• 전자통신동향분석
• /
• 제35권7호
• /
• pp.36-45
• /
• 2020

The method and process of research and development (R&D) is changing when we develop artificial intelligence (AI), and the way R&D results are dispersed is also changing. For the R&D process, using and participating in open-source ecosystems has become more important, so we need to be prepared for open source. For product and service development, a combination of AI algorithm, data, and computing power is needed. In this paper, we introduce ETRI AI Strategy #4, "Expanding AI Open Platform." It consists of two key tasks: one to build an AI open source platform (OSP) to create a cooperative AI R&D ecosystem, and another to systematize the "x+AI" open platform (XOP) to disperse AI technologies into the ecosystem.

• 한국정보과학회논문지:시스템및이론
• /
• 제37권2호
• /
• pp.66-75
• /
• 2010

본 논문에서는 GPU(graphics processing unit)를 이용하여 오목의 인공지능 알고리즘 연산을 고속으로 수행하기 위한 효율적인 알고리즘 설계와 구현 방법을 제안한다. 본 논문에서 제안하는 게임 인공지능은 최소-최대 게임 트리(min-max game tree)와 유전 알고리즘(genetic algorithm)의 협업적 구조로 설계된다. 게임 트리와 유전 알고리즘의 평가함수(evaluation function) 부분은 많은 계산 량을 소모하지만 해 공간(solution space)의 수많은 후보 벡터에 대해 독립적으로 수행되기 때문에 본 논문에서는 이를 GPU 상에서의 대량 병렬처리를 통해 수행한다. NVIDIA CUDA(compute unified device architecture)환경에서의 실제 구현을 통해 CPU에서의 처리에 비해 게임 트리는 400배 이상의 수행 속도의 향상을, 유전 알고리즘은 300배 이상의 수행 속도의 향상을 각각 보였다. 본 논문에서는 스레드(thread)의 넘침(overflow)을 피하고 보다 효과적인 해 공간 탐색을 위해, 게임 트리를 이용하여 근방의 몇 단계까지 전역 탐색(full search)을 수행한 후 이후 단계는 유전 알고리즘을 이용하여 선별 탐색을 수행하는 협업적 인공지능을 제안한다. 다양한 실험 결과를 통해 제안하는 알고리즘은 게임의 인공지능을 향상시키고 게임의 규칙으로부터 주어진 시간 내에 문제를 해결할 수 있음을 보인다.

• 한국게임학회 논문지
• /
• 제20권1호
• /
• pp.57-66
• /
• 2020

연구는 MOBA 게임에서 선호도가 낮은 Supporter를 대체하는 인공지능을 강화학습을 이용한 구현을 목표하였다. ML_Agent를 이용해 게임의 규칙, 환경, 관측 정보, 보상 처벌을 구성하였다. DPS 에이전트로 구성된 그룹과, Support 에이전트가 있는 그룹으로 나누어 강화학습을 진행하였다. 결과 데이터인 누적 보상 값, 사망 횟수 바탕으로 결론을 도출하였다. 협력 플레이 그룹이 비교 그룹보다 평균 누적 보상 값이 3.3 더 높게 측정되었으며 사망 횟수 총합 평균은 3.15 낮게 되었다. 이를 바탕으로 죽음을 최소화하고 보상을 최대화하는 협력 플레이를 수행하는 강화학습을 확인할 수 있었다.

• 중환자간호학회지
• /
• 제12권3호
• /
• pp.13-23
• /
• 2019

Purpose : The purpose of this study was to determine whether appreciative inquiry (AI) is an effective intervention for increasing the positive psychological capital and organizational commitment of new nurses. Method : The study used a nonequivalent control group pretest-posttest design. The participants were 60 new nurses in a tertiary hospital in Seoul. The experimental group received 2 classes of AI education and in-unit AI activities. The control group received the existing education program. Results : There was no statistically significant difference in the positive psychological capital and organizational commitment between the experimental group and the control group over time. Satisfaction with the AI education scored 3.69, which was higher than the average. The reason why the experimental group members were satisfied with the program was that AI education helped them to adapt and the in-unit AI activities made staff more cooperative and the atmosphere of the unit more positive. Conclusion : When applying AI activities to new nurses to promote positive psychological capital and organizational commitment, it is necessary to provide a workshop in which the participants can fully concentrate on education and to extend the period of use to one year in order to maintain the effect of AI activities.

• 한국군사과학기술학회지
• /
• 제27권4호
• /
• pp.474-484
• /
• 2024

Reinforcement learning, which are also studied in the field of defense, face the problem of sample efficiency, which requires a large amount of data to train. Transfer learning has been introduced to address this problem, but its effectiveness is sometimes marginal because the model does not effectively leverage prior knowledge. In this study, we propose a stochastic initial state randomization(SISR) method to enable robust knowledge transfer that promote generalized and sufficient knowledge transfer. We developed a simulation environment involving a cooperative robot transportation task. Experimental results show that successful tasks are achieved when SISR is applied, while tasks fail when SISR is not applied. We also analyzed how the amount of state information collected by the agents changes with the application of SISR.

