리튬이온전지(LIBs)는 반복적인 충·방전을 통해 열화되며, 그 결과 내부 저항이 증가하고 최대 용량이 감소한다. 이는 최대 출력 전력과 사용 시간(runtime)과 같은 방전 성능에 영향을 미치며, 나아가 LIB를 사용하는 시스템의 안전성과 신뢰성에 영향을 준다. 따라서 LIB의 상태(state)를 식별하고 예측하는 것은 시스템의 안전성과 신뢰성을 보장하기 위해 필수적이다. 본 논문은 시계열 방전 데이터를 사용하여 LIB의 건전성(health state)을 진단하는 시스템을 제안한다. LIB의 건전성 진단을 위한 시스템은 잔차-딥 신경망(residual-deep neural network, R-DNN)을 활용하여 구성하였다. 잔차 연결을 포함한 DNN은 기존의 신경망보다 더 깊고 넓은 구조를 가질 수 있으며, 이를 통해 풍부한 특징 추출이 가능하다. 시계열 방전 데이터는 제안된 진단 시스템의 입력 및 출력 데이터로 구성되며, 이에 대해 학습을 수행한다. 학습된 진단 시스템의 출력은 LIB의 건전성 상태를 판정하는 데 사용된다. 또한, 제안된 방법의 타당성을 검증하기 위해 모델 학습에 사용하지 않은 데이터에 대해 진단을 수행하고 결과를 분석하였다. 아울러, 제안된 방법과의 비교 분석을 위해 비교군 모델도 학습하였다.

현재의 위조방지 기술은 쉽게 복제 가능한 결정론적 과정에 의존하고, 인증을 위한 특수 장치가 필요하며, 제조가 복잡하여 비용이 높고 확장성이 제한적이다. 본 연구는 저비용이며 대량생산이 가능한 구조색 기반 위조방지 패턴과 이를 식별하기 위한 간단한 알고리즘을 제시한다. 전기방사(electrospinning)를 통해 입사광 방향에 정렬된 나노패턴을 제작하였고, CuO와 ZnO는 용액 공정을 통해 각각 독립적으로 성장시켰다. CuO는 반사층으로 작용하여 입사각 의존적인 색 변화를 부여하며, ZnO는 수열합성(hydrothermal synthesis) 시간의 제어를 통해 구조색을 조절할 수 있게 한다. 전기방사의 고유한 무작위성은 복제 불가능한 패턴을 생성하게 하여 강건한 위조방지 해결책을 제공한다. 제작된 CuO/ZnO 나노패턴은 강한 각도 의존적 색 특성을 보이며, 고밀도 정보 인코딩이 가능하다. 본 연구는 딥러닝 알고리즘을 사용하여 평균 식별 정확도 94%를 달성했으며, 형태 및 색상 특징을 기반으로 한 간소화된 연산 구조를 통해 샘플당 처리 속도 80 ms를 구현하였다. 훈련 이미지는 표준 고해상도 카메라로 획득하여 접근성과 실용성을 보장한다. 이러한 접근법은 문서, 통화, 브랜드 라벨을 포함한 위조방지 응용을 위한 효율적이고 확장 가능한 차세대 솔루션을 제공한다.

자율주행 지상차량(AGV) 시스템에서 경로 계획은 특히 실시간 적응이 필수적인 동적 환경에서 여전히 핵심적인 과제로 남아 있다. 계산 효율 또는 환경 적응성 측면에서 한계를 보이는 기존 방법들과 달리, 본 연구는 인공 잠재력 함수와 Levenberg-Marquardt 최적화 방법을 매끄럽게 통합하는 새로운 최적화 기반 접근법을 제안한다. 제안된 알고리즘은 정적 장애물과 동적 환경 변화를 동시에 다루면서, 통합 비용 함수 프레임워크를 통해 전통적 경로 계획의 주요 제한 사항을 해결한다. 본 혁신은 인공 잠재력 함수로 정의된 통과 가능 영역과 통과 불가능 영역을 활용하여 동적 환경을 구성함으로써, 실시간 장애물 표현에 적합한 계산 효율적인 방법을 마련하는 데 있다. Levenberg-Marquardt 방법은 기울기 기반 대안에 비해 비선형 최적화 문제에서 우수한 수렴 특성과 강건성을 보유하기 때문에 특히 선택되었다. 최적화 문제에는 차량 동역학, 제어 제약, 그리고 환경 변화를 단일 프레임워크에 통합하여 반영한다. 적분 제어기는 생성된 최적 궤적에 대한 정밀한 경로 추종을 보장한다. 시뮬레이션과 실제 환경 모두에서의 실험적 검증 결과, 본 알고리즘의 효과성과 실용적 적용 가능성이 입증되었다. 검증 비디오는 다음에서 확인할 수 있다: https://youtu.be/XVLes855hSw

