정'] == P['실제과보정']).mean():.0%} (조종자 {len(P)}명)\")\n",
        "\n",
        "# 재교육 대상(C) 지정: 기존(무작위 비행 1회의 Baseline 점수 55 미만) vs 엔진(6회 평균 C + 신뢰도 Medium 이상, Low는 교관 확인으로 보냄)\n",
        "need = P[\"교관등급\"] == \"C\"\n",
        "old = P[\"단일비행점수\"] < 55\n",
        "new = (P[\"등급\"] == \"C\") & (P[\"신뢰등급\"] != \"Low\")\n",
        "review = (P[\"등급\"] == \"C\") & (P[\"신뢰등급\"] == \"Low\")\n",
        "\n",
        "\n",
        "def far_rec(flag):\n",
        "    return (flag & ~need).sum() / max(flag.sum(), 1), (flag & need).sum() / max(need.sum(), 1), int(flag.sum())\n",
        "\n",
        "\n",
        "f0, r0, n0 = far_rec(old)\n",
        "f1, r1, n1 = far_rec(new)\n",
        "print(pd.DataFrame([{\"방식\": \"기존(비행 1회 Baseline<55)\", \"지정\": n0, \"오지정률\": round(f0, 3), \"재현율\": round(r0, 3)},\n",
        "                    {\"방식\": \"엔진(6회 평균 C, 신뢰 Medium 이상)\", \"지정\": n1, \"오지정률\": round(f1, 3), \"재현율\": round(r1, 3)}]).to_string(index=False))\n",
        "cut = 1 - f1 / max(f0, 1e-9)\n",
        "print(f\"오지정률(FAR) 감축 {cut:.1%} (목표 40% 이상: {'달성' if cut >= 0.4 else '미달'}), 신뢰도 Low로 교관 확인에 넘긴 조종자 {int(review.sum())}명\")\n",
        "print(f\"ROC-AUC(재교육 필요 판별, 평균 점수 기준) {roc_auc_score(need, -P['점수']):.3f}\")\n",
        "\n",
        "print(\"\\n기준점수  지정  오지정률  재현율\")\n",
        "for th in [50, 55, 60, 65]:\n",
        "    f, r, n = far_rec(P[\"점수\"] < th)\n",
        "    print(f\"  {th}      {n:3d}   {f:.3f}   {r:.3f}\")\n",
        "\n",
        "# 등급 일관성: 비행 6회 중 5회만 무작위로 써도 같은 등급이 나오는 비율\n",
        "cons = []\n",
        "for pid, g in test.groupby(\"pilot\"):\n",
        "    full = to_grade(g[\"score\"].mean()).item()\n",
        "    cons += [to_grade(g[\"score\"].sample(5, random_state=k).mean()).item() == full for k in range(20)]\n",
        "print(f\"\\n등급 일관성 {np.mean(cons):.1%} (목표 90% 이상: {'달성' if np.mean(cons) >= 0.9 else '미달'})\")\n",
        "print(\"[신뢰등급 분포]\", P[\"신뢰등급\"].value_counts().to_dict(), \"/ 등급 일치(교관 대비)\", f\"{(P['등급'] == P['교관등급']).mean():.0%}\")\n",
        "print(\"신뢰등급 기준: High(부트스트랩 동일 등급 90% 이상)=결과 통보, Medium(70~90%)=교관 검토 후 통보, Low=추가 비행 후 재평가\")\n",
        "\n",
        "P = P.sort_values(\"점수\")\n",
        "plt.figure(figsize=(10, 4))\n",
        "col = P[\"신뢰등급\"].map({\"High\": \"tab:green\", \"Medium\": \"tab:orange\", \"Low\": \"tab:red\"})\n",
        "plt.errorbar(range(len(P)), P[\"점수\"], yerr=P[\"점수SD\"] / np.sqrt(6) * 2, fmt=\"none\", ecolor=\"gray\")\n",
        "plt.scatter(range(len(P)), P[\"점수\"], c=col)\n",
        "plt.axhline(55, ls=\"--\", c=\"k\"); plt.axhline(75, ls=\"--\", c=\"k\")\n",
        "plt.xticks(range(len(P)), P[\"pilot\"], rotation=90, fontsize=6); plt.ylabel(\"mean skill score (+-2 SE)\")\n",
        "plt.title(\"Pilot skill score with uncertainty (color = confidence High/Medium/Low)\"); plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 05 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "습관 판정 정확도: 급조작 95%, 과보정 88% (조종자 80명)\n",
        "                       방식  지정  오지정률   재현율\n",
        "    기존(비행 1회 Baseline<55)  27 0.111 0.750\n",
        "엔진(6회 평균 C, 신뢰 Medium 이상)  31 0.032 0.938\n",
        "오지정률(FAR) 감축 71.0% (목표 40% 이상: 달성), 신뢰도 Low로 교관 확인에 넘긴 조종자 1명\n",
        "ROC-AUC(재교육 필요 판별, 평균 점수 기준) 0.997\n",
        "\n",
        "기준점수  지정  오지정률  재현율\n",
        "  50       22   0.000   0.688\n",
        "  55       32   0.031   0.969\n",
        "  60       43   0.256   1.000\n",
        "  65       53   0.396   1.000\n",
        "\n",
        "등급 일관성 97.6% (목표 90% 이상: 달성)\n",
        "[신뢰등급 분포] {'High': 66, 'Medium': 9, 'Low': 5} / 등급 일치(교관 대비) 98%\n",
        "신뢰등급 기준: High(부트스트랩 동일 등급 90% 이상)=결과 통보, Medium(70~90%)=교관 검토 후 통보, Low=추가 비행 후 재평가\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 06. 조종자 비행 궤적 3D 재생 및 취약 구간 하이라이트 분석 대시보드 구현\n",
        "**소요시간**: 약 2.5시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "조종자 비행 궤적 3D 재생 및 취약 구간 하이라이트 분석 대시보드를 구현한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **조종자 비행 궤적을 3D로 재생하고 취약 구간을 강조하는 분석 대시보드를 구현한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **경로 이탈 3m 초과, 자세 30도 초과, 급조작 구간을 취약 구간으로 찾아 3D 궤적에 붉게 표시하고, 비행 단계별 경로 이탈 추이, 스틱 입력, 동료 대비 약점 프로필을 함께 보여 준다 과정을 진행하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/ui/trn01_dashboard.py (또는 웹 UI 컴포넌트)` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 전술 작전 상황판으로서의 직관성 및 인지 부하 감소도\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 화면 갱신 주기 1초 이내, UI 응답성 100ms 이내\n",
        "\n",
        "\n",
        "- 진행 기준: 주요 지표 시각화 컴포넌트 4종 이상 렌더링 및 실시간 데이터 연동\n",
        "\n",
        "\n",
        "- 검증 방법: 사용자 인터랙션 테스트 및 모의 데이터 스트림 렌더링 검증\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"조종자 1명의 비행 궤적을 3D로 재생하고 경로 이탈·자세 한계·급조작 구간을 취약 구간으로 강조하는 분석 대시보드(야간 모드)를 구현한다. 재생 1초마다 지표를 갱신하는 처리시간을 측정하고 취약 구간 목록을 출력한다.\"\"\"\n",
        "import time\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 6] 조종자 비행 궤적 3D 재생 및 취약 구간 하이라이트 분석 대시보드 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 6] 조종자 비행 궤적 3D 재생 및 취약 구간 하이라이트 분석 대시보드 구현 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "PHASES = [(0, 60, \"path\"), (60, 85, \"hover\"), (85, 100, \"obstacle\"), (100, 120, \"landing\")]\n",
        "\n",
        "# [교육용가상자료] 조종자 12명 중 가장 점수가 낮은 조종자의 돌풍 비행을 재생\n",
        "pilots = make_pilots(12, seed=4)\n",
        "log, truth = fly(pilots, \"gust\", seed=21)\n",
        "j = int(truth[\"instructor\"].idxmin())\n",
        "d = one(log, j)\n",
        "FE = features(log).assign(cond=\"gust\")\n",
        "f = FE.iloc[j]\n",
        "d[\"err\"] = np.hypot(d[\"x\"] - d[\"tx\"], d[\"y\"] - d[\"ty\"])\n",
        "d[\"att\"] = np.maximum(d[\"roll_deg\"].abs(), d[\"pitch_deg\"].abs())\n",
        "d[\"stick_rate\"] = np.r_[0, np.abs(np.diff(d[\"stick_roll\"])) / DT]\n",
        "\n",
        "\n",
        "def weak_flags(df):\n",
        "    return {\"경로이탈>3m\": df[\"err\"] > 3.0, \"자세>30도\": df[\"att\"] > 30, \"급조작(변화율>6/s)\": df[\"stick_rate\"] > 6}\n",
        "\n",
        "\n",
        "# 1) 재생 모의: 1초(10프레임)마다 누적 지표 갱신 + 처리시간 측정\n",
        "ms, kpis = [], []\n",
        "for k in range(10, len(d) + 1, 10):\n",
        "    t0 = time.perf_counter()\n",
        "    cur = d.iloc[:k]\n",
        "    flags = weak_flags(cur)\n",
        "    kpis.append({\"t\": cur[\"t\"].iloc[-1], \"err_now\": cur[\"err\"].iloc[-1], \"weak_ratio\": np.mean(np.any(np.c_[tuple(flags.values())], axis=1))})\n",
        "    ms.append((time.perf_counter() - t0) * 1000)\n",
        "print(f\"조종자 {truth['pilot'][j]}(교관 {truth['instructor'][j]}점, 등급 {truth['grade'][j]}) 돌풍 비행 재생: 갱신 {len(ms)}회, \"\n",
        "      f\"처리 평균 {np.mean(ms):.2f} ms, 최대 {np.max(ms):.2f} ms (목표 1초 주기·100 ms 이내 -> {'달성' if np.max(ms) < 100 else '미달'})\")\n",
        "\n",
        "# 2) 취약 구간 목록(연속 0.5초 이상)\n",
        "segs = []\n",
        "for name, m in weak_flags(d).items():\n",
        "    m = m.values.astype(int)\n",
        "    edges = np.flatnonzero(np.diff(np.r_[0, m, 0]))\n",
        "    for a, b in zip(edges[::2], edges[1::2]):\n",
        "        if b - a >= 5:\n",
        "            ph = next(p for s, e, p in PHASES if s <= d[\"t\"][a] < e)\n",
        "            segs.append({\"구분\": name, \"시작(s)\": round(d[\"t\"][a], 1), \"길이(s)\": round((b - a) * DT, 1), \"단계\": ph})\n",
        "S = pd.DataFrame(segs).sort_values(\"시작(s)\")\n",
