최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
데이터가 존재하지 않습니다.
loading...
본 연구는 스마트폰 센서를 활용하여 드론을 제어하는 방법을 제시하며, 자이로센서 데이터를 기반으로 드론의 움직임을 예측하는 최적의 기계학습 모델을 탐색합니다. One-Rule, Neural Network, Decision Tree, Navie Bayesian 방법을 적용한 결과, 4축 및 8축 데이터에서 나이브 베이즈 방법이 각각 97.3%, 93.1%의 최고 정확도를 보였습니다.
아두이노 드론 만들고 직접 코딩하기
아두이노 드론 만들고 날리고 직접 코딩하기
Fully tuned radial basis function neural networks for flight control
AI 인공지능 드론 만들고 날리고 딥러닝 구현하기 : 데이터수집, 파이썬과 파이토치, 인공신경망 학습, 아두이노 AI 드론에 적용
사물인터넷이 바꾸는 세상
Control and constraint in e-learning : choosing when to choose
드론 제작 완벽 가이드 : 기계 설계, 회로, 펌웨어, 조종 앱, 운용법까지
드론 전쟁 : 고가 대형 무기체계 중심의 전쟁 패러다임을 바꾼 현대전의 게임체인저 드론의 모든 것
Drone futures : UAS in landscape and urban design
드론 스마트 농업 : 4차 산업혁명 핵심기술
드론의 세계 : 그 마법의 원리를 말하다 =
(2023년 최신판) 드론 무인멀티콥터 조종 개론 =
Recent advances in robot learning
Bio-inspired flying robots : experimental synthesis of autonomous indoor flyers
Machine learning and robot perception
Drones : what everyone needs to know
드론 Pix4Dmapper : 3차원 지형정보 획득 및 분석
드론 백과사전 : 우리 곁으로 성큼 다가온 드론에 대한 종합 안내서
3D dynamic scene analysis : a stereo based approach
Frontiers in electronic technologies : trends and challenges
IEEE Transactions on Aerospace and Electronic Systems
Sayed A.N.,Ramahi O.M.,Shaker G.IEEE Transactions on Industrial Informatics
Pang Y.,Song N.,Cai Q.IEEE ACCESS
Zamri, Fatin Najihah Muhamad; Gunawan, Teddy Surya; Yusoff, Siti Hajar; Alzahrani, Ahmad A.; Bramantoro, Arif; Kartiwi, MiraIEEE Sensors Letters
Zheng, S.; Sun, J.; Zhao, Z.; Zhang, L.; Yang, X.Journal of Physics: Conference Series
Anis, H.; Fadhillah, A.H.I.; Darma, S.; Soekirno, S.IEEE Sensors Journal
Wang, B.; Li, J.; Zhou, M.; Lu, Q.IEEE Transactions on Pattern Analysis and Machine Intelligence
Huang C.,Dang Y.,Chen P.,Yang X.,Cheng K.T.Drones
