VIL
조천식모빌리티대학원
하동수
VIL 연구실은 지능형 모빌리티와 스마트 에너지 시스템의 융합 연구를 선도하는 KAIST 조천식모빌리티대학원의 대표 연구실입니다. 본 연구실은 자율주행 차량, 지능형 교통 시스템, 스마트 그리드 등 다양한 미래 모빌리티 및 에너지 분야에서 첨단 인공지능(AI), 딥러닝, 강화학습, 센서 융합, 제어 시스템 등 다양한 기술을 통합적으로 연구하고 있습니다.
특히, 딥러닝 기반의 멀티모달 센서 융합 기술을 활용하여 자율주행 차량의 환경 인지 및 사고 예방 시스템을 개발하고 있습니다. 카메라, LiDAR 등 다양한 센서 데이터를 통합하여, 실시간으로 도로 환경을 정확하게 파악하고, 사고 위험 요소를 사전에 감지하는 기술을 연구합니다. 비전 트랜스포머, 포즈 인식, 능동적 인지 등 최신 AI 기법을 적용하여, 복잡한 도시 환경에서도 높은 신뢰성과 안전성을 확보하고 있습니다.
또한, 강화학습 및 다중 에이전트 강화학습을 기반으로 한 지능형 제어 시스템 연구도 활발히 진행 중입니다. AI 축구, 로봇 내비게이션, 자율주차, 경로 계획 등 다양한 실제 응용 분야에서, 협동 및 경쟁 상황에서의 최적 정책 도출, 희소 보상 환경에서의 효율적 학습, 목표 기반 정책 학습 등 첨단 알고리즘을 개발하고 있습니다. 이러한 기술은 자율주행, 로봇, 스마트 에너지 관리 등 다양한 산업 현장에 적용되고 있습니다.
스마트 에너지 및 전력 관리 분야에서도, 나노그리드, 마이크로그리드, P2P 에너지 거래, 전기차 충방전, 에너지 저장장치 운영 등 다양한 요소를 통합적으로 고려한 최적화 연구를 수행하고 있습니다. 딥러닝 기반 부하 예측, 배터리 수명 예측, 협동 게임 이론, 다목적 최적화 등 첨단 이론과 실용적 알고리즘을 접목하여, 에너지 효율과 경제성을 극대화하고 있습니다.
이외에도, 무선 센서 네트워크, 스마트 미터링 시스템, 블록체인 기반 안전 운전 인지 시스템 등 다양한 융합 연구를 통해, 미래형 스마트 시티와 친환경 모빌리티 사회 구현에 기여하고 있습니다. 실제 현장 실증과 시뮬레이션을 통해 기술의 신뢰성과 실용성을 검증하며, 국내외 학술지 및 특허, 산학협력 등 다양한 성과를 창출하고 있습니다.
Anomaly Detection
P2P Power Trading
Wireless Sensor Networks
지능형 모빌리티를 위한 딥러닝 기반 자율주행 및 센서 융합 기술
본 연구실은 자율주행 차량 및 지능형 모빌리티 시스템의 안전성과 효율성을 극대화하기 위해 딥러닝 기반의 센서 융합 기술을 심도 있게 연구하고 있습니다. 다양한 센서(카메라, LiDAR 등)에서 수집된 데이터를 통합하여, 실시간으로 도로 환경을 정확하게 인식하고, 사고 위험 요소를 사전에 감지하는 시스템을 개발합니다. 이를 위해 비전 트랜스포머(Vision Transformer)와 같은 최신 딥러닝 모델을 활용하여, 복잡한 도시 환경에서도 신뢰성 높은 인지와 예측이 가능하도록 하고 있습니다.
특히, 멀티모달 센서 융합을 통해 각 센서의 한계를 보완하고, 3차원 공간 정보와 시맨틱 정보를 결합하여 자율주행 차량의 환경 이해도를 높이고 있습니다. 이러한 기술은 도로 위의 다양한 장애물, 교통 표지판, 사고 위험 구간 등을 실시간으로 탐지하고, 운전자 또는 차량 시스템에 시각적 알림을 제공함으로써 사고 예방에 기여합니다. 또한, 포즈 정보와 능동적 인지(Active Perception)를 딥러닝 파이프라인에 통합하여, 복잡한 다중 시점 주행 시나리오에서도 높은 정확도를 달성하고 있습니다.