        "print(f\"\\n[취약 구간 {len(S)}개 - 시간순 상위 10개]\")\n",
        "print(S.head(10).to_string(index=False))\n",
        "print(\"\\n단계별 취약 시간(s):\", S.groupby(\"단계\")[\"길이(s)\"].sum().round(1).to_dict())\n",
        "print(f\"돌발 대응: 장애물 반응 {f['obs_rt']:.1f}s, 2.5초 후 회피거리 {f['obs_lateral']:.1f}m, 접지 속도 {f['touch_vz']:.1f}m/s -> \"\n",
        "      f\"위험 사건 {', '.join(k for k, v in detect(FE.iloc[[j]]).iloc[0].items() if v) or '없음'}\")\n",
        "\n",
        "# 3) 대시보드(야간 모드, 구성요소 4종)\n",
        "plt.style.use(\"dark_background\")\n",
        "fig = plt.figure(figsize=(13, 8))\n",
        "ax = fig.add_subplot(2, 2, 1, projection=\"3d\")\n",
        "bad = np.any(np.c_[tuple(weak_flags(d).values())], axis=1)\n",
        "ax.plot(d[\"tx\"], d[\"ty\"], d[\"talt\"], \"--\", c=\"gray\", lw=1, label=\"course\")\n",
        "ax.scatter(d[\"x\"][~bad], d[\"y\"][~bad], d[\"alt\"][~bad], s=2, c=\"deepskyblue\", label=\"normal\")\n",
        "ax.scatter(d[\"x\"][bad], d[\"y\"][bad], d[\"alt\"][bad], s=6, c=\"red\", label=\"weak segment\")\n",
        "ax.set_xlabel(\"x (m)\"); ax.set_ylabel(\"y (m)\"); ax.set_zlabel(\"alt (m)\"); ax.legend(fontsize=7); ax.set_title(\"3D replay (red = weak)\")\n",
        "a2 = fig.add_subplot(2, 2, 2)\n",
        "a2.plot(d[\"t\"], d[\"err\"], c=\"lime\", lw=1); a2.axhline(3, c=\"red\", ls=\"--\")\n",
        "for s, e, p in PHASES:\n",
        "    a2.axvspan(s, e, alpha=0.08 if p in (\"path\", \"obstacle\") else 0.16, color=\"white\"); a2.text(s + 1, a2.get_ylim()[1] * 0.9, p, fontsize=8)\n",
        "a2.set_title(\"Path deviation (m) by phase\")\n",
        "a3 = fig.add_subplot(2, 2, 3)\n",
        "a3.plot(d[\"t\"], d[\"stick_roll\"], lw=0.8, label=\"roll\"); a3.plot(d[\"t\"], d[\"stick_pitch\"], lw=0.8, label=\"pitch\"); a3.plot(d[\"t\"], d[\"throttle\"], lw=0.8, label=\"throttle\")\n",
        "a3.scatter(d[\"t\"][d[\"stick_rate\"] > 6], d[\"stick_roll\"][d[\"stick_rate\"] > 6], c=\"red\", s=10, label=\"abrupt\")\n",
        "a3.legend(fontsize=7, ncol=4); a3.set_title(\"Stick inputs\"); a3.set_xlabel(\"time (s)\")\n",
        "a4 = fig.add_subplot(2, 2, 4)\n",
        "z = cond_z(FE, FE, ADV_F).iloc[j][[\"path_rmse\", \"hover_std\", \"obs_rt\", \"touch_vz\", \"jerk\", \"overshoot\"]]\n",
        "a4.barh(z.index, z.values, color=[\"red\" if v > 1 else \"orange\" if v > 0 else \"deepskyblue\" for v in z.values])\n",
        "a4.axvline(0, c=\"white\", lw=0.5); a4.set_title(\"Weakness profile (z-score vs peers, right = worse)\")\n",
        "fig.suptitle(f\"Pilot {truth['pilot'][j]} flight replay dashboard (night mode) - training data only\")\n",
        "plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 06 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "조종자 P010(교관 33.7점, 등급 C) 돌풍 비행 재생: 갱신 120회, 처리 평균 0.50 ms, 최대 1.30 ms (목표 1초 주기·100 ms 이내 -> 달성)\n",
        "\n",
        "[취약 구간 34개 - 시간순 상위 10개]\n",
        "     구분  시작(s)  길이(s)   단계\n",
        "경로이탈>3m    2.0    2.7 path\n",
        "경로이탈>3m    8.6    5.9 path\n",
        " 자세>30도   11.5    1.8 path\n",
        "경로이탈>3m   14.9    3.4 path\n",
        " 자세>30도   17.3    0.5 path\n",
        "경로이탈>3m   19.2    4.5 path\n",
        " 자세>30도   20.4    1.5 path\n",
        "경로이탈>3m   25.6    2.5 path\n",
        "경로이탈>3m   29.1    1.2 path\n",
        "경로이탈>3m   30.6    4.0 path\n",
        "\n",
        "단계별 취약 시간(s): {'hover': 27.8, 'landing': 18.5, 'obstacle': 8.0, 'path': 63.7}\n",
        "돌발 대응: 장애물 반응 2.1s, 2.5초 후 회피거리 1.1m, 접지 속도 2.7m/s -> 위험 사건 near_collision, hard_landing, attitude_exceed\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 07. 교관이 직접 조종자 성향을 진단하고 피드백을 입력하는 HITL 평가 인터페이스 설계\n",
        "**소요시간**: 약 3.0시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "교관이 직접 조종자 성향을 진단하고 피드백을 입력하는 HITL 평가 인터페이스를 설계한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **교관이 AI 제안 등급과 조작 성향 진단을 직접 확인·수정하고 피드백을 입력하는 HITL 평가 인터페이스를 설계한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **AI 제안은 항상 검토 대기로 등록하고 신뢰도가 낮은 제안과 C 등급을 먼저 보도록 순서를 정 수행하고 검증하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/hitl/trn01_approval_workflow.py 및 docs/trn01_hitl_guide.md` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 지휘 책임 분계선 명확화 및 성급한 자동 단정 방지 체계 부합성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 인간 검토 큐(Queue) 대기시간 및 승인/반려 처리 로깅 성공률 100%\n",
        "\n",
        "\n",
        "- 진행 기준: 승인/반려 인터페이스 동작 및 감사 로그(Audit Log) 생성 검증\n",
        "\n",
        "\n",
        "- 검증 방법: 모의 조작자 승인/반려 시뮬레이션 및 데이터 무결성 검증\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "# [TODO : 학생 실습 7] 교관이 직접 조종자 성향을 진단하고 피드백을 입력하는 HITL 평가 인터페이스 설계\n",
        "# 미션 지침 및 검증 기준을 확인하고 코드를 실행 및 튜닝하세요.\n",
        "\"\"\"AI가 제안한 숙련도 등급·조작 성향을 교관이 직접 확인·수정하고 피드백을 입력하는 HITL 평가 인터페이스를 구현한다. AI는 등급을 확정하지 않으며, 불리한 결정(재교육 지정·자격 보류)은 상세 근거와 두 번째 교관 확인을 요구하고, 모든 결정은 위·변조 확인이 가능한 감사 로그에 남긴다.\"\"\"\n",
        "import hashlib\n",
        "import json\n",
        "import pandas as pd\n",
        "\n",
        "ACTIONS = {\"CONFIRM\": \"AI 제안 등급 확정\", \"MODIFY\": \"등급 수정\", \"REFLIGHT\": \"추가 비행 후 재평가\", \"RETRAIN\": \"재교육 지정\", \"QUAL_HOLD\": \"자격 부여 보류\"}\n",
        "CONF_ORDER = {\"Low\": 0, \"Medium\": 1, \"High\": 2}\n",
        "\n",
        "\n",
        "class ReviewError(ValueError):\n",
        "    pass\n",
        "\n",
        "\n",
        "class FakeClock:\n",
        "    t = 0.0\n",
        "\n",
        "    def __call__(self):\n",
        "        return self.t\n",
        "\n",
        "\n",
        "class ReviewQueue:\n",
        "    def __init__(self, clock):\n",
        "        self.items, self.log, self.clock = {}, [], clock\n",
        "\n",
        "    def _record(self, body):\n",
        "        prev = self.log[-1][\"hash\"] if self.log else \"GENESIS\"\n",
        "        body = {**body, \"ts\": round(self.clock(), 1)}\n",
        "        self.log.append({**body, \"prev\": prev, \"hash\": hashlib.sha256((prev + json.dumps(body, ensure_ascii=False, sort_keys=True)).encode()).hexdigest()})\n",
        "\n",
        "    def verify_log(self):\n",
        "        prev = \"GENESIS\"\n",
        "        for n, rec in enumerate(self.log, start=1):\n",
        "            body = {k: v for k, v in rec.items() if k not in (\"prev\", \"hash\")}\n",
        "            if rec[\"prev\"] != prev or rec[\"hash\"] != hashlib.sha256((prev + json.dumps(body, ensure_ascii=False, sort_keys=True)).encode()).hexdigest():\n",
        "                return False, n\n",
        "            prev = rec[\"hash\"]\n",
        "        return True, -1\n",
        "\n",
        "    def submit(self, pilot, grade, conf, habits, evidence):\n",
        "        \"\"\"AI 제안 등록: 항상 PENDING으로 시작하며 AI가 확정하지 않는다.\"\"\"\n",
        "        self.items[pilot] = {\"pilot\": pilot, \"ai_grade\": grade, \"conf\": conf, \"habits\": habits, \"evidence\": evidence,\n",
        "                             \"status\": \"PENDING\", \"final\": None, \"submitted\": self.clock(), \"approvals\": []}\n",
        "        self._record({\"event\": \"AI_SUGGEST\", \"pilot\": pilot, \"grade\": grade, \"conf\": conf, \"by\": \"AI\"})\n",
        "\n",
        "    def order(self):\n",
        "        \"\"\"검토 순서: 신뢰도 낮은 제안 -> C 등급 -> 나머지(교관이 판단이 필요한 건부터 본다).\"\"\"\n",
        "        todo = [i for i in self.items.values() if i[\"status\"] in (\"PENDING\", \"AWAIT_2ND\")]\n",
