본 연구는 모바일 로봇 경로 계획을 위한 Weight-Incorporating A* (WIA*) 알고리즘을 제안한다. WIA* 알고리즘은 기존 A* 비용 함수에 세 가지 가중치 요소를 통합한다. 즉, 충돌 회피를 위한 장애물 충돌(Obstacle Collision, OC) 가중치, 경로 길이 최적화를 위한 경로 거리(Path Distance, PD) 가중치, 그리고 환경 고려를 위한 주행 적합도(Driving Suitability, DS) 가중치이다. 실험적 검증은 아홉 개의 2D 격자 지도와 3D 가상 환경을 사용하여 수행하였다. 그 결과, WIA*는 기존 A*에서 평균 9.11회의 충돌이 발생한 것에 비해 장애물 충돌을 0회로 달성하였다. WIA*는 경로 길이를 12.69% 증가시켰으나, 주행 적합도 비용을 93.88% 감소시켜 아홉 개의 테스트 환경 중 여섯 곳에서 비용을 0으로 달성하였다. 본 알고리즘은 환경 요인을 통합하면서도 효과적인 무충돌 경로 생성을 입증하여, 실제 모바일 로봇 항법에 적합함을 보여준다.

본 논문은 다중 그래픽 마커를 사용하여 모바일 로봇에서 자세 추정의 정확도와 정밀도를 향상시키기 위한 새로운 접근법을 제시한다. ArUco와 같은 그래픽 마커를 활용하는 전통적인 단일 마커 방법은 구현이 간단하지만, 그 성능은 환경 변화와 측정 오류에 취약하다. 이러한 한계를 해결하기 위해, 우리는 다수의 마커를 동시에 활용하는 강건한 자세 추정 알고리즘을 제안한다. 우리의 접근법은 두 가지 핵심 메커니즘을 포함한다. 즉, 마커 배열 내에서 유효하지 않은 마커를 탐지하기 위한 공간적 일관성 검증과, 이상치 측정을 식별하고 제외하기 위한 시간적 안정성 분석이다. 제안한 알고리즘은 유효한 마커로부터의 측정을 평균화함으로써 자세 추정 정확도를 향상시키되, 어떠한 단일 마커도 추정 과정에서 지배적 영향을 미치지 못하도록 방지한다. 본 접근법의 유효성은 고정 카메라와 드론 장착 카메라 구성 모두를 사용한 실험을 통해 검증되었다. 결과는 다중 마커를 이용한 자세 추정이 단일 마커 접근법에 비해 정확도와 정밀도 모두를 유의미하게 향상시킴을 보여주었다. 고정 카메라 실험에서는 카메라 자세가 다양한 조건에서 위치 및 방향 측정의 평균 오차와 표준편차가 감소하는 것으로 나타났다. 또한 드론 장착 카메라 실험에서는 호버링 기동 동안 측정 변동이 유의하게 더 낮아, 우리의 접근법이 더 우수한 안정성을 보였다. 이러한 개선은 특히 카메라가 마커 평면에 대해 큰 각도로 기울어져 있는 경우와 같은 어려운 시나리오에서 두드러지게 나타났다. 본 연구는 모바일 로봇 및 자율 시스템에서 신뢰할 수 있는 자세 추정 방법론의 발전에 기여하며, 정확한 위치 및 방향 측정이 중요한 다양한 환경에서의 잠재적 응용 가능성을 가진다.

