• 디자인융복합연구
• /
• 제17권4호
• /
• pp.17-29
• /
• 2018

완전 자율주행 단계에 이르기 전까지 부분 자율주행 차량에서는 시스템이 특정 상황에서 운전자에게 직접 운전을 하도록 요청하는 제어권 전환 요청(TOR)이 필수적이다. 이 연구의 목적은 인간-자동차 인터랙션 방식 중 HDD(Head-Down Display)보다 HUD(Head-Up Display)가 제어권 전환 요청 시 사용자 경험 인식에서 더 유리한지 비교하는 것이다. 운전 시뮬레이터 실험을 통해 참가자가 자율주행 상황에서 부가적 과업인 게임을 하다가 제어권 전환 요청을 인지하면 직접 운전을 수행하도록 하였다. 실험 결과, 반응시간과 주관적 작업 부하에서는 차이가 없었으나, '사용 용이성'과 '만족도'에서 HUD 방식이 HDD보다 더 우수한 것으로 나타났다. 자율 주행시 HUD를 통해 부가적 과업을 하도록 디자인하는 것이 제어권 전환 요청 기능의 사용자 경험을 개선하는 효과가 있었다. 이 연구는 자율주행 맥락에서의 사용자 경험 디자인 가이드라인 설정을 위한 실증 사례를 제시했다는 점에서 의의가 있다.

• 한국자동차공학회논문집
• /
• 제8권4호
• /
• pp.121-129
• /
• 2000

this paper develops a computational model for the turning maneuver analysis of a cabover type heavy truck. The model having 42 degree-of-freedom is developed using ADAMS. Leaf springs used in the front and rear suspension systems are modeled by dividing it three links and joining them with joints. Force and displacement relationship showing nonlinear hysteric characteristics of the leaf spring is measured and modeled with an exponential function. A velocity and force relationship of a shock absorber is measured and modeled with a spline function. And a stabilizer bar is modeled using ADAMS beam element to consider a twisting and bending effect. To verify the developed model an actual vehicle test is performed in the double lane change course with 50kph and 60kph vehicle velocity. In the actual vehicle test lateral acceleration roll angle and yaw rate are measured, The tendency and peak-to-peak values of the actual vehicle test and simultion results are compared each other.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2023년도 학술발표회
• /
• pp.229-229
• /
• 2023

강화학습은 에이전트(agent)가 주어진 환경(environment)과의 상호작용을 통해서 상태(state)를 변화시켜가며 최대의 보상(reward)을 얻을 수 있도록 최적의 행동(action)을 학습하는 기계학습법을 의미한다. 최근 알파고와 같은 게임뿐만 아니라 자율주행 자동차, 로봇 제어 등 다양한 분야에서 널리 사용되고 있다. 상수도관망 분야의 경우에도 펌프 운영, 밸브 운영, 센서 최적 위치 선정 등 여러 문제에 적용되었으나, 설계에 강화학습을 적용한 연구는 없었다. 설계의 경우, 관망의 크기가 커짐에 따라 알고리즘의 탐색 공간의 크기가 증가하여 기존의 최적화 알고리즘을 이용하는 것에는 한계가 존재한다. 따라서 본 연구는 강화학습을 이용하여 상수도관망의 구성요소와 환경요인 간의 복잡한 상호작용을 고려하는 설계 방법론을 제안한다. 모델의 에이전트를 딥 강화학습(Deep Reinforcement Learning)으로 구성하여, 상태 및 행동 공간이 커 발생하는 고차원성 문제를 해결하였다. 또한, 해당 모델의 상태 및 보상으로 절점에서의 압력 및 수요량과 설계비용을 고려하여 적절한 수량과 수압의 용수 공급이 가능한 경제적인 관망을 설계하도록 하였다. 모델의 행동은 실제로 공학자가 설계하듯이 절점마다 하나씩 차례대로 다른 절점과의 연결 여부를 결정하는 것으로, 이를 통해 관망의 레이아웃(layout)과 관경을 결정한다. 본 연구에서 제안한 방법론을 규모가 큰 그리드 네트워크에 적용하여 모델을 검증하였으며, 고려해야 할 변수의 개수가 많음에도 불구하고 목적에 부합하는 관망을 설계할 수 있었다. 모델 학습과정 동안 에피소드의 평균 길이와 보상의 크기 등의 변화를 비교하여, 제안한 모델의 학습 능력을 평가 및 보완하였다. 향후 강화학습 모델을 통해 신뢰성(reliability) 또는 탄력성(resilience)과 같은 시스템의 성능까지 고려한 설계가 가능할 것으로 기대한다.

• 청정기술
• /
• 제28권3호
• /
• pp.227-231
• /
• 2022

고전압 전력반도체의 수요는 산업의 전반에 걸쳐 증가하고 있는 추세이며, 특히 자율주행이나 전기자동차와 같은 교통 수단에 이용되는 경우 전동차의 동력 추진 제어 장치에 3.3 kV 이상의 IGBT 모듈 부품이 사용되고 있으며, 전동차의 신설과 유지 관리에 따른 부품의 조달이 매년 증가하고 있다. 게다가 기술 진입 장벽이 매우 높은 기술로서 해당 산업계에서는 고전압 IGBT부품의 최적화 연구가 절실히 요구되고 있다. 3.3 kV 이상 고전압 IGBT 소자 개발을 위해 웨이퍼의 비저항 범위 설정과 주요 단위 공정의 최적 조건이 중요한 변수이며, 높은 항복 전압을 위한 핵심 기술로 junction depth의 확보가 무엇보다 중요하다. 최적의 junction depth를 확보하기 위한 제조 공정 중에서 단위 공정 중 한 단계인 확산 공정의 최적화를 살펴보았다. 확산 공정에서는 주입되는 가스의 종류와 시간 그리고 온도가 주요 변수이다. 본 연구에서는 단위 공정의 시뮬레이션을 통하여 고전압 IGBT 소자 개발을 위한 웨이퍼 저항의 (Ω cm) 범위를 설정하고, 확산 공정의 온도에 따른 확산 공정의 WDR(Well drive in) 조건 최적화에 대하여 연구한 결과 링 패턴의 width 23.5 ~ 25.87 ㎛에 대하여 junction depth는 7.4 ~ 7.5 ㎛를 얻어 3.3 kV 고전압 전력반도체 지지에 최적화할 수 있었다.