R&D최종보고서
| 과제고유번호 | 202020CTAP-C152021-02 | |||||
|---|---|---|---|---|---|---|
| 연구사업명 | 국토교통기술촉진연구사업 | |||||
| 연구과제명 | 다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 알고리즘 개발 | |||||
| 총 연구기간 | 2019-04-15 ~ 2020-12-31 | |||||
| 연구책임자 | 이재우 | |||||
| 당해년도 참여 연구원수 |
4명 | 총 연구기간 참여 연구원수 |
7명 | |||
| 당해년도 연구비 |
정부 : 206,000,000 원 기업 : 0 원 계 : 206,000,000 원 |
총연구비 | 정부 : 370,000,000 원 기업 : 0 원 계 : 370,000,000 원 |
|||
| 연구기관명 | 건국대학교산학협력단 | |||||
| 등록 발간번호 | 11-B552989-000401-01 | |||||
| ISBN | 979-11-961252-7-1 | |||||
| 주요 내용 |
인공지능을 이용한 경로 계획 및 장애물 회피 기술, 인공지능 상황판단을 통한 임무 재설계 기술 및 고 정밀 시뮬레이션을 이용한 인공지능 훈련 데이터 획득 기술 개발을 통해 자율화 레벨(ATRA) 6 이상의 초자율 무인기를 위한 다중 에이전트 개발 및 결합 원천 기술을 확보하며, 최종적으로 자율화레벨 9~10 수준의 무인기/드론 개발에 대한 장기적 연구 비전을 가지고 유기적이고 융합적으로 수행함 본 연구에서는 4차 산업혁명의 신기술로 인식되고 있는 다중 인공지능 기술의 원천 기술로써 인간이 조종하던 기계 시스템인 무인기/드론 비행체에 다중 인공지능을 도입하기 위한 초자율 무인기/드론 다중 에이전트 개발 및 결합 핵심 기술을 확보하고자 함. [최종목표] (1) 장애물 인식 및 회피 / 실시간 경로 계획 및 최적 경로 생성 인공지능 알고리즘 ● DQN을 이용한 장애물 식별, 시스템 모니터링 인공지능과 결합하여 무인기의 기동성 및 안전 거리를 고려한 회피 인공지능 에이전트 기술 연구 ● 실시간 계산 및 정적/동적 주변 환경에 따른 실시간 경로 계획 및 최적 경로 생성 인공지능 에이전트 기술 연구 (2) 시스템 모니터링 / 임무 재설계 알고리즘 기술 ● 센서 오작동 및 임무 지속성 가능 여부 판단 ● 센서 융합을 통한 무인기 시스템 상태 모니터링 인공지능 ● 다중 인공지능 에이전트 기반 임무 지속성 판단 및 임무 변경/취소 판단 결정 인공지능 에이전트 개발 (3) 다중 인공지능 에이전트 결합 및 초자율 무인기 시뮬레이션을 통한 검증 ● 무인기 비행 제어 연구를 통한 인공지능 에이전트 및 시뮬레이션 결합연구 ● 다중 인공지능 에이전트 기반 초자율 무인기 시뮬레이션 기술 연구 [연구내용 및 범위] ● 현재 많은 연구자들과 회사들은 인공 지능 기능 기술이 자율 이동체에서 가장 핵심이 되는 기술임을 인식하고 있음. ● 자율 이동체용 인공지능과 알고리즘은 현재 2~3단계에 이르는 무인 항공기 자율화 단계보다 더 나아가 초자율 군집 비행을 가능케 하는 핵심 원천 기술임. ● 자율 이동체를 위한 인공지능은 실시간 상황인지 및 동적 환경에 따라 스스로 결정을 내릴 수 있는 능력이라고 할 수 있음. ● 딥 러닝(Deep Learning)은 최근 자각, 임무 계획, 제어 분야에서 뛰어난 결과를 보여주고 있음. ● 수집된 다양한 데이터로부터 학습하는 딥 러닝은 여러 종류의 무인 자율 인공지능을 개발하는데 적합함. ● 또한 현재 무인 항공기(UAV)는 보안, 감시, 재해 구조에서 배달 및 창고 관리에 이르기 까지 여러 유형의 사업에 광범위하게 적용되고 있음. ● 하나의 인공지능 에이전트만으로 동적으로 변화하는 주변 환경을 파악하고 판단을 내리기가 어려움. ● 다음과 같은 하나의 기능을 수행 할 수 있는 인공지능 에이전트를 개발하고 에이전트들을 연결하여 종합적 상황인지와 최적 경로 파악 및 임무 재설계 등이 가능한 인공지능을 개발 할 수 있음. ▷ 시스템 모니터링 인공지능 에이전트 ▷ 장애물 인식 및 회피 인공지능 에이전트 ▷ 최적 경로 파악 인공지능 에이전트 ▷ 종합 상황 파악 및 임무 재설계 알고리즘 ▷ Artificial Neural Network (ANN) ● 기본적으로 생물학적 신경망의 구조와 기능에 기초한 계산 모델임. ● ANN의 구조는 정보 흐름에 영향을 받음. ● 신경망의 변화는 입력과 출력을 기반으로 함. ● ANN은 비선형 통계 데이터 및 입력과 출력의 복잡한 관계를 다룰 수 있다. ● 결과적으로 복잡한 패턴을 발견하고, ANN또한 인공신경망의 일종이다. ▷ Deep Learning (DL) ● 딥러닝의 의사 결정 데이터 처리와 패턴 생성과정은 인간 두뇌의 작동 방법을 모방함. ● 딥러닝은 머신러닝의 일종으로써, 구조화되지 않았거나 분류되지 않은 데이터를 사용자 개입 없이 자율 학습이 가능함. ● Deep Neural Learning 또는 Deep Neural Network 라고도 함. ▷ Reinforcement learning ● 기존의 머신 러닝이 보통 패턴을 찾는 것에 중점을 두는 것에 반해 강화 학습은 의사 결정에 중점을 두었으며 AI가 실제 환경에서 학습하고 실행하는 영역에서 더 나은 결과를 보이도록 해줌. ● 경험 기반 의사 결정의 프레임워크로 수십 년 동안 사용되어 왔지만, 표현과 스케일링 문제로 실제로는 큰 성공을 얻지 못함. ● 구글 딥마인드에서 개발한 컴퓨터 프로그램 알파고의 최근 성과인 인간 바둑 챔피언과 5게임 경기에서 승리했던 것은 대부분 이 강화 학습에 기인한 것임. |
|||||
| 색인어 | 한글 | 실시간 임무계획 | 다중 인공지능 | 초자율 무인기 | 시뮬레이션 | 드론 |
| 영문 | Real TIme Mission planning | Multi Agent Artificial Intelligence | Autonomous UAV | Simulation | Drone | |
| 최종보고서 | 다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 알고리즘 개발 최종보고서(210319).pdf | |||||