이 연구 주제는 차세대 무선통신 시스템에서 높은 전송 효율과 안정적인 링크 품질을 확보하기 위한 신호처리 기법 개발에 초점을 둔다. 특히 FDD 기반 셀프리(cell-free) 시스템, 대규모 MIMO 환경, 밀리미터파 통신과 같이 채널 구조가 복잡하고 피드백 비용이 큰 환경에서 효율적인 채널 상태 정보 획득이 핵심 문제로 다뤄진다. 연구실은 전통적인 통신이론과 최신 데이터 기반 접근을 결합하여 실제 시스템에서 적용 가능한 저복잡도·고성능 알고리즘을 설계하는 방향을 지향한다. 구체적으로는 파일럿 프리코딩, 압축 피드백, 각도 상호성 활용, 스파스 채널 표현, 압축센싱 기반 복원 등 채널의 구조적 특성을 이용하는 방법론이 중심을 이룬다. 셀프리 시스템에서 다수 기지국의 CSI를 모두 되돌려 보내야 하는 부담을 줄이기 위해 지배적인 경로만 선택적으로 표현하는 방식은 대표적인 접근이다. 또한 주파수 선택적 채널이나 시변 채널에서는 MCMC 기반 검출, 채널 추적, 리스트 추정 등의 통계적 기법을 활용하여 MAP 검출에 가까운 성능을 낮은 계산량으로 근사하는 연구가 수행된다. 이러한 연구는 6G 이동통신, 초연결 네트워크, 저전력·저지연 통신 인프라 구축에 직접적인 기여를 할 수 있다. 특히 통신 시스템의 오버헤드를 줄이면서도 협력 이득과 스펙트럼 효율을 확보하는 기술은 실제 산업적 가치가 높다. 나아가 연구실의 신호처리 역량은 무선통신에 국한되지 않고 센서 데이터 해석, 확률적 추론, 고차원 데이터 복원 문제로 확장될 수 있어 향후 통신과 인공지능의 융합 연구 기반으로도 중요한 의미를 가진다.

이 연구 주제는 자율주행 차량이 복잡한 도심 및 비정형 환경에서 주변 상황을 정확히 이해하도록 만드는 인지 기술 개발에 초점을 맞춘다. 연구실은 라이다, 레이더, 카메라 등 다양한 센서로부터 획득되는 3차원 정보를 기반으로 객체를 검출하고, 공간 점유를 예측하며, 센서 변화나 환경 변화에 강인한 인식 모델을 만드는 데 주력한다. 이는 자율주행의 안전성과 신뢰성을 좌우하는 핵심 요소로, 실제 도로 환경에서 발생하는 도메인 편차와 센서 잡음을 극복하는 것이 중요하다. 대표적으로 3D 객체 검출을 위한 반지도 도메인 적응, 타깃 지향 데이터 증강, 레이더 포인트클라우드 기반 검출, 클러터 제거를 고려한 3차원 인식 기술이 연구된다. 센서 업그레이드, 날씨 변화, 지역적 차이로 인해 학습 데이터와 실제 운용 환경의 분포가 달라지는 문제를 해결하기 위해, 라벨이 풍부한 소스 도메인과 라벨이 부족한 타깃 도메인을 함께 활용하는 학습 전략이 적용된다. 또한 레이더와 영상, 다중 해상도 포인트클라우드를 결합한 특징맵 생성 및 시맨틱 점유 예측 기술은 장면 이해의 정밀도를 높이는 방향으로 발전하고 있다. 이 연구의 의의는 단순한 객체 검출을 넘어 자율주행 의사결정에 필요한 환경 표현을 더 풍부하고 견고하게 만든다는 데 있다. 음영지역 데이터 스티칭, 정밀지도 연계, 센서융합 기반 학습 데이터 구축과 같은 프로젝트는 실제 서비스 가능한 자율주행 플랫폼으로 이어질 가능성이 크다. 향후에는 대규모 멀티모달 파운데이션 모델, 경량화된 온디바이스 인지 모델, 불확실성 추정이 결합되면서 더욱 실시간적이고 범용적인 자율주행 인지 체계로 확장될 수 있다.

이 연구 주제는 이동체가 변화하는 환경에서 스스로 판단하고 반응할 수 있도록 만드는 지능형 모빌리티 알고리즘에 관한 것이다. 연구실은 통신 빔 추적, 차량 경로 예측, 험지 주행, End-to-End 자율주행 등 순차적 의사결정이 필요한 문제를 대상으로 강화학습과 딥러닝을 활용한다. 특히 실시간성이 중요하고 계산 자원이 제한된 차량 내 디바이스 환경을 고려하여, 높은 정확도와 낮은 연산 복잡도를 동시에 달성하는 실용적 AI 기술 개발이 강조된다. 구체적인 연구로는 딥 Q-네트워크 기반 밀리미터파 빔 추적, 차선 정보를 래스터화한 차량 경로 예측, 모듈형 순환신경망 기반 미래 궤적 예측, 비정형 지형에서의 자율주행 의사결정 기술이 포함된다. 이러한 접근은 기존의 모델 기반 추정기나 복잡한 필터링 절차에 비해 학습된 정책을 통해 빠른 추론이 가능하다는 장점이 있다. 최근 수행 중인 온디바이스 AI 및 다중감각 지능모듈 과제에서는 모델 경량화, 멀티모달 입력 처리, 소형 대규모언어모델 활용 등 실제 차량 탑재형 시스템을 고려한 구현 연구도 함께 진행되고 있다. 이 연구는 미래 모빌리티가 단순한 이동 수단을 넘어 스스로 상황을 인지하고, 예측하며, 협력적으로 행동하는 지능형 시스템으로 발전하는 데 핵심 기반이 된다. 계산 자원이 제한된 차량이나 엣지 장치에서 안정적으로 구동되는 AI 기술은 산업적 파급력이 매우 크며, 자율주행 상용화의 중요한 병목을 해결할 수 있다. 앞으로는 강화학습, 멀티모달 인식, 경량 모델 최적화가 통합되면서 차량 내부와 외부 인프라를 연결하는 적응형 모빌리티 지능으로 발전할 가능성이 높다.