본 연구실은 차량용 소프트웨어의 표준화와 모듈화, 그리고 하드웨어와 소프트웨어의 분리를 실현하는 AUTOSAR(AUTomotive Open System ARchitecture) 플랫폼을 중점적으로 연구합니다. AUTOSAR는 차량 내 전자제어장치(ECU) 소프트웨어의 복잡성을 효과적으로 관리하고, 기능의 재사용성과 확장성을 극대화하는 데 목적이 있습니다. Classic Platform(CP)과 Adaptive Platform(AP) 모두를 다루며, 하드 리얼타임 임베디드 시스템부터 자율주행 등 고성능 연산이 필요한 환경까지 폭넓게 적용하고 있습니다. 특히, 가상 ECU(Virtual ECU, vECU) 기술을 통해 실제 하드웨어 없이도 소프트웨어의 개발, 테스트, 검증이 가능하도록 하는 연구를 수행합니다. vECU는 개발 초기의 알고리즘 모델 단계부터, 실제 ECU와 거의 동일한 실행 환경을 제공하는 Level 4b까지 다양한 수준으로 구현됩니다. 이를 통해 개발 기간 단축, 비용 절감, 대규모 병렬 테스트 및 CI/CD 연계 자동화 환경 구축이 가능해집니다. 또한, 본 연구실은 AUTOSAR 기반의 CAN, LIN 등 차량 통신 프로토콜을 지원하는 FMU(Functional Mock-up Unit) 개발, 클라우드 네이티브 환경에서의 vECU 테스트 인프라, 그리고 AUTOSAR Adaptive Platform과 ROS2, DDS 등 최신 차량용 미들웨어와의 통합 기술까지 폭넓게 연구하고 있습니다. 이러한 기술들은 미래형 소프트웨어 정의 차량(SDV, Software-defined Vehicle) 시대의 핵심 인프라로 자리매김하고 있습니다.

본 연구실은 임베디드 시스템 및 MCU(Microcontroller Unit) 기반 엣지 디바이스에서의 인공지능(AI) 모델 학습 및 추론 기술을 심도 있게 연구합니다. 온디바이스 러닝(On-device Learning)은 데이터의 수집, 전처리, 학습, 업데이트를 모두 엣지 장치 내에서 수행함으로써 개인정보 보호, 저지연성, 에너지 효율성 등 다양한 이점을 제공합니다. 그러나 엣지 장치의 제한된 연산 자원과 메모리, 에너지 환경을 극복하기 위한 최적화 기법이 필수적입니다. 이를 위해 본 연구실은 AI 가속기(NPU, PIM 등)를 위한 통합 AI 컴파일러 프레임워크, MLIR(Multi-Level IR) 기반의 계층적 컴파일러 구조, 그리고 타겟 AI 가속기별 모델 병렬화 및 자동 최적화 기술을 개발하고 있습니다. 또한, 엣지 환경에서의 효율적인 데이터 관리 프레임워크, 지속적 모델 학습 및 업데이트 알고리즘, 자원 효율적 학습 방법론 등도 함께 연구합니다. 이러한 연구는 실제 MCU 기반 Edge Computing, 차량용 임베디드 AI, 스마트 센서 등 다양한 산업 현장에 적용되고 있습니다. 특히, 본 연구실은 LG전자, 정보통신기획평가원 등과의 산학협력을 통해 엣지 AI의 실용화와 신뢰성 검증 프레임워크 구축, 재구성형 인공지능 프로세서 SW 프레임워크 개발 등 국가적 R&D 프로젝트를 주도하고 있습니다. 이를 통해 미래 지능형 반도체, 자율주행, 스마트 모빌리티, IoT 등 차세대 융합 산업의 핵심 기술을 선도하고 있습니다.