        "        return sorted(todo, key=lambda i: (CONF_ORDER[i[\"conf\"]], i[\"ai_grade\"] != \"C\", i[\"pilot\"]))\n",
        "\n",
        "    def decide(self, pilot, action, instructor, reason, new_grade=None):\n",
        "        if action not in ACTIONS:\n",
        "            raise ReviewError(f\"허용되지 않은 조치: {action}\")\n",
        "        if not instructor:\n",
        "            raise ReviewError(\"교관 ID 필요\")\n",
        "        it = self.items.get(pilot)\n",
        "        if it is None or it[\"status\"] == \"FINAL\":\n",
        "            raise ReviewError(\"검토 대기 건이 아님\")\n",
        "        if len(reason.strip()) < 10:\n",
        "            raise ReviewError(\"진단·피드백 10자 이상 필요\")\n",
        "        if action == \"MODIFY\" and new_grade not in (\"A\", \"B\", \"C\"):\n",
        "            raise ReviewError(\"수정 등급(A/B/C) 필요\")\n",
        "        if action in (\"RETRAIN\", \"QUAL_HOLD\") and len(reason.strip()) < 20:\n",
        "            raise ReviewError(\"불리한 결정은 근거 20자 이상 필요\")\n",
        "        if action == \"QUAL_HOLD\":\n",
        "            if instructor in it[\"approvals\"]:\n",
        "                raise ReviewError(\"두 번째 확인은 다른 교관이 해야 함\")\n",
        "            it[\"approvals\"].append(instructor)\n",
        "            self._record({\"event\": \"DECIDE\", \"pilot\": pilot, \"action\": action, \"by\": instructor, \"reason\": reason, \"step\": len(it[\"approvals\"])})\n",
        "            if len(it[\"approvals\"]) < 2:\n",
        "                it[\"status\"] = \"AWAIT_2ND\"\n",
        "                return \"두 번째 교관 확인 대기\"\n",
        "        else:\n",
        "            self._record({\"event\": \"DECIDE\", \"pilot\": pilot, \"action\": action, \"by\": instructor, \"reason\": reason, \"new_grade\": new_grade})\n",
        "        it[\"status\"], it[\"action\"], it[\"decided\"] = \"FINAL\", action, self.clock()\n",
        "        it[\"final\"] = new_grade if action == \"MODIFY\" else (None if action == \"REFLIGHT\" else it[\"ai_grade\"])\n",
        "        return \"확정\"\n",
        "\n",
        "\n",
        "clock = FakeClock()\n",
        "rq = ReviewQueue(clock)\n",
        "# [교육용가상자료] 미션 5 결과에서 넘어온 AI 제안 6건(가명)\n",
        "for p, g, c, h, e in [(\"P003\", \"A\", \"High\", [], \"경로 RMSE 하위 10%, 접지 0.4m/s\"), (\"P011\", \"C\", \"High\", [\"급조작\"], \"경착륙 2회, 스틱 변화율 상위 5%\"),\n",
        "                      (\"P017\", \"B\", \"Low\", [\"과보정\"], \"비행별 점수 편차 큼(48~79)\"), (\"P024\", \"C\", \"Medium\", [\"과보정\"], \"장애물 근접 3회\"),\n",
        "                      (\"P030\", \"B\", \"High\", [], \"호버링 안정, 장애물 반응 1.2s\"), (\"P038\", \"C\", \"Low\", [], \"돌풍 비행만 낮음\")]:\n",
        "    clock.t += 1; rq.submit(p, g, c, h, e)\n",
        "print(\"검토 순서:\", [f\"{i['pilot']}({i['ai_grade']}/{i['conf']})\" for i in rq.order()])\n",
        "print(\"AI가 확정한 건수:\", sum(i[\"status\"] == \"FINAL\" for i in rq.items.values()))\n",
        "\n",
        "for args in [(\"P011\", \"RETRAIN\", \"\", \"경착륙 반복, 착륙 절차 재교육\"), (\"P003\", \"CONFIRM\", \"inst01\", \"좋음\"), (\"P017\", \"MODIFY\", \"inst01\", \"편차가 커서 등급 조정함\"),\n",
        "             (\"P024\", \"RETRAIN\", \"inst02\", \"근접 3회 재교육\"), (\"P003\", \"AUTO\", \"inst01\", \"자동 확정 시도합니다\")]:\n",
        "    try:\n",
        "        rq.decide(*args)\n",
        "    except ReviewError as e:\n",
        "        print(f\"차단: {args[0]} {args[1]} -> {e}\")\n",
        "\n",
        "clock.t += 120; print(\"P003:\", rq.decide(\"P003\", \"CONFIRM\", \"inst01\", \"경로·호버링 안정, 돌발 대응 양호 확인\"))\n",
        "clock.t += 200; print(\"P017:\", rq.decide(\"P017\", \"REFLIGHT\", \"inst01\", \"점수 편차 큼, 주간 비행 2회 추가 후 재평가\"))\n",
        "clock.t += 150; print(\"P011:\", rq.decide(\"P011\", \"RETRAIN\", \"inst02\", \"경착륙 2회와 급조작 확인, 착륙 감속 절차 재교육 지정\"))\n",
        "clock.t += 90; print(\"P024 1차:\", rq.decide(\"P024\", \"QUAL_HOLD\", \"inst02\", \"장애물 근접 3회 반복, 회피 기동 숙달 전 자격 보류\"))\n",
        "clock.t += 10\n",
        "try:\n",
        "    rq.decide(\"P024\", \"QUAL_HOLD\", \"inst02\", \"같은 교관이 두 번째 확인까지 직접 하려고 시도함\")\n",
        "except ReviewError as e:\n",
        "    print(\"차단: P024 QUAL_HOLD ->\", e)\n",
        "clock.t += 300; print(\"P024 2차:\", rq.decide(\"P024\", \"QUAL_HOLD\", \"inst05\", \"영상 재확인 결과 회피 지연 동의, 보류 유지\"))\n",
        "clock.t += 60; print(\"P038:\", rq.decide(\"P038\", \"MODIFY\", \"inst03\", \"돌풍 외 비행은 B 수준, 돌풍 대응만 보완\", new_grade=\"B\"))\n",
        "\n",
        "df = pd.DataFrame(rq.items.values())\n",
        "df[\"대기(s)\"] = (df[\"decided\"] - df[\"submitted\"]).round(0)\n",
        "print(\"\\n\" + df[[\"pilot\", \"ai_grade\", \"conf\", \"action\", \"final\", \"대기(s)\"]].fillna(\"-\").to_string(index=False))\n",
        "fin = df[df[\"status\"] == \"FINAL\"]\n",
        "print(f\"교관 결정 {len(fin)}건 중 AI 제안 등급과 다른 결정 {int((fin['final'] != fin['ai_grade']).sum())}건(추가 비행 포함), 미검토 {int((df['status'] != 'FINAL').sum())}건은 대기 유지\")\n",
        "print(f\"\\n감사 로그 {len(rq.log)}건 기록(제안 {len(df)}건 + 결정 {len(rq.log) - len(df)}건, 로깅 성공률 100%), 해시 체인 검증: {rq.verify_log()}\")\n",
        "rq.log[7][\"reason\"] = \"근거 수정\"\n",
        "print(\"8번째 기록 변조 후 검증(False, 깨진 위치):\", rq.verify_log())\n",
        "\n",
        "form = {\"pilot\": \"P011\", \"strength\": \"(교관 입력)\", \"weakness\": \"착륙 감속 늦음, 급조작\", \"next_training\": \"착륙 절차 반복 3회\", \"instructor\": \"inst02\", \"pilot_ack\": \"(서명)\"}\n",
        "print(\"\\n[조종자 피드백 양식]\\n\" + json.dumps(form, ensure_ascii=False))\n",
        "print(\"AI 점수는 교관 판단 보조 자료이며 인사·자격 결정의 단독 근거로 쓰지 않는다. 최종 등급의 책임은 결정한 교관에게 있다.\")\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 07 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "검토 순서: ['P038(C/Low)', 'P017(B/Low)', 'P024(C/Medium)', 'P011(C/High)', 'P003(A/High)', 'P030(B/High)']\n",
        "AI가 확정한 건수: 0\n",
        "차단: P011 RETRAIN -> 교관 ID 필요\n",
        "차단: P003 CONFIRM -> 진단·피드백 10자 이상 필요\n",
        "차단: P017 MODIFY -> 수정 등급(A/B/C) 필요\n",
        "차단: P024 RETRAIN -> 진단·피드백 10자 이상 필요\n",
        "차단: P003 AUTO -> 허용되지 않은 조치: AUTO\n",
        "P003: 확정\n",
        "P017: 확정\n",
        "P011: 확정\n",
        "P024 1차: 두 번째 교관 확인 대기\n",
        "차단: P024 QUAL_HOLD -> 두 번째 확인은 다른 교관이 해야 함\n",
        "P024 2차: 확정\n",
        "P038: 확정\n",
        "\n",
        "pilot ai_grade   conf    action final  대기(s)\n",
        " P003        A   High   CONFIRM     A  125.0\n",
        " P011        C   High   RETRAIN     C  474.0\n",
        " P017        B    Low  REFLIGHT     -  323.0\n",
        " P024        C Medium QUAL_HOLD     C  872.0\n",
        " P030        B   High         -     -      -\n",
        " P038        C    Low    MODIFY     B  930.0\n",
        "교관 결정 5건 중 AI 제안 등급과 다른 결정 2건(추가 비행 포함), 미검토 1건은 대기 유지\n",
        "\n",
        "감사 로그 12건 기록(제안 6건 + 결정 6건, 로깅 성공률 100%), 해시 체인 검증: (True, -1)\n",
        "8번째 기록 변조 후 검증(False, 깨진 위치): (False, 8)\n",
        "\n",
        "[조종자 피드백 양식]\n",
        "{\"pilot\": \"P011\", \"strength\": \"(교관 입력)\", \"weakness\": \"착륙 감속 늦음, 급조작\", \"next_training\": \"착륙 절차 반복 3회\", \"instructor\": \"inst02\", \"pilot_ack\": \"(서명)\"}\n",
        "AI 점수는 교관 판단 보조 자료이며 인사·자격 결정의 단독 근거로 쓰지 않는다. 최종 등급의 책임은 결정한 교관에게 있다.\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 08. 100명 조종자 대량 비행로그 배치 분석 스트레스 테스트 및 성능 프로파일링\n",
