• Journal of Korea Multimedia Society
• /
• v.15 no.1
• /
• pp.51-62
• /
• 2012

In this paper, we propose a self instrument learning tool using a PC-based software and an external electronic keyboard instrument with USB interface to help primary school students to learn playing piano more easily and effectively. The PC-based learning software and the external electronic keyboard instrument interact through the USB interface. This tool has a help window to provide information how to play and support interesting game mode for exercise. The external electronic keyboard instrument receives a selective information through the USB interface and display it on LEDs and 7-segment for novices to easily know the relation between the notes and the positions in the keyboard. The external keyboard instrument can detect false inputs, display them on LEDs and on the information window. We implemented a self instrument learning system and our feasibility tests showed its validity of the self learning tool to improve the learning efficiency.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.428-429
• /
• 2022

최근에 자율 주행 자동차에 관련한 관심이 증가하면서 다양한 연구들이 도출되고 있다. 특히, 자율 주행 자동차를 시뮬레이터에서 검증하는 방법은 실 환경과 비교할 때 상대적으로 안전한 성능 검증 방법으로 많이 활용되고 있다. 시뮬레이터의 핵심 기술은 실 환경과 가상 시뮬레이션 환경의 차이를 줄이는 데 있다. 본 논문에서는 Generative Adversarial Imitation Learning(GAIL)[1] 기반으로 자율 주행 자동차 시뮬레이터 내에서 다수의 가상 동적 객체들의 움직임을 제어하는 방법을 제안한다. GAIL은 생성기와 판별기로 구성된다. 생성기는 강화학습 정책 생성기와 전문가 정책 생성기를 포함한다. 판별기는 보상 학습기를 포함한다. GAIL 기반으로 가상 자동차 및 가상 보행자를 제어함으로써 동영상에서의 이동경로를 학습해서 표현할 수 있다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.1318-1321
• /
• 2022

본 논문에서는 단일 깊이 센서를 사용하는 자율주행 시나리오에서 거리 계산에 주로 이용되는 깊이 데이터만 이용하는 객체 감지 기술을 제안한다. 우선, 해당 시나리오에서 객체 감지 학습 데이터는 깊이 데이터가 사용되지만 상대적으로 객체 감지 성능을 비교하기 위해 동일한 시간의 색상, 깊이 데이터를 함께 획득하여 학습에 이용한다. 학습모델은 객체 감지 분야에서 최근 주목 받고 있는 YOLOv5로 선정하여 색상, 깊이 데이터의 객체 감지 학습의 결과를 각각 확인하였다. 결과적으로 색상과 깊이 데이터 사이에서 객체 감지 학습 결과의 차이를 확인하며 본 논문에서 제안하는 자율주행 시나리오에 깊이 영상만 이용하는 객체 감지 기술의 문제점과 향후 자율주행 기술 발전에 기여 가능성을 확인할 수 있다.

• Proceedings of the KIEE Conference
• /
• 2008.04a
• /
• pp.255-256
• /
• 2008

미래의 로봇 산업은 기존 자동화 산업 뿐만 아니라 안내, 보안 등의 가정, 공공기관 또는 우주, 심해 등에서 인간을 대신할 대안으로 활용되어질 전망이다. 이는 기존의 단순반복에서 벗어나 자율이동, 자기학습 등이 가능하도록 개발되어야 한다. 본 논문에서는 로봇을 공공기관에서의 안내, 보안 또는 위험현장, 군사용으로 적용하기 위해 필요한 기술인 자율이동시스템을 개발하였다. 로봇이 자율이동하기 위해서는 자기위치추적, 장애물 탐지 및 회피 기술이 필요하다. 이를 위해 초음파센서를 이용해 로봇을 탐지 시스템을 구성하였으며 LM신경회로망 제어기를 사용하여 로봇의 이동을 제어하였다. 또한 시뮬레이션을 통해 장애물 회피능력과 이동성능 결과를 검증하였다.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.21 no.5
• /
• pp.274-286
• /
• 2022

Multi-object tracking has been studied for a long time under computer vision and plays a critical role in applications such as autonomous driving and driving assistance. Multi-object tracking techniques generally consist of a detector that detects objects and a tracker that tracks the detected objects. Various publicly available datasets allow us to train a detector model without much effort. However, there are relatively few publicly available datasets for training a tracker model, and configuring own tracker datasets takes a long time compared to configuring detector datasets. Hence, the detector is often developed separately with a tracker module. However, the separated tracker should be adjusted whenever the former detector model is changed. This study proposes a system that can train a model that performs detection and tracking simultaneously using only the detector training datasets. In particular, a Siam network with augmentation is used to compose the detector and tracker. Experiments are conducted on public datasets to verify that the proposed algorithm can formulate a real-time multi-object tracker comparable to the state-of-the-art tracker models.