플래투닝(platooning)은 교통 시스템 효율을 개선하고 연료 소비를 감소시키는 등 다양한 이점을 제공한다. 플래투닝에 관한 기존 연구는 주로 고속도로 또는 전용 도로 환경에서의 종방향 제어에 집중해 왔다. 그러나 이러한 접근법은 코너링 또는 장애물 회피와 같이 횡방향 기동이 필요한 시나리오에서 플래투닝 성능을 상당히 저하시킬 수 있다. 이러한 한계를 해결하기 위해 본 연구는 종방향 및 횡방향 동역학을 모두 고려하는 포괄적 플래투닝 시스템을 제안한다. 제안하는 플래투닝 접근법은 일정 시간 간격(constant time gap, CTG) 전략을 포함하는 MPC(모델 예측 제어) 기반 경로 계획과 적분 제어 기반 경로 추종으로 구성된다. CTG 정책으로 생성된 속도 명령에 기반한 후보 경로 비용과 환경 비용을 포함하는 총 비용을 최소화하는 것을 목표로, MPC 기반 경로 계획은 최적 제어 문제로 정식화된다. 최적 제어 입력은 입자 군집 최적화(particle swarm optimization, PSO)를 사용하여 획득되며, 이를 통해 최적 경로가 생성된다. 경로 추종을 위해 요레이트(yaw rate)에 대한 적분 오차를 정의하고, 적분 오차의 미분 방정식과 차량 동역학 모델을 고려하는 적분 제어 기반 방법을 적용한다. 제안 접근법의 타당성을 검증하기 위해 수치 시뮬레이션과 실내 실험을 수행하고, 그 결과를 분석한다. 검증 비디오는 다음에서 확인할 수 있다: https://youtu.be/-F4xney2Yjc . • 플래투닝 시스템은 종방향 및 횡방향 차량 동역학을 모두 통합한다. • 경로 계획을 입자 군집 최적화(particle swarm optimization, PSO)를 사용한 최적화 문제로 정식화한다. • 안전하고 안정적인 차간 간격을 보장하기 위해 일정 시간 간격(constant time gap, CTG) 정책을 적용한다. • 적분 제어는 증강된 차량 동역학 모델을 고려함으로써 강건한 경로 추종을 가능하게 한다. • 시뮬레이션과 실험은 효과적인 장애물 회피 및 플래툰 재형성을 보여준다.

리튬이온전지(LIBs)는 반복적인 충·방전을 통해 열화되며, 그 결과 내부 저항이 증가하고 최대 용량이 감소한다. 이는 최대 출력 전력과 사용 시간(runtime)과 같은 방전 성능에 영향을 미치며, 나아가 LIB를 사용하는 시스템의 안전성과 신뢰성에 영향을 준다. 따라서 LIB의 상태(state)를 식별하고 예측하는 것은 시스템의 안전성과 신뢰성을 보장하기 위해 필수적이다. 본 논문은 시계열 방전 데이터를 사용하여 LIB의 건전성(health state)을 진단하는 시스템을 제안한다. LIB의 건전성 진단을 위한 시스템은 잔차-딥 신경망(residual-deep neural network, R-DNN)을 활용하여 구성하였다. 잔차 연결을 포함한 DNN은 기존의 신경망보다 더 깊고 넓은 구조를 가질 수 있으며, 이를 통해 풍부한 특징 추출이 가능하다. 시계열 방전 데이터는 제안된 진단 시스템의 입력 및 출력 데이터로 구성되며, 이에 대해 학습을 수행한다. 학습된 진단 시스템의 출력은 LIB의 건전성 상태를 판정하는 데 사용된다. 또한, 제안된 방법의 타당성을 검증하기 위해 모델 학습에 사용하지 않은 데이터에 대해 진단을 수행하고 결과를 분석하였다. 아울러, 제안된 방법과의 비교 분석을 위해 비교군 모델도 학습하였다.