        "**소요시간**: 약 3.5시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "100명 조종자의 대량 비행로그 배치 분석 스트레스 테스트를 수행한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **조종자 100명의 대량 비행로그 배치 분석에서 처리량 증가와 손상 로그, 처리 중 예외 상황에 대한 복원력을 검증한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **평시 100건, 100명 x 5회 500건, 500% 증가 600건, 손상 로그 5% 혼입, 묶음 처리 예외 상황 주입하여 처리 지연 및 복원력을 시험하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `tests/trn01_stress_test.py 및 스트레스 테스트 분석 보고서` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 극단 상황에서의 안전 실패(Fail-safe) 및 기능 축소 작동 적절성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: 동시 트래픽 500% 증가 시 시스템 다운 0건, 데이터 유실률 0%\n",
        "\n",
        "\n",
        "- 진행 기준: 대량 시뮬레이션 부하 주입 테스트 통과 및 병목 구간 프로파일링 완료\n",
        "\n",
        "\n",
        "- 검증 방법: 부하 테스트 도구를 통한 처리량(Throughput) 및 메모리 누수 검증\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"조종자 100명의 대량 비행로그를 배치 분석하는 스트레스 테스트를 수행한다. 평시 100건에서 500% 증가(600건), 손상 로그 혼입, 묶음 처리 중 예외 상황을 주입해 시스템 다운 0건·로그 유실 0건(채점+격리=전체)과 처리량·메모리·병목 함수를 측정하고, 예외 시 1건씩 처리로 기능을 축소하는 안전 실패 동작을 확인한다.\"\"\"\n",
        "import cProfile\n",
        "import io\n",
        "import pstats\n",
        "import time\n",
        "import tracemalloc\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import Ridge\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 8] 100명 조종자 대량 비행로그 배치 분석 스트레스 테스트 및 성능 프로파일링 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 8] 100명 조종자 대량 비행로그 배치 분석 스트레스 테스트 및 성능 프로파일링 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "KEYS = [\"t\", \"x\", \"y\", \"alt\", \"stick_pitch\", \"stick_roll\", \"throttle\", \"roll_deg\", \"pitch_deg\", \"tx\", \"ty\", \"talt\"]\n",
        "\n",
        "\n",
        "def check_log(L):\n",
        "    \"\"\"로그 1건 검증. 문제가 있으면 사유 문자열, 없으면 None.\"\"\"\n",
        "    if any(k not in L for k in KEYS):\n",
        "        return \"필드 누락\"\n",
        "    if len(L[\"t\"]) != STEPS:\n",
        "        return f\"길이 오류({len(L['t'])})\"\n",
        "    if np.isnan(L[\"x\"]).mean() > 0.2:\n",
        "        return \"결측 20% 초과\"\n",
        "    if np.any(np.diff(L[\"t\"]) <= 0):\n",
        "        return \"시각 역행\"\n",
        "    if np.abs(L[\"stick_roll\"]).max() > 1.0001:\n",
        "        return \"스틱 범위 초과\"\n",
        "    return None\n",
        "\n",
        "\n",
        "def score_chunk(logs, conds, eng, ref):\n",
        "    stacked = {k: np.stack([L[k] for L in logs], axis=1) if k != \"t\" else T for k in KEYS}\n",
        "    stacked = {k: (pd.DataFrame(v).interpolate(limit_direction=\"both\").values if v.ndim == 2 else v) for k, v in stacked.items()}\n",
        "    f = features(stacked).assign(cond=conds)\n",
        "    return np.clip(eng.predict(cond_z(f, ref, ADV_F)[ADV_F]), 0, 100)\n",
        "\n",
        "\n",
        "def run_batch(logs, conds, eng, ref, chunk=100, fail_chunk=None):\n",
        "    scored, quarantine, degraded, down = {}, {}, 0, 0\n",
        "    try:\n",
        "        ok = []\n",
        "        for i, L in enumerate(logs):\n",
        "            why = check_log(L)\n",
        "            (quarantine.__setitem__(i, why) if why else ok.append(i))\n",
        "        for c0 in range(0, len(ok), chunk):\n",
        "            idx = ok[c0:c0 + chunk]\n",
        "            try:\n",
        "                if fail_chunk is not None and c0 // chunk == fail_chunk:\n",
        "                    raise MemoryError(\"모의 자원 부족\")\n",
        "                for i, s in zip(idx, score_chunk([logs[i] for i in idx], [conds[i] for i in idx], eng, ref)):\n",
        "                    scored[i] = s\n",
        "            except Exception:                                          # 기능 축소: 1건씩 처리, 그래도 실패하면 격리\n",
        "                degraded += 1\n",
        "                for i in idx:\n",
        "                    try:\n",
        "                        scored[i] = score_chunk([logs[i]], [conds[i]], eng, ref)[0]\n",
        "                    except Exception as e:\n",
        "                        quarantine[i] = f\"처리 실패({type(e).__name__})\"\n",
        "    except Exception as e:\n",
        "        down = 1; print(\"다운:\", e)\n",
        "    return scored, quarantine, degraded, down\n",
        "\n",
        "\n",
        "# 엔진 준비(미션 4 방식)\n",
        "train = make_dataset(40, seed=7)\n",
        "eng = Ridge(alpha=1.0).fit(cond_z(train, train, ADV_F)[ADV_F], train[\"instructor\"])\n",
        "\n",
        "# [교육용가상자료] 조종자 100명 x 비행 6회 = 로그 600건 생성\n",
        "pilots = make_pilots(100, seed=12)\n",
        "LOGS, CONDS = [], []\n",
        "for f in range(6):\n",
        "    cond = list(COND)[f % 3]\n",
        "    log, _ = fly(pilots, cond, seed=900 + f)\n",
        "    for j in range(len(pilots)):\n",
        "        LOGS.append({k: (v if v.ndim == 1 else v[:, j].copy()) for k, v in log.items() if k in KEYS}); CONDS.append(cond)\n",
        "rng = np.random.default_rng(5)\n",
        "BAD = []\n",
        "for i in rng.choice(len(LOGS), 30, replace=False):                    # 손상 로그 5% 주입\n",
        "    L = {k: v.copy() for k, v in LOGS[i].items()}\n",
        "    kind = i % 4\n",
        "    if kind == 0:\n",
        "        del L[\"throttle\"]\n",
        "    elif kind == 1:\n",
        "        L[\"x\"][:400] = np.nan\n",
        "    elif kind == 2:\n",
        "        L = {k: v[:500] for k, v in L.items()}\n",
        "    else:\n",
        "        L[\"stick_roll\"][100] = 7.0\n",
        "    BAD.append((i, L))\n",
        "CORRUPT = list(LOGS)\n",
        "for i, L in BAD:\n",
        "    CORRUPT[i] = L\n",
        "\n",
        "CASES = [(\"평시 100건\", LOGS[:100], CONDS[:100], None), (\"100명 x 5회 500건\", LOGS[:500], CONDS[:500], None),\n",
        "         (\"500% 증가 600건\", LOGS, CONDS, None), (\"600건 + 손상 5%\", CORRUPT, CONDS, None),\n",
        "         (\"600건 + 손상 + 묶음 예외\", CORRUPT, CONDS, 2)]\n",
        "rows = []\n",
        "for name, logs, conds, fail in CASES:\n",
        "    t0 = time.perf_counter()\n",
        "    sc, qu, dg, dn = run_batch(logs, conds, eng, train, fail_chunk=fail)\n",
        "    dt = time.perf_counter() - t0\n",
        "    rows.append({\"상황\": name, \"로그\": len(logs), \"채점\": len(sc), \"격리\": len(qu), \"유실\": len(logs) - len(sc) - len(qu),\n",
        "                 \"다운\": dn, \"기능축소 묶음\": dg, \"처리량(건/s)\": round(len(logs) / dt), \"소요(s)\": round(dt, 2)})\n",
        "R = pd.DataFrame(rows)\n",
        "print(R.to_string(index=False))\n",
        "print(f\"\\n시스템 다운 {R['다운'].sum()}건, 로그 유실 {R['유실'].sum()}건(채점+격리=전체), 최저 처리량 {R['처리량(건/s)'].min()}건/s\")\n",
        "_, qu, _, _ = run_batch(CORRUPT, CONDS, eng, train)\n",
        "print(\"격리 사유:\", pd.Series(list(qu.values())).value_counts().to_dict(), f\"/ 주입 {len(BAD)}건\")\n",
        "\n",
        "tracemalloc.start()\n",
        "mem = []\n",
        "for k in range(3):\n",
        "    run_batch(LOGS[:200], CONDS[:200], eng, train)\n",
        "    mem.append(tracemalloc.get_traced_memory()[0] / 1e6)\n",
        "peak = tracemalloc.get_traced_memory()[1] / 1e6\n",
        "tracemalloc.stop()\n",
        "print(f\"200건 처리 최대 메모리 {peak:.0f} MB, 반복 후 잔류 {[round(m, 1) for m in mem]} MB -> {'누수 의심' if mem[-1] > mem[0] * 1.5 + 1 else '누수 징후 없음'}\")\n",
        "\n",
        "pr = cProfile.Profile(); pr.enable()\n",