• 전기의세계
• /
• v.46 no.3
• /
• pp.20-25
• /
• 1997

자율주행시스템은 복잡한 환경에서 효과적인 주행을 위해서 센서를 통해 주변의 정보를 수집하고 주변환경에 적절한 동작을 취해야 한다. 이러한 자율주행시스템에 지능적인 방법을 통하여 새롭게 제안한 방법을 서술하였다. 퍼지 논리를 이용하여 운전자와 같이 차량이 차선을 따라 주행하기 위한 퍼지 논리 제어기(FLC)가 설계되었다. 함축적인 차량모델을 기반으로 설계한 퍼지 논리 제어기가 복잡하고 정확한 차량모델을 기반으로 설계된 PID나 FSLQ 제어기와 동등한 성능을 발휘하였다. 인간의 운전방법을 학습할 수 있는 신경회로망을 이용하여 자율주행시스템에 적용하였다. 퍼지 신경회로망은 인간의 제어특성을 반영하도록 설계되었으며 자동으로 생성된 제어기는 퍼지 논리 제어나 신경회로망의 기법보다 우수한 성능을 발휘하였다. 퍼지 논리, 신경회로망, 유전자 알고리즘 등의 인간의 지능 모델에 기초를 둔 방법을 자율주행차량의 제어에 도입하므로써 기존의 자율주행시스템의 문제점을 극복하는데 주요한 역할을 하였다. 앞으로 퍼지 논리, 신경회로망, 유전자 알고리즘은 각각의 강점을 융합하거나, 고전적인 제어 알고리즘과 결합하므로써 더욱 우수한 성능을 발휘할 것으로 예상된다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.04b
• /
• pp.259-261
• /
• 2000

주어진 환경에 대한 특별한 사전 지식 없이 그 환경에 적응할 수 있는 자율이동로봇을 설계할 때는 우선 특정한 상황에서만 유효한 가정들을 될 수 있는 대로 배제하여야 한다. 본 논문에서는 이러한 적응 능력을 갖춘 자율이동로봇을 설계하기 위한 일환으로 유전자 프로그램을 이용하여 로봇의 제어기를 표현하고, 이를 진화하여 로봇이 현재 자신의 주변에서 얻을 수 있는 정보에만 기초하여 목표물을 찾아가는 행동 규칙을 학습하도록 하였다. 로봇은 현재 자신이 놓여있는 환경에 대한 지도를 작성하지 않은 채 현재 자신의 주변에서 얻을 수 있는 지역적인 정보만으로 특정 목표물을 찾아가도록 학습된다. 로봇은 먼저 단층 퍼셉트론을 사용하여 주어진 공간내의 장애물과 목표물을 인지하도록 학습된다. 그 이후 학습된 퍼셉트론을 유전자 프로그램의 함수 노드로 사용하여 트리를 진화시켰다. Khepera 시뮬레이터를 이용한 실험 결과, 로봇은 제한된 지역 정보만을 사용하여 목표물을 찾아가는 행동 규칙을 매우 안정적으로 학습할 수 있었다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2023.11a
• /
• pp.232-235
• /
• 2023

This study suggests how to build a training environment for the application of reinforcement learning techniques to USV, and Ihow to apply the training result to a real USV. The purpose of RL is to move USV from departure point to destination point autonomously using rudder.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.165-166
• /
• 2022

최근 전세계적으로 자율운항선박(Maritime Autonomous Surface Ship, 이하 MASS)의 기술 개발 및 시험 항해가 본격적으로 추진되고 있다. 하지만 MASS의 출현과 별개로 운항 방식, 제어 방식, 관제 방식 등 명확한 지침은 부재한 상태이다. 육상에서는 머신 러닝을 통하여 자율주행차에 대한 다양한 제어 방식을 연구하고 있으며, 이에 따라서 MASS도 제어 또는 통항 방식에 대한 기초 틀을 마련할 필요성이 있다. 하지만 육상과 달리 해상은 기상, 조종성능, 수심, 장애물 등 다양한 변수들이 존재하고 있어 접근 방식이 복잡하여, 머신 러닝을 적용할 때 환경에 대한 요소를 적절하게 설정해야 한다. 따라서 본 연구는 멀티 에이전트 강화학습을 통하여 MASS의 자율적인 통항 방식을 제안하기 위하여 강화학습의 해상교통환경 설정을 위한 요소를 도출하고자 하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.05a
• /
• pp.28-31
• /
• 2002

본 논문에서는 자율 이동 로봇의 학습을 위해 신경망과 진화 알고리즘을 이용한 방법을 제안한다. 이것은 자연계의 생물이 진화와 학습을 통해 환경에 적응해 나가는 방식과 유사하다. 또한 본 논문에서는 행동기반 제어 방법인 포섭구조를 이용해 로봇의 행동을 제어하는 방법을 제안한다 포섭 구조는 행동 규칙을 병렬적으로 모듈화 하여 낮은 레벨에서는 기본적인 행동을 담당하고, 높은 레벨에서는 좀 더 복잡한 행동을 담당하는 구조로 되어있다 따라서 각 행동 레벨이 협조를 함으로써 복잡한 임무를 수행할 수 있다. 포섭 구조에서 각 레벨의 제어기는 신경 망으로 구성하며 각 행동 레벨이 서로 영향을 주고받으며 진화함으로써 주어진 임무를 달성하도록 한다. 제안된 방법은 자율 이동 로봇인 Khepera 로봇을 이용해 실제 환경에서 구현함으로서 그 유효성을 입증한다.