이러한 연구는 자율주행 및 반자율주행 차량의 안전성과 사용자 경험을 크게 향상시키며, 미래의 스마트 모빌리티 사회 구현에 핵심적인 역할을 합니다. 실제 도로 환경에서의 실증 실험과 시뮬레이션을 통해 기술의 신뢰성과 실용성을 검증하고 있으며, 블록체인 기반의 안전 운전 인지 시스템 등 다양한 융합 연구도 활발히 진행 중입니다.
강화학습 기반 지능형 제어 및 에너지 관리 시스템
연구실은 강화학습(Reinforcement Learning) 및 다중 에이전트 강화학습(Multi-Agent RL)을 활용한 지능형 제어 시스템 개발에 주력하고 있습니다. 자율주행 차량, 로봇, 스마트 그리드 등 다양한 응용 분야에서, 복잡한 환경 속에서의 최적 의사결정과 협동 행동을 실현하기 위한 알고리즘을 연구합니다. 특히, 이질적인 다중 에이전트가 상호작용하는 환경에서의 협동 및 경쟁 전략, 목표 기반 강화학습(Multi-Goal RL), 희소 보상 환경에서의 효율적 학습 구조 등이 주요 연구 주제입니다.
이러한 강화학습 기술은 AI 축구, 로봇 내비게이션, 자율주차, 경로 계획 등 실제 응용에 적용되고 있습니다. 예를 들어, AI 축구 환경에서는 각 에이전트가 개별 목표와 팀 목표를 동시에 달성하기 위한 이단계 학습 구조를 도입하여, 복잡한 협동-경쟁 상황에서의 최적 정책을 도출합니다. 또한, 희소 보상 환경에서의 학습 효율을 높이기 위해 Hindsight Experience Replay(HER)와 클러스터 기반 샘플링 등 첨단 기법을 적용하고 있습니다.
강화학습 기반 제어 기술은 에너지 관리 시스템에도 적용되어, 나노그리드, 마이크로그리드, 전기차 충방전 스케줄링 등에서 에너지 효율 극대화와 비용 최소화를 동시에 달성합니다. 실시간 환경 변화에 적응 가능한 학습 구조와, 분산된 에이전트 간의 협동적 의사결정 메커니즘을 통해, 미래형 스마트 에너지 및 모빌리티 인프라 구축에 기여하고 있습니다.
스마트 에너지 및 전력 관리 시스템 최적화
본 연구실은 분산형 신재생 에너지 자원의 효율적 관리와 스마트 그리드 기반의 에너지 거래 시스템 개발에 중점을 두고 있습니다. 나노그리드 및 마이크로그리드 환경에서, P2P 에너지 거래, 전기차 충방전, 에너지 저장장치(ESS) 운영 등 다양한 요소를 통합적으로 고려하여, 에너지 효율과 경제성을 극대화하는 최적화 알고리즘을 연구합니다.
특히, 딥러닝(GRU, GCN 등)과 머신러닝 기반의 부하 예측, 태양광 발전량 예측, 배터리 수명 예측 등 다양한 예측 모델을 개발하여, 실시간 에너지 수급 불균형을 효과적으로 해소합니다. 또한, 협동 게임 이론, 다목적 최적화, 배터리 노화 모델 등 첨단 이론을 적용하여, 에너지 소비 비용 절감과 ESS 수명 연장을 동시에 달성하고 있습니다. 전기차와 재생에너지의 통합 운영을 통해, 저탄소 친환경 사회 실현과 탄소중립 가속화에 기여하고 있습니다.
이외에도, 무선 센서 네트워크를 활용한 분산형 에너지 자원 관리, 스마트 미터링 시스템의 이상 탐지, 공장 에너지 관리 등 다양한 산업 현장에 적용 가능한 실용적 솔루션을 개발하고 있습니다. 실제 현장 실증과 시뮬레이션을 통해 기술의 신뢰성과 확장성을 검증하며, 미래형 스마트 시티 및 에너지 인프라 구축에 선도적 역할을 하고 있습니다.
1
Goal-conditioned Reinforcement Learning Approach for Autonomous Parking in Complex Environments
Taeyoung Kim, Taemin Kang, Seungah Son, Kuk Won Ko, Dongsoo Har
, 2025
2
Continuous Adversarial Text Representation Learning for Affective Recognition
Seungah Son, Andres Saurez, Dongsoo Har
, 2025
3
A Secure, Blockchain-Enabled Vehicular Sensor Communication Protocol With Deep Learning-Assisted Anomaly Detection
Sumit Mishra, Neha Sengar, Dongsoo Har
IEEE Intelligent Transportation Systems Magazine, 2025