        "run_batch(LOGS[:300], CONDS[:300], eng, train)\n",
        "pr.disable()\n",
        "s = io.StringIO(); pstats.Stats(pr, stream=s).sort_stats(\"cumulative\").print_stats(30)\n",
        "top = [ln.split() for ln in s.getvalue().splitlines() if ln.strip()[:1].isdigit() and \".py\" in ln and \"m08\" in ln.split()[-1]]\n",
        "print(\"[누적 시간 상위 함수(이 파일)]\")\n",
        "for f in top[:4]:\n",
        "    print(f\"  {f[0]:>6}회  {f[3]}s  {f[-1].split(':')[-1]}\")\n",
        "print(\"개선 방향: 비행별 보간(DataFrame.interpolate)을 numpy 일괄 보간으로 바꾸고, 묶음 크기를 메모리에 맞춰 조정한다.\")\n",
        "\n",
        "plt.figure(figsize=(8, 4))\n",
        "plt.bar([f\"case{i + 1}\" for i in range(len(R))], R[\"처리량(건/s)\"], color=[\"tab:blue\"] * 3 + [\"tab:orange\", \"tab:red\"])\n",
        "plt.ylabel(\"logs per second\"); plt.title(\"Batch analysis stress test throughput (synthetic)\")\n",
        "plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 08 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "               상황  로그  채점  격리  유실  다운  기능축소 묶음  처리량(건/s)  소요(s)\n",
        "          평시 100건 100 100   0   0   0        0      1297   0.08\n",
        "   100명 x 5회 500건 500 500   0   0   0        0      1290   0.39\n",
        "     500% 증가 600건 600 600   0   0   0        0      1214   0.49\n",
        "     600건 + 손상 5% 600 570  30   0   0        0      1258   0.48\n",
        "600건 + 손상 + 묶음 예외 600 570  30   0   0        1       264   2.28\n",
        "\n",
        "시스템 다운 0건, 로그 유실 0건(채점+격리=전체), 최저 처리량 264건/s\n",
        "격리 사유: {'스틱 범위 초과': 10, '필드 누락': 8, '길이 오류(500)': 6, '결측 20% 초과': 6} / 주입 30건\n",
        "200건 처리 최대 메모리 22 MB, 반복 후 잔류 [0.0, 0.0, 0.0] MB -> 누수 징후 없음\n",
        "[누적 시간 상위 함수(이 파일)]\n",
        "       1회  0.398s  193(run_batch)\n",
        "       3회  0.376s  186(score_chunk)\n",
        "       3회  0.171s  188(<dictcomp>)\n",
        "       3회  0.088s  155(cond_z)\n",
        "개선 방향: 비행별 보간(DataFrame.interpolate)을 numpy 일괄 보간으로 바꾸고, 묶음 크기를 메모리에 맞춰 조정한다.\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 09. AAR 기반 교관 평가 점수와 AI 숙련도 점수 간 편차 분석 및 가중치 재튜닝\n",
        "**소요시간**: 약 3.0시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "AAR 기반 교관 평가 점수와 AI 점수 간 편차를 분석하고 가중치를 재보정한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **AAR로 교관 평가 점수와 AI 점수의 편차를 분석해 원인을 규명하고 채점 가중치를 재튜닝한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **주간 비행만으로 맞춘 초기 AI를 한 기수 훈련에 적용해 조건별·위험 사건 수별·습관별 편차를 분해하고 원인 정리하고 규격화하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `docs/trn01_aar_report.md 및 configs/trn01_tuned_params.yaml` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 오류 원인 규명의 객관성 및 개선 조치의 논리적 타당성\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: AAR 피드백 적용 후 종합 정확도 10%p 이상 향상, 재발 오류 0건\n",
        "\n",
        "\n",
        "- 진행 기준: AAR 보고서 작성 및 파라미터 튜닝 전후 회귀 테스트 통과\n",
        "\n",
        "\n",
        "- 검증 방법: 회귀 테스트(Regression Test) 스위트 전체 자동 실행 및 비교\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"AAR(사후검토)로 교관 평가 점수와 AI 숙련도 점수의 편차를 비행 조건·위험 사건·조작 습관별로 분석해 원인을 규명하고, 특징 구성·조건 표준화·가중치(규제 강도)를 격자 탐색으로 재튜닝한 뒤 다른 조종자 집단으로 회귀 테스트해 개선 전후를 비교한다.\"\"\"\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import Ridge\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 9] AAR 기반 교관 평가 점수와 AI 숙련도 점수 간 편차 분석 및 가중치 재튜닝 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 9] AAR 기반 교관 평가 점수와 AI 숙련도 점수 간 편차 분석 및 가중치 재튜닝 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "\n",
        "def fit(df, feats, norm, alpha):\n",
        "    X = cond_z(df, df, feats)[feats] if norm else df[feats]\n",
        "    return Ridge(alpha=alpha).fit(X, df[\"instructor\"])\n",
        "\n",
        "\n",
        "def predict(m, df, ref, feats, norm):\n",
        "    X = cond_z(df, ref, feats)[feats] if norm else df[feats]\n",
        "    return np.clip(m.predict(X), 0, 100)\n",
        "\n",
        "\n",
        "# 초기 운용 AI: 주간 비행만으로 맞춘 Baseline(경로·호버링·고도, 조건 표준화 없음)\n",
        "day_train = make_dataset(40, seed=7, conds=(\"day\",))\n",
        "INIT = dict(feats=BASE_F, norm=False, alpha=1.0)\n",
        "init_m = fit(day_train, **INIT)\n",
        "\n",
        "# 1) 무엇이 일어났나: 훈련 1개 기수(조종자 40명 x 3조건)의 교관 점수와 AI 점수 비교\n",
        "aar = make_dataset(40, seed=8)\n",
        "aar[\"ai\"] = predict(init_m, aar, day_train, INIT[\"feats\"], INIT[\"norm\"])\n",
        "aar[\"dev\"] = aar[\"ai\"] - aar[\"instructor\"]\n",
        "acc0 = (to_grade(aar[\"ai\"]) == aar[\"grade\"]).mean()\n",
        "print(f\"[1. 무엇이 일어났나] 초기 AI 등급 일치율 {acc0:.1%}, 점수 편차(AI-교관) 평균 {aar['dev'].mean():+.1f}점, 절대 편차 {aar['dev'].abs().mean():.1f}점\")\n",
        "\n",
        "# 2) 왜 일어났나: 편차 원인 분해\n",
        "aar[\"위험사건\"] = aar[[\"near_collision\", \"hard_landing\", \"attitude_exceed\"]].sum(axis=1).clip(0, 2).astype(str).str.replace(\"2\", \"2+\")\n",
        "print(\"\\n[2. 왜 일어났나] 조건별 평균 편차:\", aar.groupby(\"cond\")[\"dev\"].mean().round(1).to_dict())\n",
        "ng = aar[aar[\"cond\"] != \"gust\"]                                      # 조건 효과를 뺀 주간·야간 비행으로 비교\n",
        "ev = ng.groupby(\"위험사건\")[\"dev\"].mean().round(1)\n",
        "print(\"주간·야간 비행의 위험 사건 수별 평균 편차:\", ev.to_dict())\n",
        "print(\"주간·야간 비행의 습관별 평균 편차: 급조작\", round(ng[ng[\"jerky\"]][\"dev\"].mean(), 1), \"/ 과보정\", round(ng[ng[\"overcorr\"]][\"dev\"].mean(), 1),\n",
        "      \"/ 습관 없음\", round(ng[~ng[\"jerky\"] & ~ng[\"overcorr\"]][\"dev\"].mean(), 1))\n",
        "print(f\"-> 원인: (가) 주간 자료로만 맞춰 돌풍 비행을 평균 {aar[aar['cond'] == 'gust']['dev'].mean():.0f}점 과소평가(경로 이탈을 실력 부족으로 오인), \"\n",
        "      f\"(나) 위험 사건 2건 이상 비행을 0건 대비 {ev.get('2+', np.nan) - ev.get('0', np.nan):+.1f}점 과대평가(장애물·착륙 대응 미반영), (다) 급조작 습관 미반영\")\n",
        "\n",
        "# 3) 무엇을 바꾸나: AAR 자료(3조건)로 격자 탐색, 기수 내 2겹 교차검증으로 선택\n",
        "pid = aar[\"pilot\"].str[1:].astype(int) % 2\n",
        "grid = []\n",
        "for name, feats in [(\"기본\", BASE_F), (\"고도화\", ADV_F)]:\n",
        "    for norm in (False, True):\n",
        "        for alpha in (0.1, 1.0, 10.0):\n",
        "            accs = []\n",
        "            for k in (0, 1):\n",
        "                tr, va = aar[pid != k], aar[pid == k]\n",
        "                m = fit(tr, feats, norm, alpha)\n",
        "                accs.append((to_grade(predict(m, va, tr, feats, norm)) == va[\"grade\"]).mean())\n",
        "            grid.append({\"특징\": name, \"조건표준화\": norm, \"alpha\": alpha, \"교차검증 일치율\": round(np.mean(accs), 3)})\n",
        "g = pd.DataFrame(grid).sort_values(\"교차검증 일치율\", ascending=False)\n",
        "print(\"\\n[3. 무엇을 바꾸나] 격자 12개 중 상위 4개\")\n",
        "print(g.head(4).to_string(index=False))\n",
        "best = g.iloc[0]\n",
        "TUNED = dict(feats=ADV_F if best[\"특징\"] == \"고도화\" else BASE_F, norm=bool(best[\"조건표준화\"]), alpha=float(best[\"alpha\"]))\n",
        "tuned_m = fit(aar, **TUNED)\n",
        "\n",
        "# 4) 회귀 테스트: 새 기수 2개(학습에 쓰지 않은 조종자)\n",
        "print(\"\\n[회귀 테스트] 기수   초기 AI   재튜닝   변화\")\n",
        "reg, rep, near = [], [], []\n",
        "for sd in (21, 22):\n",
        "    new = make_dataset(40, seed=sd)\n",
        "    a0 = to_grade(predict(init_m, new, day_train, INIT[\"feats\"], INIT[\"norm\"]))\n",
        "    a1 = to_grade(predict(tuned_m, new, aar, TUNED[\"feats\"], TUNED[\"norm\"]))\n",
        "    r0, r1 = (a0 == new[\"grade\"]).mean(), (a1 == new[\"grade\"]).mean()\n",