Liu H.,Suzuki S.Future Generation Computer Systems
Al-Sa'd M.F.,Al-Ali A.,Mohamed A.,Khattab T.,Erbad A.Drones
Singha S.,Aydin B.대한임베디드공학회논문지
김영수, 이준범, 이찬영, 전혜리, 김승필IEEE Transactions on Vehicular Technology
Rubina Akter; Van-Sang Doan; Ahmad Zainudin; Dong-Seong KimIEEE/ASME Transactions on Mechatronics
Kabore K.M.,Guler S.IEEE Transactions on Pattern Analysis and Machine Intelligence
Huang, Chong; Dang, Yuanjie; Chen, Peng; Yang, Xin; Cheng, Kwang Ting한국기계가공학회지
심태성; 이선우; 허장욱한국컴퓨터정보학회논문지
김운용Applied Soft Computing Journal
Bayliss C.,Juan A.A.,Currie C.S.M.,Panadero J.IEEE Access
Taha B.,Shoufan A.IEEE Transactions on Intelligent Transportation Systems
Ümit Çelik; Haluk ErenIEEE Aerospace and Electronic Systems Magazine
Ain, Q.U.; Xia, K.; Fatima, T.전선 / 학사
“항공드론빅데이터알고리즘”은 드론 기술과 인공지능의 융합을 탐구하는 수업이다. 드론은 자율비행, 데이터 처리, 기계학습 등 다양한 인공지능 기술을 활용하여 복잡한 환경 속에서도 효율적으로 임무를 수행한다. 드론에서 인공지능의 궁극적인 목표는 대량의 데이터를 수집하고, 이를 임무에 맞게 최적화하여 운영하는 것이다. 본 과목에서는 드론이 수집하는 방대한 양의 데이터가 자동화된 방식으로 처리되는 방법을 이해한다. 학생들은 빅데이터 알고리즘의 기본 개념을 배우고, 이를 통해 실질적인 데이터 분석 기법을 습득한다. 특히, 수집된 빅데이터를 활용하여 실제 드론 임무에 적용할 수 있는 사례를 통해 이론과 실무의 연계를 강화한다. 또한, 데이터 분석 과정에서의 도전 과제와 해결책을 모색하고, 최신 기술 동향을 반영하여 학생들이 변화하는 드론 산업에 적응할 수 있도록 돕는다. 궁극적으로, 학생들은 드론의 데이터 분석 역량을 강화하고, 이를 통해 효과적인 의사결정을 내릴 수 있는 능력을 배양한다.전선 / 대학원
다양한 무인시스템의 경로 계획과 임무 판단에 관한 기법을 학습한다. 특히 시스템의 특성을 고려한 모션 계획, 모션에 대한 구속 조건, 충돌 회피 경로의 계산, 모델예측제어 등의 제어 기법과 학습 알고리듬의 모션 계획 문제에의 응용, 임무 수행을 위한 판단 기법, 그리고 이와 관련된 최적화 기법 및 다중개체시스템의 모션 계획 문제로의 확장 등에 대해 배운다. 수강생들은 다양한 모션 계획 알고리듬을 구현, 구동해봄으로써 실제 시스템에 적용할 수 있는 능력을 기르고, 관련 분야의 최신 논문을 통해 모션 계획 기법의 발전 동향을 살펴본다.전선 / 대학원
다양한 무인시스템의 경로 계획과 임무 판단에 관한 기법을 학습한다. 특히 시스템의 특성을 고려한 모션 계획, 모션에 대한 구속 조건, 충돌 회피 경로의 계산, 모델예측제어 등의 제어 기법과 학습 알고리듬의 모션 계획 문제에의 응용, 임무 수행을 위한 판단 기법, 그리고 이와 관련된 최적화 기법 및 다중개체시스템의 모션 계획 문제로의 확장 등에 대해 배운다. 수강생들은 다양한 모션 계획 알고리듬을 구현, 구동해봄으로써 실제 시스템에 적용할 수 있는 능력을 기르고, 관련 분야의 최신 논문을 통해 모션 계획 기법의 발전 동향을 살펴본다.전선 / 학사
