포인트클라우드 핵심 샘플링과 멀티로봇 스케줄링

Key Sampling for Point Clouds and Multi-Robot Scheduling

연구 내용

포인트클라우드의 실시간 추론을 위해 피처 기반 샘플링을 적용하고, 반도체 클러스터툴에서 멀티로봇 동작을 오토레그레시브 강화학습으로 생성하여 자원 효율을 확보하는 연구

본 연구는 센싱 데이터와 복잡한 작업 환경에서 의사결정 품질을 높이기 위한 방법을 다룹니다. 포인트클라우드 처리에서는 실시간 추론을 위해 계산 포인트 수를 줄이되 중요한 점을 보존하도록 피처 기반 샘플링을 설계하고, 어텐션 기법을 활용해 핵심 포인트 선택성을 높입니다. 또한 반도체 클러스터툴처럼 제약이 많은 다중 로봇 문제에서는 오토레그레시브 DRL로 순차적으로 로봇 액션을 생성하고, 동적 액션 마스킹으로 불가능한 선택을 배제해 대규모 이산 행동공간의 탐색 효율을 높입니다. 더불어 이벤트 기반 실종 위험 예측 프로젝트를 통해 사회안전망 적용의 데이터 기반 예측 모델링도 수행합니다.

관련 프로젝트

3건

연구 흐름

초기에는 이벤트 기반 실종 위험 예측처럼 실제 데이터에 기반한 예측 모델 연구가 장기 과제로 진행되었습니다. 2022년에는 3D 포인트클라우드에서 실시간 추론을 목표로 FPS의 느린 특성과 핵심점 선정의 어려움을 보완하는 피처 기반 샘플링 연구를 수행했습니다. 이후 2025년에는 복잡한 제약 환경에서 처리량을 높이기 위해 반도체 클러스터툴 대상 멀티로봇 스케줄링을 오토레그레시브 DRL로 확장하고, 동적 액션 마스킹과 단계적 보상 설계를 통해 순차 결정 성능을 높였습니다. 이 흐름은 센싱·예측·의사결정까지 연결해 효율적 자원 사용을 목표로 심화되었습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

3D 포인트클라우드 실시간 추론
핵심 포인트 보존 샘플링
샘플링 기반 경량화 모델
다중 로봇 작업 배치
반도체 클러스터툴 스케줄링
처리량 중심 자원 배분
동적 액션 마스킹 정책
치안·사회안전망 예측 분석
실종 위험 조기경보 모델
강화학습 기반 현장 스케줄 자동화