이 논문은 불확실성과 교란 하에서 영구자석 동기전동기(PMSM)의 속도 추종 제어 성능을 향상시키기 위해 고정시간 슬라이딩 모드 제어(FxTSMC)와 신경망을 기반으로 한 견고한 제어기를 제안한다. 첫째, 기존 방법들에 비해 더 빠른 고정시간 수렴률을 제공하는 새로운 도달 법칙(reaching law)을 도입한다. 둘째, 파라미터 불확실성과 미지의 교란이 미치는 영향을 다루기 위해, 고정시간 상태 관측기(Fixed-time state observer) 기반의 적응 학습률 신경망(NN)(ALRNN-FxTSO)을 설계하여 이러한 불리한 요인을 정확히 추정하고 보상한다. 이를 통해 추정 오차가 고정된 시간 내에 작게 미리 정의된 영역으로 수렴하며, 초기 상태에 무관하게 된다. 또한, 집합 교란(lumped disturbance)에 대한 사전 지식은 필요하지 않다. 상태 추정 오차를 이용하여 시스템 동역학에 따라 NN의 학습률과 가중치를 갱신할 수 있으며, 그 결과 ALRNN-FxTSO의 능력이 향상된다. 제안된 FxTSMC와 ALRNN-FxTSO를 바탕으로, 추종 성능이 고정된 시간 내에 원점의 작은 근방(small neighborhood)으로 수렴하도록 보장하는 견고한 제어기가 개발된다. 도달 시간은 초기 상태에 의존하지 않는다. 고정시간 수렴에 대한 리아푸노프(Lyapunov) 해석을 통해 시스템 안정성을 이론적으로 증명한다. 마지막으로, 제안 방법의 실용적 유효성을 입증하기 위해 PMSM 시스템에서 시뮬레이션과 실험을 수행한다.

시스템의 고장 상태를 정확히 추정하고 잔여유효수명(remaining useful life, RUL)을 예측하는 것은 효과적인 예지정비를 위해 중요하며, 입자 필터(particle filter, PF) 방법은 비선형 시스템의 고장 상태 추정에 널리 적용되어 왔다. 그러나 PF 방법은 입자 붕괴(particle degeneracy)와 사후확률밀도함수(PDF)에서의 다중해(multiple solutions)와 같은 한계로 인해 성능 저하가 발생한다. 이러한 한계를 해결하기 위해 본 논문에서는 견고한 고장 상태 추정과 신뢰할 수 있는 RUL 예측을 위한 Enhancing Particle Filter(EPF) 알고리즘을 제안하며, 이는 가우시안 변이(Gaussian Mutation, GM)와 잡음이 포함된 응용 분야의 밀도 기반 공간 군집화(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)를 통합한다. 구체적으로 GM 방법은 저가중치 입자를 적응적으로 높은 가능도(likelihood) 영역으로 조정하여 붕괴를 완화하고 충분한 입자 다양성을 보장한다. 한편 DBSCAN 군집화는 상태 예측 결과에 대한 부분해(sub-solutions)의 영향을 분리하여 추정된 최종 시점의 정확도를 향상시킨다. EPF 개선을 바탕으로, EPF와 장단기 기억(long short-term memory, LSTM) 모델을 결합한 새로운 프레임워크를 제안하였다. EPF의 고장 상태 추정 능력과 LSTM의 학습 역량을 결합함으로써, 본 방법은 신뢰할 수 있는 장기 예측을 위한 데이터 기반 절차를 제공한다. 잘 알려진 비선형 벤치마크 시스템, 실제 리튬 이온 배터리, 베어링 데이터셋에 대한 실험 결과는 EPF+LSTM이 다른 방법들에 비해 RUL을 효과적으로 추적하고 예측할 수 있음을 보여준다.

교통 흐름 추정은 현대 지능형 교통시스템에서 필수적인 과제이다. 차량 유형, 차량 총량, 이동 방향을 포함한 여러 유형의 정보는 교통 관련 작업을 완화하고 효과적인 교통 제어 전략을 수립하는 데 중요하다. 임베디드 장치의 발전으로, 시스템은 데이터를 중앙 집중형 처리 서버로 전송하는 대신 엣지에서 캡처된 비디오를 처리할 수 있다. 본 논문은 실시간 엣지 기반 교통 흐름 추정 시스템을 제안한다. 제안된 시스템은 경량 딥러닝 모델이 차량 검출을 수행하는 detect-and-track 메커니즘을 따른다. 다중 클래스 및 다중 이동에 대한 차량 수를 제공하기 위해 새로운 시나리오 기반 추적 및 카운팅 기법을 개발하였다. 이 방법은 처음 검출된 각 차량에 대해 사전에 정의된 영역을 사용하여 이동을 할당한다. 이후 비디오 전체에 걸쳐 차량 궤적과 이동 경로 간의 공간-시간 궤적 매칭을 수행한다. 광범위한 실험 결과, 제안된 방법은 다양한 카메라 유형과 시점에서 높은 효과를 달성함이 입증되었다.

