생체모방로봇은 조류나 곤충과 같은 생체의 특성을 모방하여 미래 전장에서 은밀한 감시와 정찰 작업에 큰 역할을 할 것으로 기대된다. 이 로봇들의 효과적인 활용을 위해서는 새의 날갯짓이나 바퀴벌레의 움직임 등을 모방하는 기술이 중요하지만, 이를 지원하는 하드웨어 확보와 소프트웨어 개발 및 검증 과정의 복잡성으로 인해 어려움이 따른다. 본 논문에서는 모델링 및 시뮬레이션(M&S) 기술을 적용한 다중 HILS 기반 생체모방로봇 소프트웨어 검증 테스트베드를 설계하고 구현한 결과를 소개한다. 테스트베드를 사용함으로써 개발자들은 하드웨어 부재 문제를 극복하고, 미래 전장 시나리오를 시뮬레이션하며 소프트웨어 개발과 테스트를 수행할 수 있다. 그러나, 다중 HILS 기반 테스트베드는 테스트 대상 로봇 수의 증가에 따른 장치 간 연동 지연 문제를 경험할 수 있으며, 이는 시뮬레이션 결과의 신뢰도에 크게 영향을 미칠 수 있다. 이를 해결하기 위해, 우리는 우선순위 기반 미들웨어인 data distribution service prority (DDSP)를 추가로 제안한다. DDSP는 기존 DDS 대비 1.95 ms의 평균 지연 감소 효과를 보이며, 테스트베드에서 요구되는 데이터 전송 품질을 보장할 수 있음을 입증하였다.

초미세먼지, 특히 지름이 2.5㎛ 이하인 PM2.5는 인체 건강과 경제에 큰 피해를 주는 오염물질이다. 본 연구는 대한민국 서울 지역을 중심으로, 2017년부터 2022년까지 자료를 수집하여 PM2.5 데이터 분석 및 데이터 경향성 변화 추이를 분석하고, PM2.5 중기 예측 모델을 개발하는 것을 목표로 한다. 수집, 생산된 대기질 및 기상 데이터, 재분석 데이터, 수치모델 예측 데이터를 바탕으로, 모델을 학습하고 이를 통합한 경향성 변화에도 대응할 수 있는 앙상블 기법을 제안한다. 본 연구에서 제안하는 앙상블 기법은 PM2.5 농도 예측 성능 면에서 기존 모델 대비 미래 D+3~D+6 예측일 F1 Score 기준 평균 2019년 약 42.16%, 2021년 약 58.92%, 2022년 약 34.79% 높은 성능을 보였다. 제안한 모델은 변화하는 환경 조건에도 성능을 유지함으로써 안정적인 예측을 가능하게 하며, 기존 딥러닝 기반 PM2.5 단기 예측보다 먼 예측을 수행하는 중기 예측 모델을 제시한다.

자궁경부암은 전 세계적으로 여성에게 발생하는 암 중 네 번째로 흔한 암이며, 2020년 한 해 동안 60만 4천 건 이상의 신규 케이스가 보고되었고 이로 인한 사망자 수는 약 34만 1천 831명에 달했다. 콕스 회귀 모델은 암 연구에서 널리 채택되고 있는 주요 모델이지만, 비선형 연관성의 존재를 고려하면 선형 가정으로 인해 한계에 부딪힌다. 이러한 문제를 해결하기 위해, 본 논문에서는 ResNet의 잔여 학습 프레임워크를 활용하여 자궁경부암 사망률 예측의 정확성을 개선한 새로운 모델인 ResSurvNet을 제안한다. 이 모델은 본 연구에서 비교한 DNN, CPH, CoxLasso, Cox Gradient Boost, RSF 모델들을 능가하는 정확도를 보여주었기에 이러한 우수한 예측 성능은 자궁경부암 환자 관리에 있어 조기 진단 및 치료 전략 수립에 기여할 수 있고 임상적으로 적용할 때 큰 가치가 있음을 입증하며, 생존 분석 분야에서도 의미 있는 진전을 나타낸다.