이 교과목은 드론 운용에 필요한 기본 이론과 실습을 함께 다루는 과목으로, 드론의 비행 원리, 제어 시스템, 관련 항공법규, 그리고 실제 운용 기술에 대한 체계적인 기초를 제공한다. 수강생들은 드론의 구조와 주요 센서 및 장비에 대한 기초 지식을 습득하고, 안전한 비행을 위한 규정과 절차를 학습한다. 또한, 시뮬레이션 및 실제 조종 실습을 통해 다양한 비행 모드와 임무 수행 방법을 경험할 수 있다. 본 강좌는 이론(2시간)과 실습(2시간)을 병행하여 진행되며, 이를 통해 학생들은 단순한 기기 조작을 넘어 드론 운용 전반에 관한 종합적 역량을 기를 수 있다. 나아가 항공우주공학적 관점에서 드론 기술의 발전 방향과 응용 가능성에 대한 이해를 확장하여, 향후 전문 분야 학습 및 연구로 이어질 수 있는 기반을 마련한다.전선 / 대학원
이 교과목에서는 비선형시스템 식별에 관련된 각종 실용적 기법들을 소개한다. 또한, 비선형 목적함수의 최적문제의 해를 구하는 각종 비선형프로그래밍기법도 소개한다. 단, 비선형궤환제어와 컴퓨터 네트워크 등에 효과적으로 사용될 수 있는 기법들에 국한하여 심도 있게 공부하고 실제 응용 예를 통하여 그 가능성을 토의한다.전선 / 학사
딥 러닝의 핵심 개념, 모델 및 활용 사례를 강의한다. 강의 전반부에는 deep neural network의 정의, stochastic gradient descent, backpropagation, activation, optimization 등 딥 러닝의 핵심 개념을 강의하며, 후반부에는 convolutional neural network, recurrent neural network, generative adeversarial network, transformer 등 실제로 활용되는 딥 러닝 모델들의 특징과 활용 사례를 다룬다. 또한 각 모델들을 PyTorch를 통해 실제로 활용해볼 수 있도록 과제/프로젝트를 구성한다.전선 / 대학원
빅데이터와 인공지능은 무인이동체의 자율적인 운행을 위한 필수적인 기술이다. 빅데이터는 인공지능의 예측 정확성을 증대시키고 사고범위를 확장하는 기반자료로서 무인이동체의 다양한 운항 및 성능자료 등이 여기에 포함된다. 인공지능 기술에 의해 시스템이 지능화하게 되면 자율화 프로세스인 OODA(Observe-Orient-Decision-Action)가 적시에 연쇄적으로 이루어지게 되어 통신 차폐와 송수신 시간 지연, 재밍 등의 제한성을 가진 무인이동체의 임무 자유도를 현격하게 증대시키게 된다. 이 교과과정에서는 대학원생이 빅데이터의 처리기법과 딥러닝에서 핵심적인 요소인 신경망과 CNN(합성곱 신경망)을 학습하여 인공지능의 기본 원리와 적용을 이해하게 된다. 이를 통해 무인이동체의 자율화의 통제수준을 인지하고 자율화의 현 수준과 발전방향을 이해하여 가능한 임무를 선택하고 운영개념을 작성할 수 있는 지식과 식견을 가지게 될 것이다.공통 / 대학원
기계 학습은 새로운 통계방법론 및 알고리즘 개발의 기반역할을 하고 있다. 이 과목에서는 고급기계학습을 위한 방법론을 이론적 기초와 함께 강의할 예정이다. 또한 방법론의 실용적 측면과 직관을 통하여 이론적 내용을 제공하여 학생들이 상황에 맞는 적절한 분석방법과 각자의 연구주제에 적합한 분석 툴에 개발하는데 도움을 주고자 한다. 구체적으로 머신러닝 연구에 중요한 비모수추론, 집중 부등식, 최적화 및 변분 방법등과 같은 주제를 다를 예정이다전선 / 학사