빠른 동특성 응답과 제약을 처리할 수 있다는 점 때문에, 모델 예측 제어(model predictive control, MPC)는 영구자석 동기전동기(permanent magnet synchronous motor)에 대해 새롭고 널리 적용되는 접근법으로 자리 잡고 있다. 그러나 기존의 MPC는 모델 매개변수 불일치로 인해 제어 성능이 크게 영향을 받는다. 또한 높은 계산량 역시 MPC의 제한 요인이다. 본 논문 ${}^{\prime }$ 의 주요 목적은 고도화된 제어 구조를 제안함으로써 이러한 문제들을 해결하는 데 있다. 먼저, 이산시간 기계적 매개변수 관측기를 통해 매개변수 불일치를 온라인으로 추정한 다음, 매개변수 불일치의 영향을 억제하기 위해 강건 적응 모델 예측 속도 제어(robust adaptive model predictive speed control, RA-MPSC)를 설계한다. 둘째, 순환 신경망(recurrent neural network) 기반 알고리즘을 도입하여 실시간 최적화 문제를 풀어 RA-MPSC 제어 법칙을 계산한다. 마지막으로, 제안된 방법의 성능을 검증하기 위해 시뮬레이션 및 실험 결과를 제시한다.

본 논문에서는 교통 환경에서 차량 후미등을 고정확도·고속으로 검출하기 위한 딥러닝 모델을 제시한다. 본 모델은 차선 검출기, 차량 검출기, 후미등 검출기라는 세 가지 주요 모듈로 구성된다. 이전에 제안된 대부분의 알고리즘이 수작업으로 설계된 기법을 사용하는 것과 달리, 우리는 데이터 기반 접근법을 채택하였다. 이러한 데이터 기반 방식은 차량 및 후미등 검출 모듈 모두에 적용되었다. 먼저, 정교하게 설계된 차선 검출 모듈을 사용한 후, 차량 경계 검출을 위해 Recurrent Rolling Convolution (RRC) 아키텍처와 추적 메커니즘을 적용하였다. 이어서, 동일한 RRC 아키텍처를 사용하여 검출된 차량의 후미등 영역을 추출하였다. 차선 검출 및 차량 검출 모듈은 최종 후미등 검출의 속도와 검출률을 모두 향상시킨다. 본 모델의 견고성은 Sungkyunkwan University (SKKU)의 데이터셋과 Karlsruhe Institute of Technology 및 Toyota Technological Institute (KITTI)의 데이터셋을 사용하여 검증하였다. 본 모델은 악조건에서도 잘 동작한다. SKKU 데이터셋을 이용한 테스트에서 최대 99%에 이르는 검출률을 달성하였다. KITTI 2D Object 데이터셋을 사용할 경우 후미등 검출률은 86%이다. 또한 KITTI Tracking 데이터셋의 특정 소규모 부분집합에서는 후미등 검출률 100%를 달성하였다.

본 논문은 자율주행에서의 두 가지 제어 접근법—전통적인 규칙 기반 시스템과 ResNet-18 기반 엔드투엔드 딥러닝 모델—을 데이터 기반으로 비교하는 연구를 제시한다. 규칙 기반 시스템은 YOLOv8 분할을 활용하여 차선 표식을 검출하고, 수작업으로 설계한 제어 규칙을 통해 조향 및 속도 명령을 생성한다. 주행 데이터(카메라 영상, 조향 각, 모터 속도 명령)는 다양한 주행 조건에서 이 시스템으로부터 실시간으로 수집하였다. 본 데이터셋을 사용하여, 시각 입력으로부터 조향과 속도를 직접 예측하는 ResNet-18 회귀 모델을 학습하였다. 엔드투엔드 모델은 시뮬레이션 환경과 실제 환경 모두에서 평가되었다. 결과는 해당 모델이 규칙 기반 거동을 효과적으로 재현하며, 조향 예측에서 높은 정확도를 보이고 속도 제어에서도 허용 가능한 성능을 나타냄을 보여준다. 그러나 추가 미세조정이 없는 경우, 특히 이상적인 경로에서 벗어나는 상황에서 실제 환경에서의 불안정성이 관찰되었다. 복구 데이터로 미세조정을 수행하면 성능이 크게 향상되어, 모델이 추론한 명령을 사용하면서도 안정적인 차선 유지 거동을 가능하게 하였다. 이러한 결과는 엔드투엔드 학습에서의 데이터 다양성과 품질의 중요성을 강조하며, 딥러닝 모델이 적절히 학습될 경우 규칙 기반 시스템에 필적하는 제어 성능을 달성할 수 있음을 보여준다.