전지구항법위성시스템(GNSS)은 전 세계적으로 위치와 시간을 측정하는 데 일반적으로 사용된다. GNSS는 다른 센서와의 비교를 통해 보조 항법 도구를 사용하지 않고도 비교적 정확한 위치를 측정할 수 있다는 점에서 편리하다. 이러한 이점에 기반하여 적용 영역은 상업적·사회적 용도(예: 차량 내비게이션, 스마트 그리드, 스마트폰 앱)로까지 확장되고 있다. 향후에는 사물인터넷(IOT)을 더욱 활성화하는 다양한 서비스와 기술(예: 자율주행차, 무인 배송, 산업용 현장 로봇의 활용)이 우리 사회에서 사용될 것이다. 반대로 GNSS는 위성 신호 수신을 통해 위치와 시간을 계산한다는 특성 때문에, 도시 지역과 같은 가혹한 환경에서는 성능이 저하될 수 있다. 그러나 도시의 건물은 항법 위성 신호를 차단하고 다중경로 오차를 유발할 수 있다. 차단된 신호는 항법해의 정확도를 나타내는 정밀도 희석(dilution of precision, DOP)을 악화시키며, 그 결과 항법해 오차를 증가시킨다. 본 연구는 다양한 기법(예: 거리 차이(range differences), 수신기 시계 오차 유지(receiver clock error hold), 가상 위성(virtual satellites))을 활용하여 항법 성능을 향상시키는 방법을 제안한다. 제안된 방법들은 가시 위성이 감소한 가혹한 환경에서 검증되었다. 시뮬레이션에서 각 제안 방법은 수신기가 가혹한 환경에 진입하더라도 정상 상황과 유사한 환경을 조성함으로써 항법 성능을 향상시켰다. 그 결과 가시 위성 수가 감소한 정상 상황에 비해 항법 성능이 저하되는 양상이 확인되었다. 그러나 제안된 기법을 적용함으로써 항법 성능은 점진적으로 회복되었다. 제안된 방법을 사용하면 위성 신호가 차단된 상황에서도 항법 성능을 지속적으로 유지할 수 있다.

배경: 변이 및 유방촬영술 유방 밀도. 방법: 2014년 1월부터 2021년 6월까지 초음파(US)를 시행한 1,041명의 환자로부터 총 1,041장의 US 영상을 수집하였으며, 여기에는 양성 종괴 633개와 악성 종괴 408개가 포함되었다. 모든 US 영상은 무작위로 학습(양성 513개 및 악성 288개), 검증(양성 60개 및 악성 60개), 테스트(양성 60개 및 악성 60개) 데이터 세트로 분할하였다. 마스크 영역 기반 컨볼루션 신경망(R-CNN)을 사용하여 CNN 및 사전 학습된 ResNet101 구조를 통해 입력 영상의 특징 맵을 생성하였다. 임상 모델에서는 다층 퍼셉트론(MLP) 구조를 사용하여 임상적 위험 인자로부터 종양이 양성 또는 악성일 가능성을 산출하였다. 결과: 영상 기반 DL 알고리즘, 회귀를 이용한 결합 모델, 의사결정나무 방법을 이용한 결합 모델의 진단 성능을 비교하였다. US 영상을 사용했을 때 DL 알고리즘의 수신자 조작 특성 곡선(AUROC) 아래 면적은 0.85 [95% 신뢰구간(CI), 0.78-0.92]였다. 회귀 모델을 이용한 결합 모델의 민감도는 78.3%(95% CI, 67.9-88.8%), 특이도는 85%(95% CI, 76-94%)였다. 회귀를 이용한 결합 모델의 민감도는 영상 모델보다 유의하게 높았으며(P=0.003), 두 모델의 특이도는 유의한 차이가 없었다(P=0.083). 의사결정나무 모델을 이용한 결합 모델의 민감도와 특이도는 각각 75%(95% CI, 62.1-85.3%)와 91.7%(95% CI, 81.6-97.2%)였다. 의사결정나무를 이용한 결합 모델의 민감도는 영상 모델보다 높았으나 통계적으로 유의하지 않았고(P=0.081), 두 모델의 특이도는 유의한 차이가 없었다(P=0.748). 결론: DL 모델은 1 cm 미만의 유방암을 예측하는 데 타당하게 활용될 수 있다. 임상 요인을 사용한 결합 모델이 단독 US 기반 DL 모델보다 우수하였다.

