AI-based Trajectory Prediction and Scheduling for Transportation and Manufacturing
연구 내용
차량 주행 패턴을 상황 인지 방식으로 예측하고, 제조 작업과 에너지 피크를 강화학습·트랜스포머로 최적화하는 연구
본 연구는 예측 오차 누적과 제약 위반을 줄이기 위해 도메인 제약을 평가와 후처리에 반영하는 방식에 집중합니다. 지능형 교통에서는 상황 인지 Transformer로 장기 차량 궤적을 예측하고, 도로 기하에 투영하는 link projection으로 off-road 예측을 완화합니다. 또한 궤적 전체를 반영하는 area-between-curves 관측치를 제안해 거리 기반 지표의 한계를 보완합니다. 제조에서는 강화학습 에이전트로 반복 job-shop scheduling을 수행하고 expected tardiness를 목적함수에 반영합니다. 에너지 관점에서는 Constrained and Conditional Transformer로 다단계 피크 전력을 예측해 피크 시간까지 추정합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
교통 예측에서는 Transformer 기반 장기 궤적 예측에 외부 상황 정보를 반영하는 인코딩 구조를 먼저 구성하고, 이후 도로 형상 제약을 반영하는 후처리와 궤적 유사도 평가 지표를 함께 도입했습니다. 제조 스케줄링에서는 dynamic action masking과 데이터 기반 arrival 분포 학습을 결합하여 일반화 성능을 높이는 방향으로 강화학습 학습 절차를 설계했습니다. 에너지 예측에서는 다단계 peak power forecasting을 위해 일별 예측과 시간별 생성의 연계를 만들고, 추가 제약을 포함한 조건부 트랜스포머로 피크 일치성을 강화했습니다. 최근에는 서로 다른 예측·최적화 문제를 동일한 제약 기반 설계 관점에서 확장하는 연구를 수행했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Robust Long-Term Vehicle Trajectory Prediction Using Link Projection and a Situation-Aware Transformer
Estimated Tardiness-Based Reinforcement Learning Solution to Repeatable Job-Shop Scheduling Problems
Multi-Step Peak Power Forecasting With Constrained Conditional Transformer for a Large-Scale Manufacturing Plant