본 연구는 졸음운전 감지 및 차선 이탈 경고 시스템의 도입을 제안한다. 시스템의 주요 구성 요소는 카메라, PC, Arduino, 부저, LED이다. 카메라를 통해 운전자와 도로의 실시간 데이터를 수집한다. 차선 이탈은 후처리 기법과 결합한 YOLOPv2 딥러닝 모델을 사용하여 판정하며, 운전자 졸음은 Dlib 기반 얼굴 랜드마크 검출과 Eye Aspect Ratio (EAR) 방법을 함께 활용하여 평가한다. 두 검출 모듈의 결과는 주 처리 장치를 통해 통합되며, 운전자의 졸음 상태와 차선 이탈 여부를 종합적으로 평가한다. 위험이 식별되면 Arduino가 부저와 LED를 작동시켜 운전자에게 즉각적인 경고를 제공한다. 이 시스템은 실시간으로 동작(≈60 FPS)하며, 졸음 및 의도치 않은 차선 이탈과 관련된 위험을 완화함으로써 주행 안전을 향상시키도록 설계되었다.

본 연구에서는 시스템 파라미터 변화 및 외부 부하 토크와 같은 미지의 교란이 존재하는 상황에서 영구자석 동기모터의 효율적인 속도 제어를 위해 적응형 2차 교란 관측기(ASDO)와 결합된 수정된 모델 예측 제어(MMPC) 접근법을 제안한다. MMPC는 전진 기준 보상(FFRC)과 사후 제약 보상(PCC) 기법을 포함한다. 모터가 비정속 속도 프로파일에서 동작할 때, FFRC 기법은 기존 MPC 방법에서 수반되는 추종 지연을 감소시킨다. 또한 PCC 기법은 단계 속도 프로파일에서의 제어 신호 제약을 다루면서, 매 시간 단계마다 복잡한 최적화 문제의 해를 구할 필요가 없으므로 제어기의 계산 부담을 줄인다. 더 나아가 ASDO는 2차 교란 관측기를 활용하여 MMPC의 강인성을 향상시킨다. 무작위 잡음과 전류 리플을 최소화하기 위한 적응적 관측기 대역폭 알고리즘을 제안한다. 제안된 방법들의 성능은 산업용 모터 구동기에 적용하여 평가하였으며, 실제 운전 환경에서의 타당성과 실용성을 확인하였다.

본 연구는 실험적 검증보다는 아키텍처 설계에 초점을 둔, ROS2 기반의 확장 가능한 다중 카메라 추적 시스템을 위한 구조화된 프레임워크를 제시한다. 제안된 시스템은 ROS2의 모듈형 구조를 활용하여 서로 다른 카메라와 객체를 손쉽게 통합하도록 설계되었으며, 복잡한 환경에서도 신뢰할 수 있는 추적 성능을 유지할 수 있다. 특히, 전역 좌표계 변환과 헝가리안 알고리즘(Hungarian algorithm)에 기반한 신원 매칭 방식을 채택하여 시야(FoV)가 중첩되는 상황과 객체 수가 증가하는 경우에도 객체 간 신원(identities)의 일관성을 효과적으로 유지한다. 이러한 접근법은 교통 모니터링과 자율주행을 포함한 다양한 다중 카메라 기반 응용에 대해 효율적이고 확장 가능한 해결책임을 보여준다.

이 논문은 불확실성과 교란 하에서 영구자석 동기전동기(PMSM)의 속도 추종 제어 성능을 향상시키기 위해 고정시간 슬라이딩 모드 제어(FxTSMC)와 신경망을 기반으로 한 견고한 제어기를 제안한다. 첫째, 기존 방법들에 비해 더 빠른 고정시간 수렴률을 제공하는 새로운 도달 법칙(reaching law)을 도입한다. 둘째, 파라미터 불확실성과 미지의 교란이 미치는 영향을 다루기 위해, 고정시간 상태 관측기(Fixed-time state observer) 기반의 적응 학습률 신경망(NN)(ALRNN-FxTSO)을 설계하여 이러한 불리한 요인을 정확히 추정하고 보상한다. 이를 통해 추정 오차가 고정된 시간 내에 작게 미리 정의된 영역으로 수렴하며, 초기 상태에 무관하게 된다. 또한, 집합 교란(lumped disturbance)에 대한 사전 지식은 필요하지 않다. 상태 추정 오차를 이용하여 시스템 동역학에 따라 NN의 학습률과 가중치를 갱신할 수 있으며, 그 결과 ALRNN-FxTSO의 능력이 향상된다. 제안된 FxTSMC와 ALRNN-FxTSO를 바탕으로, 추종 성능이 고정된 시간 내에 원점의 작은 근방(small neighborhood)으로 수렴하도록 보장하는 견고한 제어기가 개발된다. 도달 시간은 초기 상태에 의존하지 않는다. 고정시간 수렴에 대한 리아푸노프(Lyapunov) 해석을 통해 시스템 안정성을 이론적으로 증명한다. 마지막으로, 제안 방법의 실용적 유효성을 입증하기 위해 PMSM 시스템에서 시뮬레이션과 실험을 수행한다.