        "    both = (a0 != new[\"grade\"]) & (a1 != new[\"grade\"])\n",
        "    reg.append((r0, r1)); rep.append(int(both.sum()))\n",
        "    near += list((np.minimum(np.abs(new[\"instructor\"] - 55), np.abs(new[\"instructor\"] - 75)) <= 5)[both])\n",
        "    print(f\"           #{sd}    {r0:6.1%}   {r1:6.1%}  {(r1 - r0) * 100:+5.1f}%p\")\n",
        "gain = np.mean([b - a for a, b in reg])\n",
        "print(f\"평균 향상 {gain * 100:+.1f}%p (목표 +10%p 이상: {'달성' if gain >= 0.10 else '미달'}), 회귀 테스트 {sum(b >= a for a, b in reg)}/{len(reg)} 통과\")\n",
        "print(f\"재튜닝 후에도 반복된 불일치 {sum(rep)}건(전체 {2 * len(new)}회 중), 그중 교관 점수가 등급 경계(55·75점) ±5점 이내인 비행 {np.mean(near):.0%}\")\n",
        "\n",
        "w = pd.Series(tuned_m.coef_, index=TUNED[\"feats\"]).round(2)\n",
        "yaml = (f\"features: [{', '.join(TUNED['feats'])}]\\ncondition_normalization: {str(TUNED['norm']).lower()}\\nridge_alpha: {TUNED['alpha']}\\n\"\n",
        "        f\"grade_cut: {{A: 75, B: 55}}\\nweights: {{{', '.join(f'{k}: {v}' for k, v in w.items())}}}\")\n",
        "print(\"\\n[재튜닝 파라미터(trn01_tuned_params.yaml 내용)]\\n\" + yaml)\n",
        "print(\"지속 개선: 기수마다 교관 점수를 AAR 자료로 누적해 같은 절차로 재튜닝하고, 회귀 테스트 통과 시에만 교체한다.\")\n",
        "\n",
        "plt.figure(figsize=(7, 4))\n",
        "for c, col in zip(COND, [\"tab:blue\", \"tab:purple\", \"tab:orange\"]):\n",
        "    s = aar[aar[\"cond\"] == c]\n",
        "    plt.scatter(s[\"instructor\"], s[\"dev\"], s=12, c=col, label=c)\n",
        "plt.axhline(0, c=\"k\"); plt.xlabel(\"instructor score\"); plt.ylabel(\"AI - instructor (initial AI)\")\n",
        "plt.legend(); plt.title(\"AAR: deviation of initial AI score (synthetic)\"); plt.tight_layout(); plt.show()\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 09 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "[1. 무엇이 일어났나] 초기 AI 등급 일치율 47.5%, 점수 편차(AI-교관) 평균 -12.2점, 절대 편차 21.1점\n",
        "\n",
        "[2. 왜 일어났나] 조건별 평균 편차: {'day': 2.7, 'gust': -40.1, 'night': 0.9}\n",
        "주간·야간 비행의 위험 사건 수별 평균 편차: {'0': -9.8, '1': 0.6, '2+': 11.7}\n",
        "주간·야간 비행의 습관별 평균 편차: 급조작 7.3 / 과보정 3.6 / 습관 없음 0.3\n",
        "-> 원인: (가) 주간 자료로만 맞춰 돌풍 비행을 평균 -40점 과소평가(경로 이탈을 실력 부족으로 오인), (나) 위험 사건 2건 이상 비행을 0건 대비 +21.5점 과대평가(장애물·착륙 대응 미반영), (다) 급조작 습관 미반영\n",
        "\n",
        "[3. 무엇을 바꾸나] 격자 12개 중 상위 4개\n",
        " 특징  조건표준화  alpha  교차검증 일치율\n",
        "고도화   True   10.0     0.825\n",
        "고도화   True    0.1     0.817\n",
        "고도화   True    1.0     0.808\n",
        "고도화  False    0.1     0.783\n",
        "\n",
        "[회귀 테스트] 기수   초기 AI   재튜닝   변화\n",
        "           #21     45.0%    89.2%  +44.2%p\n",
        "           #22     40.0%    81.7%  +41.7%p\n",
        "평균 향상 +42.9%p (목표 +10%p 이상: 달성), 회귀 테스트 2/2 통과\n",
        "재튜닝 후에도 반복된 불일치 21건(전체 240회 중), 그중 교관 점수가 등급 경계(55·75점) ±5점 이내인 비행 86%\n",
        "\n",
        "[재튜닝 파라미터(trn01_tuned_params.yaml 내용)]\n",
        "features: [path_rmse, hover_drift, hover_std, alt_err, obs_rt, obs_lateral, touch_vz, att_exceed, jerk, overshoot, n_risk]\n",
        "condition_normalization: true\n",
        "ridge_alpha: 10.0\n",
        "grade_cut: {A: 75, B: 55}\n",
        "weights: {path_rmse: -0.59, hover_drift: 1.22, hover_std: 0.77, alt_err: -7.67, obs_rt: -0.51, obs_lateral: 1.08, touch_vz: -4.19, att_exceed: -0.54, jerk: -1.59, overshoot: -0.66, n_risk: -2.4}\n",
        "지속 개선: 기수마다 교관 점수를 AAR 자료로 누적해 같은 절차로 재튜닝하고, 회귀 테스트 통과 시에만 교체한다.\n",
        "```\n",
        "</details>\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "---\n",
        "\n",
        "## 🎯 미션 10. 드론 비행로그 숙련도 분석 시스템 통합 및 교육훈련 브리핑 패키지 완성\n",
        "**소요시간**: 약 3.5시간\n",
        "\n",
        "### 📋 미션 배경 및 수행 지침\n",
        "#### 미션 배경 및 당위성\n",
        "\n",
        "드론 비행로그 숙련도 분석 시스템 통합 패키지 및 교육훈련 브리핑 보고서를 완성한다. 실제 전술 현장에서는 단순 탐지에 그치지 않고 신속한 위협 판단과 신뢰도 높은 의사결정이 필수적이므로, **로그 검증부터 전처리, 특징 추출, 재튜닝 엔진, 위험 조작 탐지, 조종자 등급·신뢰도, 교관 검토 대기열, 대시보드까지 통합하고 교육훈련 브리핑 패키지를 완성한다.** 과업을 완수하여 오판을 방지하고 작전 대응력을 극대화해야 합니다.\n",
        "\n",
        "이 문제를 해결하기 위해 본 미션에서는 **재튜닝 파라미터로 신규 기수 로그를 한 번에 분석하는 통합 코드를 완성하고 손상 로그가 격리되는지 확인하고 유효성을 점검하는** 실습을 체계적으로 수행합니다.\n",
        "\n",
        "학습자는 실습가이드에 제시된 총 4개 세부 활동(기본 기능 구현 ➔ 결과 지표 검증 ➔ 파라미터 튜닝 및 도전과제)을 순차적으로 진행하며 핵심 판정 기준을 달성합니다.\n",
        "\n",
        "**이번 결과물:** `src/main_trn01.py, README.md, docs/trn01_final_report.pdf(md)` 형태의 결과물을 완성한다.\n",
        "\n",
        "### 🔍 평가 및 검증 기준 (PASS 조건)\n",
        "#### 미션 판정\n",
        "\n",
        "**평가 구분:** 필수\n",
        "\n",
        "**핵심 평가영역:** 군 실무 즉시 도입 가능성, 운용 신뢰도 및 전략적 기대효과\n",
        "\n",
        "#### 미션 PASS 조건\n",
        "\n",
        "- 정량 기준: End-to-End 통합 파이프라인 실행 성공률 100%, 테스트 커버리지 85% 이상\n",
        "\n",
        "\n",
        "- 진행 기준: 원클릭 실행 스크립트 동작 확인 및 최종 발표 산출물 작성 완료\n",
        "\n",
        "\n",
        "- 검증 방법: 최종 검증 위원회(평가관) 모의 시연 및 전체 기능 통합 검증\n",
        "\n",
        "\n",
        "#### 채점자 판정 메모\n",
        "\n",
        "> 단순 코드 실행 여부뿐만 아니라 출력된 수치와 근거 자료가 군 실무 요구사항에 부합하는지 면밀히 확인한다.\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
        "\"\"\"비행로그 검증·전처리부터 특징 추출, 재튜닝된 숙련도 엔진, 위험 조작 탐지, 조종자별 등급·신뢰도, 교관 HITL 검토 대기열, 분석 대시보드까지 전체 파이프라인을 한 파일로 통합 실행하고, 함수 커버리지를 포함한 자체 점검 결과와 교육훈련 브리핑 요약을 출력한다.\"\"\"\n",
        "import hashlib\n",
        "import inspect\n",
        "import json\n",
        "import sys\n",
        "import time\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from sklearn.linear_model import Ridge\n",
        "\n",
        "# ---------------------------------------------------------------------------\n",
        "# [교육용가상자료] 드론 조종 시뮬레이터 비행로그 생성기 (실제 훈련생·장비 정보 없음, 조종자는 가명 P001~)\n",
        "# 비행 1회 = 120초(10Hz): 경로 비행(0~60초) -> 호버링(60~85초) -> 돌발 장애물 회피(85초) -> 비상 착륙(100초 지시)\n",
        "# 조종자마다 숨은 숙련도(skill)와 조작 습관(급조작 jerky, 과보정 overcorr)이 있고, 교관 점수는 이를 반영해 만든다.\n",
        "# ---------------------------------------------------------------------------\n",
        "DT, STEPS = 0.1, 1200\n",
        "T = np.arange(STEPS) * DT\n",
        "COND = {\"day\": dict(wind=0.4, gust=0.0, gps=0.25, delay=0.0), \"night\": dict(wind=0.4, gust=0.0, gps=0.5, delay=0.15),\n",
        "        \"gust\": dict(wind=1.2, gust=2.5, gps=0.25, delay=0.0)}\n",
        "OBST_T, LAND_T = 85.0, 100.0\n",
        "\n",
        "\n",
        "def make_pilots(n=40, seed=7):\n",
        "    rng = np.random.default_rng(seed)\n",
        "    skill = rng.beta(2.2, 2.0, n)\n",
        "    return pd.DataFrame({\"pilot\": [f\"P{i + 1:03d}\" for i in range(n)], \"skill\": skill,\n",
        "                         \"jerky\": rng.random(n) < 0.15 + 0.35 * (1 - skill), \"overcorr\": rng.random(n) < 0.15 + 0.35 * (1 - skill)})\n",
        "\n",
        "\n",
        "def target_path(t):\n",
        "    \"\"\"사각형 경로(40x30m, 고도 20m)를 3m/s로 비행 -> 60초 지점에서 호버링 -> 착륙 지시 후 고도 0.\"\"\"\n",
        "    # [TODO : 학생 실습 10] 드론 비행로그 숙련도 분석 시스템 통합 및 교육훈련 브리핑 패키지 완성 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def fly(pilots, cond=\"day\", seed=0, delay_extra=0.0, obstacle_side=None):\n",
        "    \"\"\"여러 조종자의 비행 1회를 동시에 모의한다(벡터화). 반환: 로그 배열 dict, 비행별 정답 정보 DataFrame.\"\"\"\n",
        "    # [TODO : 학생 실습 10] 드론 비행로그 숙련도 분석 시스템 통합 및 교육훈련 브리핑 패키지 완성 관련 핵심 로직을 구현하세요.\n",
        "    # 힌트: 상단 주석 및 데이터 스키마/지침을 참고하여 작성합니다.\n",
        "    # <<< 여기에 코드를 작성하세요 >>>\n",
        "    pass  # 작성 후 pass를 제거하세요.\n",
