MAPS 연구실은 기계학습 기반의 자동화 생산 시스템(Machine-learning-based Automated Production Systems)을 중심으로 첨단 제조 및 물류 분야의 혁신을 이끌고 있습니다. 본 연구실은 스마트 팩토리, 자율주행로봇, 해석가능한 기계학습 등 다양한 최신 기술을 융합하여 생산성과 효율성을 극대화하는 방법론을 개발하고 있습니다. 특히, 생산 및 물류 시스템에서 발생하는 복잡한 최적화 문제를 해결하기 위해 기계학습과 최적화 이론을 접목한 연구를 활발히 수행하고 있습니다.
스마트 팩토리 환경에서는 대규모 데이터와 실시간 정보가 융합되어 다양한 의사결정이 요구됩니다. 이에 따라, 본 연구실은 기계학습 기반의 스케줄링, 차량 경로 계획, 자율주행로봇을 활용한 물류 최적화 등 실제 산업 현장에서 적용 가능한 실용적인 솔루션을 개발하고 있습니다. 또한, 해석가능한 기계학습 알고리즘을 통해 모델의 예측 결과와 그 근거를 명확하게 설명할 수 있도록 하여, 현장 전문가와의 협업 및 신뢰성 확보에 중점을 두고 있습니다.
연구실의 주요 연구 주제는 기계학습 기반 스케줄링 및 물류 최적화, 해석가능한 기계학습 알고리즘 개발, 자율주행로봇을 활용한 공장 내 물류 최적화 등입니다. 이 외에도, 디지털트윈, 스마트공장 역량진단, 품질 예측, 생산 계획 등 다양한 산업공학적 문제에 대한 연구를 진행하고 있습니다. 실제로, 다수의 국가 연구과제와 기업 협력 프로젝트를 수행하며, 이론적 연구와 실무 적용을 동시에 추구하고 있습니다.
본 연구실은 산업시스템공학, 데이터사이언스, 인공지능 등 다양한 학문 분야와의 융합을 통해 미래 제조 및 물류 시스템의 혁신을 선도하고 있습니다. 학생들은 실제 산업 현장에서 발생하는 문제를 해결하는 경험을 쌓을 수 있으며, 졸업생들은 국내외 유수의 기업 및 연구기관에서 활약하고 있습니다. 앞으로도 MAPS 연구실은 첨단 기술을 바탕으로 산업 현장의 문제를 해결하고, 새로운 가치를 창출하는 연구를 지속해 나갈 것입니다.
기계학습 기반 스케줄링 및 물류 최적화는 생산 및 물류 시스템의 효율성을 극대화하기 위한 핵심 연구 분야입니다. 본 연구실에서는 다양한 생산 환경에서 발생하는 복잡한 스케줄링 문제와 물류 최적화 문제를 해결하기 위해 기계학습 알고리즘을 적극적으로 도입하고 있습니다. 특히, 대규모 데이터와 실시간 정보가 융합되는 스마트 팩토리 환경에서 기계학습을 활용한 스케줄링은 생산성과 유연성을 동시에 확보하는 데 중요한 역할을 합니다.
스케줄링 문제는 자원 배분, 작업 순서 결정, 납기 준수 등 다양한 제약 조건을 고려해야 하며, 전통적인 최적화 기법만으로는 한계가 존재합니다. 이에 따라, 본 연구실은 의사결정나무, 랜덤 포레스트, 강화학습 등 다양한 기계학습 기법을 적용하여 동적이고 불확실한 환경에서도 최적의 스케줄을 도출할 수 있는 방법론을 개발하고 있습니다. 또한, 생산 현장에서 발생하는 실시간 데이터를 활용하여 스케줄링 모델을 지속적으로 개선하고, 예측 정확도를 높이는 연구도 병행하고 있습니다.