본 연구는 모바일 로봇 경로 계획을 위한 Weight-Incorporating A* (WIA*) 알고리즘을 제안한다. WIA* 알고리즘은 기존 A* 비용 함수에 세 가지 가중치 요소를 통합한다. 즉, 충돌 회피를 위한 장애물 충돌(Obstacle Collision, OC) 가중치, 경로 길이 최적화를 위한 경로 거리(Path Distance, PD) 가중치, 그리고 환경 고려를 위한 주행 적합도(Driving Suitability, DS) 가중치이다. 실험적 검증은 아홉 개의 2D 격자 지도와 3D 가상 환경을 사용하여 수행하였다. 그 결과, WIA*는 기존 A*에서 평균 9.11회의 충돌이 발생한 것에 비해 장애물 충돌을 0회로 달성하였다. WIA*는 경로 길이를 12.69% 증가시켰으나, 주행 적합도 비용을 93.88% 감소시켜 아홉 개의 테스트 환경 중 여섯 곳에서 비용을 0으로 달성하였다. 본 알고리즘은 환경 요인을 통합하면서도 효과적인 무충돌 경로 생성을 입증하여, 실제 모바일 로봇 항법에 적합함을 보여준다.

본 논문은 다중 그래픽 마커를 사용하여 모바일 로봇에서 자세 추정의 정확도와 정밀도를 향상시키기 위한 새로운 접근법을 제시한다. ArUco와 같은 그래픽 마커를 활용하는 전통적인 단일 마커 방법은 구현이 간단하지만, 그 성능은 환경 변화와 측정 오류에 취약하다. 이러한 한계를 해결하기 위해, 우리는 다수의 마커를 동시에 활용하는 강건한 자세 추정 알고리즘을 제안한다. 우리의 접근법은 두 가지 핵심 메커니즘을 포함한다. 즉, 마커 배열 내에서 유효하지 않은 마커를 탐지하기 위한 공간적 일관성 검증과, 이상치 측정을 식별하고 제외하기 위한 시간적 안정성 분석이다. 제안한 알고리즘은 유효한 마커로부터의 측정을 평균화함으로써 자세 추정 정확도를 향상시키되, 어떠한 단일 마커도 추정 과정에서 지배적 영향을 미치지 못하도록 방지한다. 본 접근법의 유효성은 고정 카메라와 드론 장착 카메라 구성 모두를 사용한 실험을 통해 검증되었다. 결과는 다중 마커를 이용한 자세 추정이 단일 마커 접근법에 비해 정확도와 정밀도 모두를 유의미하게 향상시킴을 보여주었다. 고정 카메라 실험에서는 카메라 자세가 다양한 조건에서 위치 및 방향 측정의 평균 오차와 표준편차가 감소하는 것으로 나타났다. 또한 드론 장착 카메라 실험에서는 호버링 기동 동안 측정 변동이 유의하게 더 낮아, 우리의 접근법이 더 우수한 안정성을 보였다. 이러한 개선은 특히 카메라가 마커 평면에 대해 큰 각도로 기울어져 있는 경우와 같은 어려운 시나리오에서 두드러지게 나타났다. 본 연구는 모바일 로봇 및 자율 시스템에서 신뢰할 수 있는 자세 추정 방법론의 발전에 기여하며, 정확한 위치 및 방향 측정이 중요한 다양한 환경에서의 잠재적 응용 가능성을 가진다.

전지구항법위성시스템(GNSS)은 전 세계적으로 위치와 시간을 측정하는 데 일반적으로 사용된다. GNSS는 다른 센서와의 비교를 통해 보조 항법 도구를 사용하지 않고도 비교적 정확한 위치를 측정할 수 있다는 점에서 편리하다. 이러한 이점에 기반하여 적용 영역은 상업적·사회적 용도(예: 차량 내비게이션, 스마트 그리드, 스마트폰 앱)로까지 확장되고 있다. 향후에는 사물인터넷(IOT)을 더욱 활성화하는 다양한 서비스와 기술(예: 자율주행차, 무인 배송, 산업용 현장 로봇의 활용)이 우리 사회에서 사용될 것이다. 반대로 GNSS는 위성 신호 수신을 통해 위치와 시간을 계산한다는 특성 때문에, 도시 지역과 같은 가혹한 환경에서는 성능이 저하될 수 있다. 그러나 도시의 건물은 항법 위성 신호를 차단하고 다중경로 오차를 유발할 수 있다. 차단된 신호는 항법해의 정확도를 나타내는 정밀도 희석(dilution of precision, DOP)을 악화시키며, 그 결과 항법해 오차를 증가시킨다. 본 연구는 다양한 기법(예: 거리 차이(range differences), 수신기 시계 오차 유지(receiver clock error hold), 가상 위성(virtual satellites))을 활용하여 항법 성능을 향상시키는 방법을 제안한다. 제안된 방법들은 가시 위성이 감소한 가혹한 환경에서 검증되었다. 시뮬레이션에서 각 제안 방법은 수신기가 가혹한 환경에 진입하더라도 정상 상황과 유사한 환경을 조성함으로써 항법 성능을 향상시켰다. 그 결과 가시 위성 수가 감소한 정상 상황에 비해 항법 성능이 저하되는 양상이 확인되었다. 그러나 제안된 기법을 적용함으로써 항법 성능은 점진적으로 회복되었다. 제안된 방법을 사용하면 위성 신호가 차단된 상황에서도 항법 성능을 지속적으로 유지할 수 있다.