현재의 위조방지 기술은 쉽게 복제 가능한 결정론적 과정에 의존하고, 인증을 위한 특수 장치가 필요하며, 제조가 복잡하여 비용이 높고 확장성이 제한적이다. 본 연구는 저비용이며 대량생산이 가능한 구조색 기반 위조방지 패턴과 이를 식별하기 위한 간단한 알고리즘을 제시한다. 전기방사(electrospinning)를 통해 입사광 방향에 정렬된 나노패턴을 제작하였고, CuO와 ZnO는 용액 공정을 통해 각각 독립적으로 성장시켰다. CuO는 반사층으로 작용하여 입사각 의존적인 색 변화를 부여하며, ZnO는 수열합성(hydrothermal synthesis) 시간의 제어를 통해 구조색을 조절할 수 있게 한다. 전기방사의 고유한 무작위성은 복제 불가능한 패턴을 생성하게 하여 강건한 위조방지 해결책을 제공한다. 제작된 CuO/ZnO 나노패턴은 강한 각도 의존적 색 특성을 보이며, 고밀도 정보 인코딩이 가능하다. 본 연구는 딥러닝 알고리즘을 사용하여 평균 식별 정확도 94%를 달성했으며, 형태 및 색상 특징을 기반으로 한 간소화된 연산 구조를 통해 샘플당 처리 속도 80 ms를 구현하였다. 훈련 이미지는 표준 고해상도 카메라로 획득하여 접근성과 실용성을 보장한다. 이러한 접근법은 문서, 통화, 브랜드 라벨을 포함한 위조방지 응용을 위한 효율적이고 확장 가능한 차세대 솔루션을 제공한다.

자율주행 지상차량(AGV) 시스템에서 경로 계획은 특히 실시간 적응이 필수적인 동적 환경에서 여전히 핵심적인 과제로 남아 있다. 계산 효율 또는 환경 적응성 측면에서 한계를 보이는 기존 방법들과 달리, 본 연구는 인공 잠재력 함수와 Levenberg-Marquardt 최적화 방법을 매끄럽게 통합하는 새로운 최적화 기반 접근법을 제안한다. 제안된 알고리즘은 정적 장애물과 동적 환경 변화를 동시에 다루면서, 통합 비용 함수 프레임워크를 통해 전통적 경로 계획의 주요 제한 사항을 해결한다. 본 혁신은 인공 잠재력 함수로 정의된 통과 가능 영역과 통과 불가능 영역을 활용하여 동적 환경을 구성함으로써, 실시간 장애물 표현에 적합한 계산 효율적인 방법을 마련하는 데 있다. Levenberg-Marquardt 방법은 기울기 기반 대안에 비해 비선형 최적화 문제에서 우수한 수렴 특성과 강건성을 보유하기 때문에 특히 선택되었다. 최적화 문제에는 차량 동역학, 제어 제약, 그리고 환경 변화를 단일 프레임워크에 통합하여 반영한다. 적분 제어기는 생성된 최적 궤적에 대한 정밀한 경로 추종을 보장한다. 시뮬레이션과 실제 환경 모두에서의 실험적 검증 결과, 본 알고리즘의 효과성과 실용적 적용 가능성이 입증되었다. 검증 비디오는 다음에서 확인할 수 있다: https://youtu.be/XVLes855hSw

플래투닝(platooning)은 교통 시스템 효율을 개선하고 연료 소비를 감소시키는 등 다양한 이점을 제공한다. 플래투닝에 관한 기존 연구는 주로 고속도로 또는 전용 도로 환경에서의 종방향 제어에 집중해 왔다. 그러나 이러한 접근법은 코너링 또는 장애물 회피와 같이 횡방향 기동이 필요한 시나리오에서 플래투닝 성능을 상당히 저하시킬 수 있다. 이러한 한계를 해결하기 위해 본 연구는 종방향 및 횡방향 동역학을 모두 고려하는 포괄적 플래투닝 시스템을 제안한다. 제안하는 플래투닝 접근법은 일정 시간 간격(constant time gap, CTG) 전략을 포함하는 MPC(모델 예측 제어) 기반 경로 계획과 적분 제어 기반 경로 추종으로 구성된다. CTG 정책으로 생성된 속도 명령에 기반한 후보 경로 비용과 환경 비용을 포함하는 총 비용을 최소화하는 것을 목표로, MPC 기반 경로 계획은 최적 제어 문제로 정식화된다. 최적 제어 입력은 입자 군집 최적화(particle swarm optimization, PSO)를 사용하여 획득되며, 이를 통해 최적 경로가 생성된다. 경로 추종을 위해 요레이트(yaw rate)에 대한 적분 오차를 정의하고, 적분 오차의 미분 방정식과 차량 동역학 모델을 고려하는 적분 제어 기반 방법을 적용한다. 제안 접근법의 타당성을 검증하기 위해 수치 시뮬레이션과 실내 실험을 수행하고, 그 결과를 분석한다. 검증 비디오는 다음에서 확인할 수 있다: https://youtu.be/-F4xney2Yjc . • 플래투닝 시스템은 종방향 및 횡방향 차량 동역학을 모두 통합한다. • 경로 계획을 입자 군집 최적화(particle swarm optimization, PSO)를 사용한 최적화 문제로 정식화한다. • 안전하고 안정적인 차간 간격을 보장하기 위해 일정 시간 간격(constant time gap, CTG) 정책을 적용한다. • 적분 제어는 증강된 차량 동역학 모델을 고려함으로써 강건한 경로 추종을 가능하게 한다. • 시뮬레이션과 실험은 효과적인 장애물 회피 및 플래툰 재형성을 보여준다.