• 한국게임학회 논문지
• /
• 제15권5호
• /
• pp.89-98
• /
• 2015

NPC, 특히 적 캐릭터들의 인공지능은 게임의 설계 단계에 있어 난이도를 조절하기 위해 핵심적인 요소이다. 지능적인 적들은 게임을 보다 도전적으로 만들 뿐 아니라, 동일한 게임 환경에서도 유저들에게 다양한 경험을 제공할 수 있다. 오늘날 대부분의 게임 유저들은 다수의 적들과 상호작용을 하기 때문에, 적 캐릭터들의 협업을 제어하는 것은 이전 어느 때보다 그 중요성이 크다고 할 수 있다. 본 연구는 팩맨 게임의 적 인공지능에 구현될 수 있는 A* 알고리즘 기반의 협력전술을 제안한다. 17명의 피실험자로부터 얻은 설문 결과는 제안된 협력전술을 따르는 적으로 구성된 레벨이, 기존 팩맨게임에서의 적들 또는 비협력적인 적들로 구성된 레벨들보다 더 어렵고 흥미로웠음을 보여준다.

• 한국산학기술학회논문지
• /
• 제19권4호
• /
• pp.154-160
• /
• 2018

본 논문은 공과대학에서 인공지능 교과목에 문제중심학습(PBL : Problem-Based Learning) 활용을 위하여 PBL 문제를 개발하여 수업에 적용하고 PBL 효과를 확인하는데 목적을 두었다. 현대 산업사회에서는 협동 학습 능력, 자율적인 학습능력, 통합지식 활용 능력, 창의 문제해결 능력을 갖춘 인재를 필요로 하고 있다. 대학은 사회에서 요구하는 인재를 양성하기 위해 학습자들에게 문제해결능력 향상과 협동학습의 기회를 제공해 주어야 한다. PBL 활동은 이러한 실천을 위한 적합한 학습방법이다. 연구대상은 '인공지능'교과목을 수강한 H대학 2학년 학생 37명이었으며, PBL수업은 15주에 5개의 PBL문제를 적용하였다. 학생들은 주어진 문제의 PBL 활동이 끝날 때마다 성찰일지를 작성하여 제출하였으며, 5번째 PBL문제의 활동이 끝난 후에 강의 평가지를 작성하였다. 연구 결과는 학습내용에 대한 이해(86.48%), 협동학습에 대한 이해(94.59%), 실제적 경험(75.67%), 문제해결력(89.18%), 프리젠테이션 스킬(97.29%), 창의성 향상(81.08%), 지식획득 능력(86.48%), 의사소통 능력 향상(97.29%), 통합지식 활용 능력(78.37%), 자기주도적 학습 능력(86.48%), 자신감(97.29%)과 같은 다양한 PBL의 효과를 경험한 것으로 나타났다. 학생들은 이 PBL 학습 활동은 현대 산업사회에서 요구하는 미래의 유능한 엔지니어로서의 전문성을 기를 수 있는 중요한 방법이라고 인식하였다.

• 로봇학회논문지
• /
• 제15권4호
• /
• pp.404-412
• /
• 2020

Typically everyday human life tasks involve at least two people moving objects such as tables and beds, and the balancing of such object changes based on one person's action. However, many studies in previous work performed their tasks solely on robots without factoring human cooperation. Therefore, in this paper, we propose cooperative robot for table balancing using Q-learning that enables cooperative work between human and robot. The human's action is recognized in order to balance the table by the proposed robot whose camera takes the image of the table's state, and it performs the table-balancing action according to the recognized human action without high performance equipment. The classification of human action uses a deep learning technology, specifically AlexNet, and has an accuracy of 96.9% over 10-fold cross-validation. The experiment of Q-learning was carried out over 2,000 episodes with 200 trials. The overall results of the proposed Q-learning show that the Q function stably converged at this number of episodes. This stable convergence determined Q-learning policies for the robot actions. Video of the robotic cooperation with human over the table balancing task using the proposed Q-Learning can be found at http://ibot.knu.ac.kr/videocooperation.html.

• 로봇학회논문지
• /
• 제17권3호
• /
• pp.264-272
• /
• 2022

Human-robot cooperative tasks are increasingly required in our daily life with the development of robotics and artificial intelligence technology. Interactive reinforcement learning strategies suggest that robots learn task by receiving feedback from an experienced human trainer during a training process. However, most of the previous studies on Interactive reinforcement learning have required an extra feedback input device such as a mouse or keyboard in addition to robot itself, and the scenario where a robot can interactively learn a task with human have been also limited to virtual environment. To solve these limitations, this paper studies training strategies of robot that learn table balancing tasks interactively using deep reinforcement learning with human's facial expression feedback. In the proposed system, the robot learns a cooperative table balancing task using Deep Q-Network (DQN), which is a deep reinforcement learning technique, with human facial emotion expression feedback. As a result of the experiment, the proposed system achieved a high optimal policy convergence rate of up to 83.3% in training and successful assumption rate of up to 91.6% in testing, showing improved performance compared to the model without human facial expression feedback.

• 로봇학회논문지
• /
• 제16권3호
• /
• pp.270-275
• /
• 2021

Most of the initial forms of cooperative robots were intended to repeat simple tasks in a given space. So, they showed no significant difference from industrial robots. However, research for improving worker's productivity and supplementing human's limited working hours is expanding. Also, there have been active attempts to use it as a service robot by applying AI technology. In line with these social changes, we produced a mobile manipulator that can improve the worker's efficiency and completely replace one person. First, we combined cooperative robot with mobile robot. Second, we applied speech recognition technology and deep learning based object detection. Finally, we integrated all the systems by ROS (robot operating system). This system can communicate with workers by voice and drive autonomously and perform the Pick & Place task.