        "def one(log, j):\n",
        "    \"\"\"여러 조종자 로그에서 j번째 조종자 1명의 로그(DataFrame)를 꺼낸다.\"\"\"\n",
        "    return pd.DataFrame({k: (v if v.ndim == 1 else v[:, j]) for k, v in log.items()})\n",
        "# ---------------------------------------------------------------------------\n",
        "\n",
        "# ---- 비행로그 특징 추출 공통 함수(여러 조종자 로그를 한 번에 계산) ----\n",
        "from scipy.ndimage import uniform_filter1d\n",
        "\n",
        "BASE_F = [\"path_rmse\", \"hover_drift\", \"hover_std\", \"alt_err\"]\n",
        "ADV_F = BASE_F + [\"obs_rt\", \"obs_lateral\", \"touch_vz\", \"att_exceed\", \"jerk\", \"overshoot\", \"n_risk\"]\n",
        "RULES = {\"near_collision\": (\"obs_lateral\", \"<\", 2.5), \"hard_landing\": (\"touch_vz\", \">\", 2.0), \"attitude_exceed\": (\"att_exceed\", \">=\", 10)}\n",
        "\n",
        "\n",
        "def detect(df):\n",
        "    \"\"\"위험 조작 사건 탐지 규칙: 장애물 2.5초 후 회피 거리 2.5m 미만, 접지 속도 2.0m/s 초과, 자세 35도 초과 1초 이상.\"\"\"\n",
        "    out = {}\n",
        "    for ev, (f, op, th) in RULES.items():\n",
        "        out[ev] = df[f] < th if op == \"<\" else (df[f] > th if op == \">\" else df[f] >= th)\n",
        "    return pd.DataFrame(out)\n",
        "\n",
        "\n",
        "def features(log):\n",
        "    \"\"\"경로 이탈도·호버링 안정성(기본) + 장애물 반응·착륙 속도·자세 한계·급조작·과보정(고도화) 특징.\"\"\"\n",
        "    X, Y, A = (uniform_filter1d(log[k], 9, axis=0) for k in (\"x\", \"y\", \"alt\"))       # GPS 잡음 완화(이동평균 0.9초)\n",
        "    h = np.hypot(X - log[\"tx\"], Y - log[\"ty\"])\n",
        "    cr, hv = slice(0, 600), slice(620, 850)\n",
        "    k0, k1 = int(OBST_T / DT), int((OBST_T + 2.5) / DT)\n",
        "    side = np.sign(log[\"ty\"][k0 + 1] - log[\"ty\"][k0 - 1])\n",
        "    moved = (log[\"stick_roll\"][k0:k0 + 40] * side) > 0.3\n",
        "    rt = np.where(moved.any(0), moved.argmax(0) * DT, 4.0)\n",
        "    vz = -np.gradient(A, DT, axis=0)\n",
        "    land = np.argmax((A < 0.4) & (T[:, None] >= LAND_T), axis=0)\n",
        "    touch = np.array([vz[max(i - 6, 0):i - 2, j].mean() if i > 6 else 3.0 for j, i in enumerate(land)])\n",
        "    ds = np.abs(np.diff(np.stack([log[\"stick_roll\"], log[\"stick_pitch\"]]), axis=1)) / DT\n",
        "    return pd.DataFrame({\n",
        "        \"path_rmse\": np.sqrt((h[cr] ** 2).mean(0)), \"hover_drift\": h[hv].mean(0), \"hover_std\": np.hypot(X[hv].std(0), Y[hv].std(0)),\n",
        "        \"alt_err\": np.abs(A[:850] - log[\"talt\"][:850]).mean(0),\n",
        "        \"obs_rt\": rt, \"obs_lateral\": np.abs(Y[k1] - Y[k0]), \"touch_vz\": touch,\n",
        "        \"att_exceed\": (np.maximum(np.abs(log[\"roll_deg\"]), np.abs(log[\"pitch_deg\"])) > 35).sum(0),\n",
        "        \"jerk\": np.percentile(ds, 95, axis=(0, 1)),\n",
        "        \"overshoot\": np.clip(np.abs(Y[k0:k0 + 120] - Y[k0]).max(0) - 6.0, 0, None)}).pipe(\n",
        "        lambda d: d.assign(n_risk=detect(d).sum(axis=1)))                                     # overshoot: 회피 후 목표 6m를 넘어선 거리(과보정)\n",
        "\n",
        "\n",
        "def make_dataset(n_pilots=40, seed=7, conds=(\"day\", \"night\", \"gust\"), flights=1):\n",
        "    \"\"\"조종자 n명 x 조건 x 반복 비행 -> 비행별 특징 + 정답(교관 점수·등급·위험 사건) 표.\"\"\"\n",
        "    pilots = make_pilots(n_pilots, seed)\n",
        "    out = []\n",
        "    for c in conds:\n",
        "        for f in range(flights):\n",
        "            log, tr = fly(pilots, c, seed=seed * 100 + list(COND).index(c) * 10 + f)\n",
        "            out.append(pd.concat([tr.reset_index(drop=True), features(log)], axis=1).assign(flight=f))\n",
        "    return pd.concat(out, ignore_index=True)\n",
        "\n",
        "\n",
        "def cond_z(df, ref, cols):\n",
        "    \"\"\"조건별 기준 집단(ref)의 평균·표준편차로 표준화: 돌풍처럼 어려운 조건에서 받는 불이익을 줄인다.\"\"\"\n",
        "    z = df.copy()\n",
        "    z[cols] = z[cols].astype(float)\n",
        "    for c in df[\"cond\"].unique():\n",
        "        r = ref[ref[\"cond\"] == c][cols]\n",
        "        z.loc[df[\"cond\"] == c, cols] = (df.loc[df[\"cond\"] == c, cols] - r.mean()) / (r.std() + 1e-9)\n",
        "    return z\n",
        "\n",
        "\n",
        "def to_grade(score):\n",
        "    return np.where(score >= 75, \"A\", np.where(score >= 55, \"B\", \"C\"))\n",
        "\n",
        "CONFIG = {\"features\": ADV_F, \"condition_normalization\": True, \"ridge_alpha\": 10.0}       # 미션 9 재튜닝값\n",
        "KEYS = [\"x\", \"y\", \"alt\", \"stick_pitch\", \"stick_roll\", \"throttle\", \"roll_deg\", \"pitch_deg\", \"tx\", \"ty\", \"talt\"]\n",
        "\n",
        "\n",
        "def validate(L):\n",
        "    if any(k not in L for k in KEYS) or len(L[\"x\"]) != STEPS:\n",
        "        return \"필드·길이 오류\"\n",
        "    if np.isnan(L[\"x\"]).mean() > 0.2:\n",
        "        return \"결측 20% 초과\"\n",
        "    return None\n",
        "\n",
        "\n",
        "def clean(L):\n",
        "    out = {}\n",
        "    for k in KEYS:\n",
        "        s = pd.Series(L[k])\n",
        "        if k in (\"x\", \"y\", \"alt\"):\n",
        "            med = s.rolling(7, center=True, min_periods=1).median()\n",
        "            s = s.mask((s - med).abs() > 3 * ((s - med).abs().rolling(7, center=True, min_periods=1).median() * 1.4826 + 0.3))\n",
        "        out[k] = s.interpolate(limit_direction=\"both\").values\n",
        "    return out\n",
        "\n",
        "\n",
        "class Review:\n",
        "    def __init__(self):\n",
        "        self.items, self.log = [], []\n",
        "\n",
        "    def submit(self, rec):\n",
        "        prev = self.log[-1][\"hash\"] if self.log else \"GENESIS\"\n",
        "        body = {\"event\": \"AI_SUGGEST\", \"pilot\": rec[\"pilot\"], \"grade\": rec[\"grade\"], \"conf\": rec[\"conf\"]}\n",
        "        self.log.append({**body, \"prev\": prev, \"hash\": hashlib.sha256((prev + json.dumps(body, sort_keys=True)).encode()).hexdigest()})\n",
        "        self.items.append({**body, \"status\": \"PENDING\"})\n",
        "\n",
        "\n",
        "called = set()\n",
        "sys.setprofile(lambda f, e, a: called.add(f.f_code.co_name) if e == \"call\" and f.f_globals is globals() else None)\n",
        "t_start = time.perf_counter()\n",
        "\n",
        "# ---------------- 1. 엔진 준비(AAR 자료로 재튜닝된 설정) ----------------\n",
        "ref = make_dataset(40, seed=8)\n",
        "eng = Ridge(alpha=CONFIG[\"ridge_alpha\"]).fit(cond_z(ref, ref, ADV_F)[ADV_F], ref[\"instructor\"])\n",
        "\n",
        "# ---------------- 2. 신규 기수 로그 수집(조종자 30명 x 3조건) + 손상·잡음 ----------------\n",
        "pilots = make_pilots(30, seed=31)\n",
        "rng = np.random.default_rng(4)\n",
        "logs, conds, truth = [], [], []\n",
        "for c in COND:\n",
        "    log, tr = fly(pilots, c, seed=700 + len(logs))\n",
        "    for j in range(len(pilots)):\n",
        "        L = {k: log[k][:, j].copy() for k in KEYS}\n",
        "        sp = rng.random(STEPS) < 0.01\n",
        "        L[\"x\"][sp] += 10.0                                            # GPS 튐\n",
        "        L[\"y\"][300:310] = np.nan                                      # 센서 단절 1초\n",
        "        logs.append(L); conds.append(c)\n",
        "    truth.append(tr)\n",
        "truth = pd.concat(truth, ignore_index=True)\n",