이 논문은 꼬리(테일) 제어 미사일 시스템을 위한 유도 및 제어 루프를 통합하는 제어 구조를 제시한다. 일반적인 꼬리 제어 미사일은 비최소위상 동특성을 포함한다는 점에 동기하여, 제안된 제어기는 내부 동특성이 발산하는 것을 방지함과 동시에 의도된 표적을 향한 호밍을 달성하도록 설계된다. 호밍 종료 시의 명중 오차(미스 거리)를 최소화하기 위해, 미사일의 회전 동특성을 포함하는 교전(engagement) 운동학을 바탕으로 기존 접근법과는 다른 방식의 영노력미스(zero-effort-miss) 정식을 유도한다. 이어서 영노력미스를 영(0)으로 만들기 위해, 리아푸노프 안정성 이론에 기반한 비선형 제어기를 설계한다. 유도된 제어기는 다양한 꼬리 제어 비행 시스템에 활용되어 온 기존의 3-루프(three-loop) 토폴로지와 유사한 구조를 가지므로, 실용적 관점에서 제안된 방법을 실제 시스템에 적용할 수 있을 것으로 기대된다. 또한 수치 시뮬레이션 결과는 제안된 방법이 안정적인 내부 동특성을 가지면서 표적 요격을 달성함을 보여준다.

리튬이온 배터리(LIB)의 정확한 잔여유효수명(Remaining Useful Life, RUL) 예측은 배터리 관리 시스템(Battery Management System, BMS)의 신뢰성과 안전성을 확보하는 데 필수적이다. 다양한 운용 조건과 복잡한 내부 화학 반응으로 인해 발생하는 비선형 열화 패턴은 정확한 예측을 어렵게 만드는 핵심 요인이다. 본 연구에서는 이러한 배터리의 비선형적이고 복잡한 열화 특성을 효과적으로 학습하기 위해 순환 신경망(Recurrent Neural Network, RNN) 기반 예측 모델을 제안한다. 제안하는 모델은 상태건전도(State of Health, SOH) 시퀀스 데이터로부터 시간적 패턴과 통계적 특징을 동시에 활용하는 듀얼 브랜치(dual-branch) 구조를 특징으로 한다. 이 구조는 장기 열화 경향과 국소적 변동을 동시에 포착하도록 설계되었다. 한 브랜치는 SOH 시퀀스를 입력으로 하여 장단기기억(Long Short-Term Memory, LSTM) 또는 양방향 장단기기억(Bidirectional Long Short-Term Memory, Bi-LSTM) 네트워크를 통해 시간 의존성을 직접 학습하고, 다른 브랜치는 그 시퀀스에서 추출한 평균(mean)과 표준편차(standard deviation) 등의 통계적 특징을 입력으로 받는다. 두 브랜치에서 추출된 특징 벡터를 결합하여 최종 RUL 예측에 사용한다. 모델의 성능과 구조적 유효성을 검증하기 위해, 동일한 데이터셋과 듀얼 브랜치 아키텍처 하에서 LSTM 및 Bi-LSTM 모델의 예측 성능을 비교하고 분석하였다. 실험 결과, Bi-LSTM 모델은 LSTM 모델에 비해 더 낮은 평균절대오차(Mean Absolute Error, MAE)와 제곱근평균제곱오차(Root Mean Square Error, RMSE)를 달성하며 더 우수한 예측 정확도를 보였다. 이는 SOH 시계열 데이터의 과거와 미래 맥락을 모두 활용하는 양방향 아키텍처가 더 높은 정밀도로 배터리 열화 패턴을 학습하는 데 더 효과적임을 시사한다. 본 연구의 결과는 보다 신뢰할 수 있는 배터리 관리 전략 개발에 기여할 것으로 기대된다.