최근 급속한 기술 발달로 자율주행자동차, 드론, 휴머노이드, 무인생산로봇과 같은 스스로 인지 판단하여 움직이는 자율로봇들이 일상생활에 보급 등장하기 시작했다. 이들 로봇의 등장으로 사고가 나지 않거나 운전면허가 필요 없는 자동차나 사람이 진입이 어려운 핵발전소나 지진 재난현장에 구조 및 극한 작업을 하는 등 기존에 상상할 수 없었던 분야로 빠르게 응용되고 있다. 더욱이 빅데이터, 기계학습, 인공지능 기술과 결합하며 갈수록 인간스러운 로봇으로 발전하기 시작했고 실제로 여러 분야의 인간 노동력을 대체하기 시작했다. 이 수업에서는 수강생들은 자율로봇의 원리와 최신 기술 동향을 소개받고 실제 로봇 설계 및 프로그래밍을 통해 로봇의 지능을 구현해보고 응용함으로써 배우게 된다. 공대뿐만 아니라 다양한 전공의 학생들의 수강을 환영하며 수강생들은 다학제로 팀을 이루어 수업을 통해 배운 기술을 사용하여 새롭고 유용한 로봇을 만들게 된다. 모든 자료는 영어로 만들어 지며 한국어와 영어를 번갈아 가며 강의하고 실습을 강조하므로 교환학생 및 국제 학생의 수강신청도 권장한다.전선 / 학사
머신러닝과 인공지능 분야가 보여주고 있는 놀라운 발전의 근간에는 자연 현상을 수학 문제로 기술한 뒤 수많은 현대 수학의 도구를 이용해서 풀어낸 수학의 틀이 존재한다. 따라서 이같은 수학의 핵심 원리를 모른 채 이미 라이브러리화된 것을 단순하게 사용하여 학습하는 것으로는 한계에 봉착할 수 있다. 본 강의의 목적은 수강생이 머신러닝을 이해하는데 있어 필요한 수학을 프로그래밍과 연계하여 학습하는데 있다. 이를 위해 본 강의는, 수학의 단위 주제 강의 후 즉시 프로그래밍 실습을 통해 익히는 마이크로러닝 방식으로 운영한다. 머신러닝 알고리즘을 직접 다루지 않으나, 대수학, 미적분학, 선형대수, 기하학과 같이 머신러닝 학습 및 강좌에 필수적으로 요구되는 내용을 다루며, 수업에서 사용하는 프로그래밍 언어는 파이썬이다. 본 강의는 이공계 고교 수학 이상의 지식을 갖추고 있으나 프로그래밍 지식을 갖추고 있지 않은 학생을 주 대상으로 한다.전필 / 학사
첨단융합학부 학생의 전공탐색을 위한 과목으로, 융합데이터과학의 핵심 개념과 다양한 응용 분야를 소개하여 향후 전공선택에 필요한 필수적인 정보를 제공한다. 특히, 융합데이터과학 분야에서 진행되는 첨단연구와 연구의 실제 응용 사례를 직접 체험하여, 자신의 전공 적성을 좀 더 구체적으로 알아보고 설계할 수 있는 기회를 제공한다.전선 / 대학원
이 과목은 다변수 피드백 제어시스템의 강인성 분석과 설계에 관한 다양한 이론적 개념과 기법들을 배운다. 항공기 모델에 불확실성이 존재하거나 외란이 작용하더라도 비행 안정성과 성능을 잃지 않고 제어할 수 있어, 드론, 무인기, 미래 항공 모빌리티 등에 유용한 기술을 학습한다.전선 / 대학원
딥러닝 모델은 추상화 복잡도를 증가하면서 정보를 표현하는 여러 계층으로 이루어진 신경망으로, 최근 영상/음성/자연어 처리 등의 문제에서 다른 기계 방법론들을 크게 상회하는 뛰어난 성능을 보이고 있다. 본 과정에서는 딥러닝의 기반이 되는 기계학습 및 최적화 기법들을 배우고, 기본적인 신경망에 대해서 학습한다. 그리고 영상 처리와 자연어 처리의 핵심 모델인 Convolutional neural networks와 Recurrent neural networks의 훈련법과 추론법들을 익힌다. 또한 비감독 생성 모델인 Autoencoders와 Restrict Boltzman machines에 대해 자세히 살펴 보고 마지막으로 딥러닝 기반 강화 학습에 대해서도 학습하고 실습을 진행한다. 본 과목은 대학원생과 일부 고년차 학부생을 대상으로 한다.전선 / 학사