시스템의 고장 상태를 정확히 추정하고 잔여유효수명(remaining useful life, RUL)을 예측하는 것은 효과적인 예지정비를 위해 중요하며, 입자 필터(particle filter, PF) 방법은 비선형 시스템의 고장 상태 추정에 널리 적용되어 왔다. 그러나 PF 방법은 입자 붕괴(particle degeneracy)와 사후확률밀도함수(PDF)에서의 다중해(multiple solutions)와 같은 한계로 인해 성능 저하가 발생한다. 이러한 한계를 해결하기 위해 본 논문에서는 견고한 고장 상태 추정과 신뢰할 수 있는 RUL 예측을 위한 Enhancing Particle Filter(EPF) 알고리즘을 제안하며, 이는 가우시안 변이(Gaussian Mutation, GM)와 잡음이 포함된 응용 분야의 밀도 기반 공간 군집화(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)를 통합한다. 구체적으로 GM 방법은 저가중치 입자를 적응적으로 높은 가능도(likelihood) 영역으로 조정하여 붕괴를 완화하고 충분한 입자 다양성을 보장한다. 한편 DBSCAN 군집화는 상태 예측 결과에 대한 부분해(sub-solutions)의 영향을 분리하여 추정된 최종 시점의 정확도를 향상시킨다. EPF 개선을 바탕으로, EPF와 장단기 기억(long short-term memory, LSTM) 모델을 결합한 새로운 프레임워크를 제안하였다. EPF의 고장 상태 추정 능력과 LSTM의 학습 역량을 결합함으로써, 본 방법은 신뢰할 수 있는 장기 예측을 위한 데이터 기반 절차를 제공한다. 잘 알려진 비선형 벤치마크 시스템, 실제 리튬 이온 배터리, 베어링 데이터셋에 대한 실험 결과는 EPF+LSTM이 다른 방법들에 비해 RUL을 효과적으로 추적하고 예측할 수 있음을 보여준다.

교통 흐름 추정은 현대 지능형 교통시스템에서 필수적인 과제이다. 차량 유형, 차량 총량, 이동 방향을 포함한 여러 유형의 정보는 교통 관련 작업을 완화하고 효과적인 교통 제어 전략을 수립하는 데 중요하다. 임베디드 장치의 발전으로, 시스템은 데이터를 중앙 집중형 처리 서버로 전송하는 대신 엣지에서 캡처된 비디오를 처리할 수 있다. 본 논문은 실시간 엣지 기반 교통 흐름 추정 시스템을 제안한다. 제안된 시스템은 경량 딥러닝 모델이 차량 검출을 수행하는 detect-and-track 메커니즘을 따른다. 다중 클래스 및 다중 이동에 대한 차량 수를 제공하기 위해 새로운 시나리오 기반 추적 및 카운팅 기법을 개발하였다. 이 방법은 처음 검출된 각 차량에 대해 사전에 정의된 영역을 사용하여 이동을 할당한다. 이후 비디오 전체에 걸쳐 차량 궤적과 이동 경로 간의 공간-시간 궤적 매칭을 수행한다. 광범위한 실험 결과, 제안된 방법은 다양한 카메라 유형과 시점에서 높은 효과를 달성함이 입증되었다.

빠른 동특성 응답과 제약을 처리할 수 있다는 점 때문에, 모델 예측 제어(model predictive control, MPC)는 영구자석 동기전동기(permanent magnet synchronous motor)에 대해 새롭고 널리 적용되는 접근법으로 자리 잡고 있다. 그러나 기존의 MPC는 모델 매개변수 불일치로 인해 제어 성능이 크게 영향을 받는다. 또한 높은 계산량 역시 MPC의 제한 요인이다. 본 논문 ${}^{\prime }$ 의 주요 목적은 고도화된 제어 구조를 제안함으로써 이러한 문제들을 해결하는 데 있다. 먼저, 이산시간 기계적 매개변수 관측기를 통해 매개변수 불일치를 온라인으로 추정한 다음, 매개변수 불일치의 영향을 억제하기 위해 강건 적응 모델 예측 속도 제어(robust adaptive model predictive speed control, RA-MPSC)를 설계한다. 둘째, 순환 신경망(recurrent neural network) 기반 알고리즘을 도입하여 실시간 최적화 문제를 풀어 RA-MPSC 제어 법칙을 계산한다. 마지막으로, 제안된 방법의 성능을 검증하기 위해 시뮬레이션 및 실험 결과를 제시한다.