이명훈 연구실은 딥러닝과 강화학습을 활용한 첨단 제어 시스템 개발에 주력하고 있습니다. 최근 연구에서는 전력 시스템의 토폴로지 제어, 전기 자동차 급속 충전기용 소자 선정, 그리고 UAV(무인항공기) 경로 계획 및 충돌 회피 등 다양한 응용 분야에서 심층 강화학습 기법을 적용하고 있습니다. 이러한 연구는 복잡하고 동적인 환경에서의 최적 제어 문제를 해결하는 데 중점을 두고 있으며, 실제 시스템에 적용 가능한 실용적 알고리즘 개발을 목표로 하고 있습니다. 특히, 심층 강화학습 기반의 모델 프리 경로 계획 및 충돌 회피 연구는 UAV와 같은 무인 시스템의 자율성과 안전성을 크게 향상시키고 있습니다. Soft Actor-Critic, Hindsight Experience Replay 등 최신 강화학습 알고리즘을 도입하여, 예측 불가능한 환경에서도 안정적인 경로 탐색과 장애물 회피가 가능하도록 설계하였습니다. 이러한 기술은 물류, 감시, 재난 대응 등 다양한 산업 분야에서 활용될 수 있습니다. 또한, 전력 시스템의 능동적 네트워크 관리와 비상 부하 차단 제어에도 딥러닝과 강화학습 기법을 적용하여, 에너지 효율성과 시스템 안정성을 높이고 있습니다. 이와 같은 연구는 미래의 스마트 그리드 구현에 핵심적인 역할을 할 것으로 기대되며, 실제 전력망 운영에 적용 가능한 혁신적 솔루션을 제시하고 있습니다.

연구실은 쿱만 작용소(Koopman Operator) 이론을 기반으로 한 비선형 시스템의 제어 및 분석에도 활발히 연구를 진행하고 있습니다. 쿱만 기반 제어는 복잡한 비선형 동역학을 선형 시스템으로 변환하여, 기존의 선형 제어 이론을 적용할 수 있도록 하는 혁신적인 접근법입니다. 이를 통해 쿼드로터와 같은 무인항공기의 비정형 환경에서의 최적 제어 문제를 효과적으로 해결하고 있습니다. 최근에는 바람이 부는 환경 등 예측이 어려운 조건에서도 쿱만 기반 선형 제어 시스템을 적용하여, 쿼드로터의 안정적인 비행과 경로 추종 성능을 입증하였습니다. 이러한 연구는 실제 하드웨어 실험과 시뮬레이션을 통해 검증되었으며, 기존의 비선형 제어 방식에 비해 계산 효율성과 실시간 적용 가능성이 크게 향상되었습니다. 또한, 쿱만 이론을 활용한 제어 시스템은 다양한 로봇 및 자율주행 시스템에도 확장 적용이 가능합니다. 이와 더불어, 연구실은 최적 제어, 미분 게임, 스택켈버그 게임 등 수리적 제어 이론을 대규모 무인 시스템(예: 다수의 무인차량, 헥사로터 등)에 적용하여, 분산 최적 제어 및 리더-팔로워 구조의 집단 제어 문제를 해결하고 있습니다. 이러한 이론적 연구는 실제 시스템의 복잡한 상호작용을 효율적으로 제어할 수 있는 기반을 제공하며, 미래 자율 시스템의 집단 지능 구현에 중요한 역할을 하고 있습니다.