본 과정에서는 머신러닝의 기초를 수업한다. 수업 초반에는 머신러닝의 기초가 되는 확률, 선형대수, 최적화, 신호처리를 간단히 리뷰한다. 중반부에서는 대표적인 머신러닝 문제인 Classification, regression, clustering을 소개하고 예시를 통하여 개념을 학습한다. 후반부에서는 스마트 제조를 위한 센싱, 공간정보구축, 로보틱스 적용의 실습을 조별로 진행한다. 독립전원으로 구동가능한 미니PC 상에 리눅스를 운용하고, ROS SLAM 등 로보틱스와 공간지능 관련 소프트웨어를 배운다. 마지막으로는 실제 센서를 함께 구동하고 직접 데이터를 취득한 후, 수업에서 학습한 머신러닝 알고리즘을 적용해보기 위한 실습을 수행한다.전선 / 대학원
통계적 기계학습 방법은 데이터과학 및 인공지능 분야에서 핵심 방법론으로 사용되고 있다. 본 강의에서는 통계적 기계학습 방법론을 소개하고 기본 이론을 배운다. 주로 지도학습방법론을 위주로 다루며, 의사결정론, 고차원 선형모형, 비모수 함수추정, 의사결정나무와 앙상블, Support vector machine 그리고 딥러닝에 대한 이론 및 알고리즘을 가르친다. 그리고 지도학습 알고리즘을 관통하는 통계학적 원리인 M-추정량에 대해서 논의한다.전선 / 대학원
본 과목에서는 다양한 인공 지능 (특히 머신 러닝) 및 빅데이터 분석 시스템에 대해 공부한다. 자원을 관리하는 자원 관리자, 데이터를 저장하는 분산 스토리지, 데이터 처리의 핵심 모델인 데이터 플로우 모델, 배치 분석, 인메모리 처리, 스트림 처리, SQL, 머신 러닝/딥러닝 시스템, 그래프 처리에 대해서 공부한다. 특히, 대표적인 시스템인 Spark, Beam, TensorFlow, PyTorch 등을 활용하여 실제로 해당 시스템들이 어떻게 동작하는지 깊게 공부한다. 배운 이론을 바탕으로 프로그래밍 과제와 팀별 연구 프로젝트를 수행한다.전선 / 학사
본 강좌는 딥러닝 등 기계학습 기반 인공지능 및 관련 분야에 관심있는 수강생을 대상으로 하는 학부 교과목으로 인공지능 분야의 핵심이 되는 기계학습의 개념 및 응용을 소개하고, 주요 기계학습 알고리즘 및 모델들에 대해 학습한다. 과제 및 프로젝트를 통해 최신 기계학습 기법의 심층적 이해와 실제 구현 기회를 부여한다. 주요 내용으로는 학습이론, 선형모델 (선형회귀, 선형분류, Logistic 회귀), Support Vector Machine, 인공신경망, 순차모델, 기초 딥러닝 모델 (MLP, CNN, RNN), 앙상블 학습 등을 포함한다. 선수과목: 데이터구조 혹은 알고리즘, 선형대수, 확률변수, 프로그래밍 방법론전선 / 대학원
본 교과목은 응용 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
최근 급속도로 증가하고 있는 수많은 인공위성에 탑재된 센서들은 무엇이며, 이러한 센서들로부터 생성되는 위성자료의 종류, 구조, 검보정 방법들에 대해 배우며 이러한 자료들을 이용하여 다양한 과학기술 분야에서 어떻게 활용할 수 있을지에 대해 이해한다. 이 수업에서 Sentinel-1/2, TerraSAR-X, Lansat과 같은 실제 인공위성 자료들을 이용하여 자료처리 및 활용개발에 대한 실습도 수행한다.전선 / 대학원
최근 급속도로 증가하고 있는 수많은 인공위성에 탑재된 센서들은 무엇이며, 이러한 센서들로부터 생성되는 위성자료의 종류, 구조, 검보정 방법들에 대해 배우며 이러한 자료들을 이용하여 다양한 과학기술 분야에서 어떻게 활용할 수 있을지에 대해 이해한다. 이 수업에서 Sentinel-1/2, TerraSAR-X, Lansat과 같은 실제 인공위성 자료들을 이용하여 자료처리 및 활용개발에 대한 실습도 수행한다.