배경: 변이 및 유방촬영술 유방 밀도. 방법: 2014년 1월부터 2021년 6월까지 초음파(US)를 시행한 1,041명의 환자로부터 총 1,041장의 US 영상을 수집하였으며, 여기에는 양성 종괴 633개와 악성 종괴 408개가 포함되었다. 모든 US 영상은 무작위로 학습(양성 513개 및 악성 288개), 검증(양성 60개 및 악성 60개), 테스트(양성 60개 및 악성 60개) 데이터 세트로 분할하였다. 마스크 영역 기반 컨볼루션 신경망(R-CNN)을 사용하여 CNN 및 사전 학습된 ResNet101 구조를 통해 입력 영상의 특징 맵을 생성하였다. 임상 모델에서는 다층 퍼셉트론(MLP) 구조를 사용하여 임상적 위험 인자로부터 종양이 양성 또는 악성일 가능성을 산출하였다. 결과: 영상 기반 DL 알고리즘, 회귀를 이용한 결합 모델, 의사결정나무 방법을 이용한 결합 모델의 진단 성능을 비교하였다. US 영상을 사용했을 때 DL 알고리즘의 수신자 조작 특성 곡선(AUROC) 아래 면적은 0.85 [95% 신뢰구간(CI), 0.78-0.92]였다. 회귀 모델을 이용한 결합 모델의 민감도는 78.3%(95% CI, 67.9-88.8%), 특이도는 85%(95% CI, 76-94%)였다. 회귀를 이용한 결합 모델의 민감도는 영상 모델보다 유의하게 높았으며(P=0.003), 두 모델의 특이도는 유의한 차이가 없었다(P=0.083). 의사결정나무 모델을 이용한 결합 모델의 민감도와 특이도는 각각 75%(95% CI, 62.1-85.3%)와 91.7%(95% CI, 81.6-97.2%)였다. 의사결정나무를 이용한 결합 모델의 민감도는 영상 모델보다 높았으나 통계적으로 유의하지 않았고(P=0.081), 두 모델의 특이도는 유의한 차이가 없었다(P=0.748). 결론: DL 모델은 1 cm 미만의 유방암을 예측하는 데 타당하게 활용될 수 있다. 임상 요인을 사용한 결합 모델이 단독 US 기반 DL 모델보다 우수하였다.

기후 변화와 지구 온난화의 결과로, 식물 병해와 해충이 그 어느 때보다 빠르게 확산하고 있어 주목을 받고 있다. 토마토 잎굴파리는 토마토의 생장 구조를 파괴하여 토마토 수확량이 80~100%까지 감소하게 한다. 확산을 막기 위한 광범위한 노력에도 불구하고, 토마토 잎굴파리는 대부분의 대륙에서 발견된다. 토마토 잎굴파리로부터 토마토를 보호하기 위해서는, 토마토 생애 주기 전반에 걸쳐 정기적인 점검이 수행되어야 한다. 토마토 잎굴파리를 탐지하기 위한 더 나은 딥 뉴럴 네트워크(DNN) 접근법을 찾고자, 우리는 분류와 분할을 위한 두 가지 DNN 모델을 조사하였다. 실제 농업 현장에서 촬영한 토마토 잎의 동일한 RGB 영상을 두 DNN 모델의 학습에 사용하였다. 두 DNN 모델의 성능 비교에는 정밀도(precision), 재현율(recall), F1-score를 사용하였다. 토마토 잎굴파리를 진단하는 측면에서, 분할을 위한 DNN 모델이 분류를 위한 DNN 모델보다 더 우수하였으며, 정밀도, 재현율, F1-score 값이 더 높았다. 또한 분할을 위한 DNN 모델의 예측에서는 거짓 음성(false negative) 사례가 없었는데, 이는 그것이 식물의 병해와 해충을 탐지하기에 적절함을 시사한다.