최신 IT 기술의 발달로 자율주행 자동차의 운행이 현실화되고 있으며, 이를 위해 경로 탐색은 필수적이다. 일반적으로 경로 탐색에서는 이동거리를 최소화하는 최단거리 경로와 이동 시간을 최소화하는 최단시간 경로가 제시된다. 그러나 이러한 경로의 품질은 도로망의 그래프 위상적 특성에 따라 달라진다. 도로망의 연결구조가 합리적이지 않으면 라우팅 알고리즘의 성능 개선에 한계가 있다. 실제 운전자들은 회전 횟수, 주변 환경, 교통체증, 도로 품질 등의 심리적 요소를 고려하며, 특히 회전이 적은 경로를 선호한다. 본 논문에서는 도로망 특성을 평가할 때 최단거리와 최단시간 경로뿐 아니라 회전이 가장 적은 경로를 찾는 단순 경로 알고리즘을 제시한다. 이를 통해 국내외 20개 주요 대도시 도로망의 연결 특성을 비교 평가하고, 도로망의 강점과 약점을 파악하여 효율적이고 안전한 경로 탐색 알고리즘을 개발할 수 있다. 제안된 단순 경로 알고리즘을 활용하여 각 도시의 도로망 특성을 비교 평가함으로써 도로망의 품질과 경로 탐색의 효율성을 종합적으로 검토한다.

소프트웨어를 구현할 때 인간의 생명에 위협이 될 수 있는 부작용이 발생할 수 있습니다. 그러므로 소프트웨어가 안전에 미치는 영향을 측정하고 위협을 완화하고 예방하기 위한 대안을 만드는 것이 필요합니다. 위협 요소에 의한 영향도 측정을 위하여 소프트웨어 안전 진단을 수행하기 위한 구성요소가 필요하다. 본 논문은 소프트웨어의 위협 요인을 내부 요인과 외부 요인으로 분류하고 이러한 위협 요인의 영향을 정량적으로 시연하는 것을 목표로 합니다.

음성감정인식(Speech Emotion Recognition, SER)은 사용자의 목소리에서 나타나는 떨림, 어조, 크기 등의 음성 패턴 분석을 통하여 감정 상태를 판단하는 기술이다. 하지만, 기존의 음성 감정인식 연구는 구현된 시나리오를 이용하여 제한된 환경 내에서 숙련된 연기자를 대상으로 기록된 음성인 구현발화를 중심의 연구로 그 결과 또한 높은 성능을 얻을 수 있지만, 이에 반해 자유발화 감정인식은 일상생활에서 통제되지 않는 환경에서 이루어지기 때문에 기존 구현발화보다 현저히 낮은 성능을 보여주고 있다. 본 논문에서는 일상적 자유발화 음성을 활용하여 감정인식을 진행하고, 그 성능을 향상하고자 한다. 성능평가를 위하여 AI Hub에서 제공되는 한국인 자유발화 대화 음성데이터를 사용하였으며, 딥러닝 학습을 위하여 1차원의 음성신호를 시간-주파수가 포함된 2차원의 스펙트로그램(Spectrogram)로 이미지 변환을 진행하였다. 생성된 이미지는 CNN기반 전이학습 신경망 모델인 VGG (Visual Geometry Group) 로 학습하였고, 그 결과 7개 감정(기쁨, 사랑스러움, 화남, 두려움, 슬픔, 중립, 놀람)에 대해서 성인 83.5%, 청소년 73.0%의 감정인식 성능을 확인하였다. 본 연구를 통하여, 기존의 구현발화기반 감정인식 성능과 비교하면, 낮은 성능이지만, 자유발화 감정표현에 대한 정량화할 수 있는 음성적 특징을 규정하기 어려움에도 불구하고, 일상생활에서 이루어진 대화를 기반으로 감정인식을 진행한 점에서 의의를 두고자 한다.