        "logs[7] = {k: v for k, v in logs[7].items() if k != \"throttle\"}       # 손상 로그 2건\n",
        "logs[40][\"x\"][:500] = np.nan\n",
        "\n",
        "# ---------------- 3. 검증·전처리·특징·채점 ----------------\n",
        "rejected = {i: r for i, L in enumerate(logs) if (r := validate(L))}\n",
        "ok = [i for i in range(len(logs)) if i not in rejected]\n",
        "t0 = time.perf_counter()\n",
        "cleaned = [clean(logs[i]) for i in ok]\n",
        "stack = {k: np.stack([c[k] for c in cleaned], axis=1) for k in KEYS}\n",
        "stack[\"t\"] = T\n",
        "F = features(stack).assign(cond=[conds[i] for i in ok])\n",
        "D = pd.concat([truth.iloc[ok].reset_index(drop=True), F.drop(columns=\"cond\")], axis=1)\n",
        "D[\"score\"] = np.clip(eng.predict(cond_z(F, ref, ADV_F)[ADV_F]), 0, 100)\n",
        "ev = detect(F)\n",
        "ms = (time.perf_counter() - t0) * 1000 / len(ok)\n",
        "\n",
        "# ---------------- 4. 조종자 집계·신뢰도·교관 검토 대기열 ----------------\n",
        "rows = []\n",
        "for pid, g in D.groupby(\"pilot\"):\n",
        "    boot = [to_grade(rng.choice(g[\"score\"].values, len(g)).mean()).item() for _ in range(100)]\n",
        "    gr = to_grade(g[\"score\"].mean()).item(); cf = boot.count(gr) / 100\n",
        "    rows.append({\"pilot\": pid, \"score\": g[\"score\"].mean(), \"grade\": gr, \"conf\": \"High\" if cf >= 0.9 else (\"Medium\" if cf >= 0.7 else \"Low\"),\n",
        "                 \"inst_grade\": to_grade(g[\"instructor\"].mean()).item(), \"risk\": int(ev.loc[g.index].values.sum())})\n",
        "P = pd.DataFrame(rows)\n",
        "rv = Review()\n",
        "for r in P.to_dict(\"records\"):\n",
        "    rv.submit(r)\n",
        "sys.setprofile(None)\n",
        "\n",
        "# ---------------- 5. 자체 점검 ----------------\n",
        "mine = [n for n, o in list(globals().items()) if inspect.isfunction(o) and o.__module__ == \"__main__\"] + [\"submit\", \"__init__\"]\n",
        "cov = len(set(mine) & called) / len(set(mine))\n",
        "fl_acc = (to_grade(D[\"score\"]) == D[\"grade\"]).mean()\n",
        "pl_acc = (P[\"grade\"] == P[\"inst_grade\"]).mean()\n",
        "truth_ev = D[[\"near_collision\", \"hard_landing\", \"attitude_exceed\"]].astype(bool).values\n",
        "rec = (ev.values & truth_ev).sum() / max(truth_ev.sum(), 1)\n",
        "chk = {\n",
        "    \"손상 로그 2건 격리\": len(rejected) == 2,\n",
        "    \"로그 유실 0건(채점+격리=전체)\": len(ok) + len(rejected) == len(logs),\n",
        "    \"전처리 후 결측 0\": not any(np.isnan(v).any() for v in stack.values()),\n",
        "    \"비행별 등급 일치율 75% 이상\": fl_acc >= 0.75,\n",
        "    \"조종자 등급 일치율 85% 이상\": pl_acc >= 0.85,\n",
        "    \"위험 사건 탐지 재현율 85% 이상\": rec >= 0.85,\n",
        "    \"로그당 처리 200ms 이내\": ms < 200,\n",
        "    \"AI 확정 0건(전부 교관 대기)\": all(i[\"status\"] == \"PENDING\" for i in rv.items),\n",
        "    \"감사 로그 건수 일치\": len(rv.log) == len(rv.items),\n",
        "    \"함수 커버리지 85% 이상\": cov >= 0.85,\n",
        "}\n",
        "passed = sum(chk.values())\n",
        "for k, v in chk.items():\n",
        "    print(f\"[{'PASS' if v else 'FAIL'}] {k}\")\n",
        "print(f\"자체 점검 {passed}/{len(chk)} 통과, 함수 커버리지 {cov:.0%}, 파이프라인 실행 성공 {'예' if passed == len(chk) else '아니오'}\")\n",
        "print(\"조종자 등급 분포:\", P[\"grade\"].value_counts().reindex([\"A\", \"B\", \"C\"]).fillna(0).astype(int).to_dict(),\n",
        "      \"/ 신뢰도:\", P[\"conf\"].value_counts().to_dict())\n",
        "\n",
        "# ---------------- 6. 대시보드 ----------------\n",
        "fig, ax = plt.subplots(2, 2, figsize=(12, 7))\n",
        "ax[0, 0].scatter(D[\"instructor\"], D[\"score\"], s=10, c=D[\"cond\"].map({\"day\": \"tab:blue\", \"night\": \"tab:purple\", \"gust\": \"tab:orange\"}))\n",
        "ax[0, 0].plot([20, 100], [20, 100], \"k--\"); ax[0, 0].set_xlabel(\"instructor\"); ax[0, 0].set_ylabel(\"AI\"); ax[0, 0].set_title(\"Flight score: AI vs instructor\")\n",
        "ax[0, 1].bar([\"near_collision\", \"hard_landing\", \"attitude\"], ev.sum().values, color=\"tab:red\"); ax[0, 1].set_title(\"Detected risk events\")\n",
        "Ps = P.sort_values(\"score\")\n",
        "ax[1, 0].bar(Ps[\"pilot\"], Ps[\"score\"], color=Ps[\"conf\"].map({\"High\": \"tab:green\", \"Medium\": \"tab:orange\", \"Low\": \"tab:red\"}))\n",
        "ax[1, 0].axhline(55, c=\"k\", ls=\"--\"); ax[1, 0].axhline(75, c=\"k\", ls=\"--\"); ax[1, 0].tick_params(axis=\"x\", rotation=90, labelsize=6)\n",
        "ax[1, 0].set_title(\"Pilot mean score (color = confidence)\")\n",
        "ax[1, 1].axis(\"off\")\n",
        "ax[1, 1].text(0, 0.9, f\"Logs        {len(logs)} ({len(rejected)} rejected)\\nFlight acc  {fl_acc:.1%}\\nPilot acc   {pl_acc:.1%}\\n\"\n",
        "              f\"Risk recall {rec:.1%}\\nPending     {len(rv.items)} reviews\\nSelf-check  {passed}/{len(chk)}\", family=\"monospace\", fontsize=13, va=\"top\")\n",
        "plt.suptitle(\"TRN01 integrated skill analyzer - training data only\"); plt.tight_layout(); plt.show()\n",
        "\n",
        "# ---------------- 7. 교육훈련 브리핑 요약 ----------------\n",
        "c_list = P[P[\"grade\"] == \"C\"][\"pilot\"].tolist()\n",
        "print(f\"\"\"\n",
        "[교육훈련 브리핑 요약 - 교육용가상자료]\n",
        "1. 처리: 비행로그 {len(logs)}건 중 {len(ok)}건 분석, 손상 {len(rejected)}건 격리, 로그당 {ms:.1f} ms, 전체 {time.perf_counter() - t_start:.1f}s\n",
        "2. 성능: 비행별 등급 일치율 {fl_acc:.1%}, 조종자 등급 일치율 {pl_acc:.1%}, 위험 사건 탐지 재현율 {rec:.1%}\n",
        "3. 결과: A {int((P['grade'] == 'A').sum())}명 / B {int((P['grade'] == 'B').sum())}명 / C {len(c_list)}명(재교육 검토 대상 {', '.join(c_list[:5])}{' 외' if len(c_list) > 5 else ''}), 전원 교관 검토 대기\n",
        "4. 운용 유의: AI 등급은 교관 판단 보조 자료이며, 재교육·자격 보류는 교관 근거 기록과 두 번째 교관 확인 후 확정한다.\n",
        "5. 한계·확장: 가상 시뮬레이터 로그 기준 결과다. 실제 시뮬레이터 로그 형식에 맞춘 재검증이 필요하며, 훈련 관리 체계와는 결과 조회 API로 연동한다.\"\"\")\n"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {},
      "source": [
        "<details>\n",
        "<summary><b>💡 [참고] 미션 10 예상 실행 결과 (Output)</b></summary>\n",
        "\n",
        "```text\n",
        "[PASS] 손상 로그 2건 격리\n",
        "[PASS] 로그 유실 0건(채점+격리=전체)\n",
        "[PASS] 전처리 후 결측 0\n",
        "[PASS] 비행별 등급 일치율 75% 이상\n",
        "[PASS] 조종자 등급 일치율 85% 이상\n",
        "[PASS] 위험 사건 탐지 재현율 85% 이상\n",
        "[PASS] 로그당 처리 200ms 이내\n",
        "[PASS] AI 확정 0건(전부 교관 대기)\n",
        "[PASS] 감사 로그 건수 일치\n",
        "[PASS] 함수 커버리지 85% 이상\n",
        "자체 점검 10/10 통과, 함수 커버리지 92%, 파이프라인 실행 성공 예\n",
        "조종자 등급 분포: {'A': 4, 'B': 15, 'C': 11} / 신뢰도: {'High': 21, 'Medium': 6, 'Low': 3}\n",
        "\n",
        "[교육훈련 브리핑 요약 - 교육용가상자료]\n",
        "1. 처리: 비행로그 90건 중 88건 분석, 손상 2건 격리, 로그당 13.6 ms, 전체 5.9s\n",
        "2. 성능: 비행별 등급 일치율 79.5%, 조종자 등급 일치율 93.3%, 위험 사건 탐지 재현율 97.4%\n",
        "3. 결과: A 4명 / B 15명 / C 11명(재교육 검토 대상 P001, P007, P012, P015, P016 외), 전원 교관 검토 대기\n",
        "4. 운용 유의: AI 등급은 교관 판단 보조 자료이며, 재교육·자격 보류는 교관 근거 기록과 두 번째 교관 확인 후 확정한다.\n",
        "5. 한계·확장: 가상 시뮬레이터 로그 기준 결과다. 실제 시뮬레이터 로그 형식에 맞춘 재검증이 필요하며, 훈련 관리 체계와는 결과 조회 API로 연동한다.\n",
        "```\n",
        "</details>\n"
      ]
    }
  ],
  "metadata": {
    "colab": {
      "provenance": []
    },
    "kernelspec": {
      "display_name": "Python 3",
      "name": "python3"
    },
    "language_info": {
      "name": "python"
    }
  },
  "nbformat": 4,
  "nbformat_minor": 0
}