본 논문은 가우시안 과정 회귀(Gaussian Process Regression, GPR)를 사용하여 리튬이온 배터리(Lithium-ion batteries, LIBs)의 상태건전성(State of Health, SOH)을 추정하기 위한 견고한 방법론을 제안한다. “기존 연구들이 완전한 충·방전 사이클에 의존한다는 한계를 극복하기 위해, 실제 응용에서 부분 충전이 흔히 발생한다는 점에 착안하여 부분 충전 데이터에 기반한다. 전기화학적 열화를 포착하기 위해 증분용량분석(Incremental Capacity Analysis, ICA) 피크 특성을 추가하고, 보정된 불확실성을 위해 베이지안 최적화를 통해 커널 하이퍼파라미터를 튜닝한다. Samsung INR 18650-25R 셀을 사용하여 제안한 모델은 RMSE 1.6347%와 EICP 94.34% (명목 $\text{9 5 \%) }$ 를 달성하며, ICA 또는 최적화 없이 수행된 기준모형보다 우수한 성능을 보인다. 결과는 ICA 특성이 정확도를 향상시키고, 베이지안 최적화가 과도하게 보수적인 구간을 보정하여 강력한 점추정과 함께 신뢰할 수 있는 불확실성을 제공함을 보여준다.

모듈형 아키텍처로 구성된 전통적인 자율주행 시스템은 자율주행에서 상당한 성과를 달성해 왔다. 그러나 각 모듈 내에서 발생하는 지연과 오류는 시스템 성능 저하로 이어질 수 있다. 이러한 문제를 해결하기 위해 최근 연구에서는 엔드투엔드 자율주행 시스템에 주목하고 있다. 하지만 표준화된 아키텍처나 개발 환경의 부재는 새로운 알고리즘을 개발하고 검증하는 데 있어 한계를 만든다. 본 논문에서는 엔드투엔드 자율주행 기술의 원활한 개발을 돕기 위한 아키텍처를 설계하였다. 이를 위해 Carla 시뮬레이터와 OpenAI gym을 결합한 통합 환경을 구성하였다. 또한 데이터셋 품질을 향상시키기 위해 시간에 따른 영상 및 차량 상태 정보를 순차적으로 누적하여 데이터셋을 구성하고, 가상현실(VR)을 사용하여 운전자의 시점(PoV) 정보를 추가하였다. 더 나아가 실시간 전문가 피드백을 적용함으로써 학습 효율을 높여 딥 모방학습 모델 개발을 보다 용이하게 하였다. 제안된 시스템의 타당성을 검증하기 위해 다양한 환경에서 검증을 수행하였으며, 그 결과를 분석하였다.

최근 경로 계획은 안전한 원판(disk) 영역 내에서 정의된 노드와 간선을 이용하는 디스크-그래프 확률적 로드맵(DGPRM)으로 연구되어 왔다. 다수의 노드와 간선이 필요한 확률적 로드맵(probabilistic roadmap, PRM) 방법과 달리, DGPRM 방법은 노드 수가 더 적더라도 높은 경로 계획 성공률을 보장한다. 그러나 기존 DGPRM 방법은 확률적 지도와 그래프 구성 방법으로 인해 그래프 확장이 느리다는 단점이 있다. 이러한 한계를 극복하기 위해 본 연구에서는 적응형 부호화 거리장(signed distance field, SDF) 기반 확률적 지도와 수정된 그래프 구성 방식을 활용하는 향상된 DGPRM 구성 방법을 제안한다. SDF 함수는 장애물로부터의 거리를 기반으로 확률적 지도를 생성할 수 있으므로, 더 큰 원판을 먼저 생성할 수 있어 더 적은 노드로 효율적인 로드맵 구성이 가능하다. 또한 그래프 구성 방법을 개선함으로써 더 적은 샘플로도 더 빠른 로드맵을 개발할 수 있다. 제안된 방법의 실행 가능성을 검증하기 위해, 격자 지도(grid map)로 구성된 다양한 환경에서 시뮬레이션을 수행하였고 그 결과를 분석하였다.