물류 최적화 측면에서는 자율주행로봇(AMRs)과 같은 첨단 기술을 접목하여 공장 내외부의 물류 흐름을 효율적으로 관리하는 방안을 모색하고 있습니다. 차량 경로 계획, 픽업 및 딜리버리 문제, 충전 스케줄링 등 다양한 물류 문제에 대해 기계학습 기반의 해법을 제시하며, 실제 산업 현장에 적용 가능한 실용적인 솔루션 개발에 중점을 두고 있습니다.
해석가능한 기계학습 알고리즘 개발 및 응용
해석가능한 기계학습(Interpretable Machine Learning)은 인공지능 시스템의 의사결정 과정을 투명하게 설명할 수 있도록 하는 기술로, 산업 현장에서 신뢰성과 실용성을 높이는 데 필수적입니다. 본 연구실은 복잡한 제조 및 물류 시스템에서 발생하는 다양한 문제를 해결하기 위해 해석가능한 기계학습 알고리즘의 개발과 응용에 집중하고 있습니다. 이를 통해 사용자는 모델의 예측 결과뿐만 아니라, 그 근거와 과정까지 명확하게 이해할 수 있습니다.
특히, 제조 공정의 이상 원인 분석, 품질 예측, 생산 일정 최적화 등에서 해석가능한 기계학습 기법을 적용하여, 현장 전문가와의 협업을 통해 실제 문제 해결에 기여하고 있습니다. 예를 들어, 유전 프로그래밍을 활용한 의사결정나무 생성, 랜덤 포레스트 기반의 규칙 추출, 설명 가능한 강화학습 등 다양한 방법론을 연구하고 있으며, 이를 통해 복잡한 데이터 구조와 의사결정 과정을 시각적으로 설명할 수 있는 도구를 개발하고 있습니다.
이러한 연구는 단순히 높은 예측 정확도를 넘어서, 모델의 신뢰성과 투명성을 확보함으로써 실제 산업 현장에서의 적용 가능성을 높이고 있습니다. 또한, 해석가능한 기계학습은 규제 준수, 위험 관리, 품질 보증 등 다양한 분야에서 활용될 수 있어, 미래 스마트 제조 및 물류 시스템의 핵심 기술로 자리매김하고 있습니다.
자율주행로봇(AMRs)을 활용한 공장 내 물류 최적화
자율주행로봇(Autonomous Mobile Robots, AMRs)은 최근 스마트 팩토리와 첨단 물류 시스템에서 핵심적인 역할을 하고 있습니다. 본 연구실은 AMRs를 활용한 공장 내 물류 최적화 문제를 중점적으로 연구하고 있으며, 이를 통해 생산 현장의 효율성과 유연성을 극대화하고자 합니다. AMRs는 기존의 자동화된 유도차(AGVs)와 달리, 더 높은 확장성과 유연성을 제공하여 다양한 생산 환경에 신속하게 대응할 수 있습니다.
공장 내 물류 최적화는 경로 탐색, 차량 경로 계획, 충돌 회피, 작업 할당 등 복합적인 문제로 구성되어 있습니다. 본 연구실은 이러한 문제를 해결하기 위해 기계학습, 최적화 이론, 시뮬레이션 등 다양한 방법론을 융합하여 연구를 진행하고 있습니다. 특히, 경로 탐색과 차량 경로 계획에서는 실시간 데이터와 예측 정보를 활용하여 동적으로 최적의 경로를 도출하고, 충돌 회피 및 작업 할당에서는 분산형 의사결정과 협업 알고리즘을 적용하고 있습니다.
이러한 연구는 실제 산업 현장에서 AMRs의 도입과 운영 효율성을 높이는 데 직접적으로 기여하고 있습니다. 또한, AMRs를 활용한 물류 최적화는 생산성 향상뿐만 아니라, 작업자의 안전 확보, 운영 비용 절감, 유연한 생산 시스템 구축 등 다양한 부가가치를 창출할 수 있어, 미래 제조업의 혁신을 선도하는 핵심 기술로 주목받고 있습니다.