본 논문은 소형 드론을 위한 새로운 자동 충전 스테이션을 제안한다. 이 시스템은 착륙 구조물의 3차원 형상과 중력을 활용하여, 정밀한 착륙 제어가 어려운 소형 드론을 충전 위치로 유도한다. 또한 단일 액추에이터를 사용하여 충전 케이블의 수직 1자유도 운동을 구동하는 접촉 기반 충전 방식을 채택함으로써, 드론의 충전 단자와의 연결을 가능하게 한다. 개발된 시스템은 충전 시작 여부를 지속적으로 확인하며, 드론에 충전 케이블을 연결하여 충전이 성공적으로 시작될 때까지 연결을 시도한다. 성능 평가는 드론이 스테이션의 서로 다른 위치와 자세에서 착륙하는 다양한 상황에서 높은 충전 성공률을 보여준다. 대부분의 실험에서 드론에 충전 케이블을 연결하는 데 5회 이내의 시도로 충전에 성공하였다. 본 연구는 착륙 구조물의 형상과 중력을 활용한 기계적 설계를 통해 안정적인 드론 충전 자동화를 달성할 수 있음을 입증한다. 개발된 시스템은 단순하게 설계되어 비용 효율적이며 유지보수가 용이하다.

GNSS는 높은 신뢰성이 요구되는 응용 분야에서 광범위하게 사용된다. 그러나 GNSS는 본질적으로 다양한 오차 요인을 포함하며, 스푸핑(spoofing)과 같은 악의적인 공격에 취약하다. GNSS의 안정적인 활용을 보장하기 위해 GNSS 스푸핑 신호 탐지 메커니즘을 GNSS 신호 처리에 통합하는 것이 필수적이다. 본 논문에서는 GNSS 신호에서 스푸핑을 탐지하기 위한 인공지능(AI)을 제안한다. 개발된 AI 모델은 시간에 따라 변화하는 위성 항법 해(해결)와 함께, GNSS 신호 내에서 스푸핑을 효과적으로 탐지한다. AI는 시뮬레이션된 GNSS 데이터를 사용하여 학습되었으며, GNSS 신호 처리에 AI 기법을 적용하는 가능성을 확인하였다.

인간 조작자가 3차원 공간에서 무인 항공기(UAV)가 원하는 방향을 나타내는 롤, 피치, 요(roll, pitch, yaw; RPY)를 찾기는 어렵다. 본 연구에서는 RPY 정보를 찾지 않고도 UAV의 방향을 제어할 수 있도록 하는 UAV용 제어기를 개발하였다. 제어기에 구현된 알고리즘은 말단 집행기(end effector)의 법선벡터(normal vector)로부터 UAV의 RPY 정보를 자동으로 계산한다. 개발된 제어기는 병렬 메커니즘을 이용해 설계되었다. 제어기의 관절각은 포텐셔미터(potentiometers)로 측정하여 말단 집행기의 법선벡터를 추정하였다. 5명의 피험자가 개발된 제어기와 엄지 스틱(thumb sticks)을 사용하여 무작위로 생성된 목표 벡터를 따라 3차원 공간에서 벡터를 제어하는 실험에 참여하였다. 두 제어기의 성능은 두 가지 방법으로 평가하였다. 즉, 제어된 벡터와 목표 벡터 간 오차를 0.1 cm 미만으로 줄이는 데 필요한 시간을 측정하는 방법과, 제어된 벡터를 10초 동안 조작한 후 제어된 벡터와 목표 벡터 간 정규화 오차(normalized error)를 계산하는 방법이다. 개발된 제어기를 사용했을 때 피험자 간 제어 능력의 차이가 감소하였고, 필요한 시간과 정규화 오차 모두 전반적으로 감소하였다.