주메뉴 바로가기 본문바로가기
전체메뉴닫기

  • home
과제현황 목록

과제기본정보

다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 알고리즘 개발2년차

사업개요
사업개요에 대한 사업명, 분류코드(기술분류), 과제명, 주관연구기관, 총괄연구 책임자(성명, 소속, 전화번호), 총 연구기간, 당해연도 연구기간 정보제공
사업명 국토교통기술촉진연구사업 과제번호 20CTAP-C152021-02
국가과학표준분류 1순위 기계 | 항공시스템 | 항공시스템 관련 S W 적용분야 교통/정보통신/기타 기반시설
2순위 정보 통신 | 정보이론 | 인공지능 실용화대상여부 비실용화
3순위 건설 교통 | 항공교통기술 | 항공안전기술 과제유형 기초
과제명 다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 알고리즘 개발
주관연구기관 건국대학교산학협력단
총괄연구 책임자 성명 이재우
소속 학교법인건국대학교 직위 교수
기관 대표번호 043-840-3665 FAX 043-851-9328
총 연구기간 2019-04-15 ~ 2020-12-31
당해연도 연구기간 2020-01-01 ~ 2020-12-31

(단위:원)

년도별 정부출연금, 기업부담금, 계 정보제공
년도 정부출연금 기업부담금 계
현금 현물 소계
2차년도 206,000,000 0 0 0 206,000,000
과제기본정보의 연구개발개요, 최종목표, 연구내용 및 범위 정보제공
연구개발개요 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.
건설기술연구개발사업 주요내용
건설기술연구개발사업 주요내용의 구분, 연구개발목표, 연구개발 내용 및 방법 정보제공
구분 연구개발목표 연구개발 내용 및 방법
2차년도 ● 시뮬레이션을 위한 무인비행체의 비행 제어 연구
● 임무계획 기법 연구 및 AI 이론 연구
● 장애물 인식 및 회피 인공지능 에이전트 개발
▷ 상황 인식을 위한 CNN 기반 인공지능 기술 연구
▷ 회피를 위한 RNN (Recurrent Neural Network) 기술 연구
● 최적 경로 파악 인공지능 에이전트 개발
▷ Anytime Dynamic A-star (ADA*)
▷ Mixed Integer Linear Programming (MILP)
 ▷ Anytime Dynamic A-star (ADA*)
● 실시간 임무 계획을 위해서 비행체는 반드시 주어진 가용 시간 내에 최적의 솔루션을 찾아야 함
● Anytime 알고리즘은 제한된 시간동안 최고의 계획을 찾는 알고리즘으로, 환경요소에 대한 정보가 누락되거나 변하는 경우에도 경로 계획이 가능
◆ 하지만 Anytime 알고리즘은 문제가 복잡해질 경우, 주어진 가용 시간 내에 최적의 결론을 찾지 못할 수도 있음
◆ 본 알고리즘은 D*, D* Lite와 같이 이전에 쓰이던 효율적인 알고리즘과 ARA*와 같은 복잡한 알고리즘을 환경이 변화하는 동적 환경에서도 사용할 수 있도록 확장

▷ Mixed Integer Linear Programming (MILP)
● 최적화된 솔루션을 도출할 때, 의사 결정 변수 중 일부를 정수형으로 사용 가능
● 정수형 변수를 사용할 경우, 최적화 문제를 적용할 수 있는 범위가 넓어짐
● 하지만, 정수 변수가 매우 많을 경우(수백 개 이상) 연산량이 늘어나 최적화된 결론을 내지 못함
● 일반적으로 선형적인 경로에 대하여 사용하지만, 경로를 분할/선형화 하여 곡선 경로 최적화에도 사용 가능
● 이진(Binary) 결정 변수를 사용하면, 장애물의 “왼쪽” 또는 “오른쪽” 경로를 선택할지, 또는 계획 문제에 포함될 대상에 비행체를 개별적으로 포함할지를 선택할 수 있음
● 경로의 길이와 피해야할 장애물의 수가 증가하면 계산 시간이 빠르게 증가하므로, 실시간으로 수행하기 어려움
● MILP와 ADA*를 함께 사용하면, 장애물이 있는 동적 상황에 대해서도 적용 가능

▷ improved Anytime Dynamic A* (iADA*)
● 이 알고리즘은 동적이고 복잡한 환경에서 안정적이고 효율적인 경로를 제공하는 ADA* 알고리즘의 확정 버전임.
● 시작 상태와 최종 상태 사이의 최소 비용 경로 또한 제공해줌.

● 장애물 인식 및 회피 인공지능 에이전트 개발
▷ 상황 인식을 위한 CNN (Convolutional Neural Nerwork)기반 인공지능 기술 연구
● CNN은 사진을 기반으로 얼굴 인식, 물체 인식, 교통 신호 인식 등 이미지 기반의 물체 및 상황을 인식하는데 효과적임
● 따라서 ConvNets은 오늘날 대부분의 기계 학습 연구자에게 중요함.
연구성과 기술적 기대성과 ○ 초자율 무인기 기술
● 높은 수준의 자율 지능 무인기 기술을 기업에 이전하여 지능형 무인기 개발에 활용
● 지능형 의사결정 알고리즘, 지능 제어계 및 지능임무계획 원천기술을 획득하여 민,군용 드론/자율주행 자동차/로봇 등 첨단산업 분야에 적용
● 미래 지능형 무인기 기술을 국내에서 개발함으로써 급증하는 무인기 시장을 선점하며, 향후 항공 선진국들과의 협력개발에 주도적으로 참여
사회 경제적 파급효과 민간 분야 활용 방안 (Civilization)
● 국내 민간 분야의 무인기의 수요는 2016년 약 700백억 규모에서 2025년 까지 8,700억 규모로 성장이 예상되며 무인기 수요 또한 2025년 까지 56,000여대로 급속히 증가가 예상됨.
● 그러나 현재 무인기의 운용 방식은 2D Map 기반의 조종사가 수동으로 경로를 설정하는 방식으로 비행에 필요한 다양한 요소를 고려하지 못하고 있음.
● 본 연구소는 초자율 무인기를 위한 다중 인공지능 에이전트 기반 실시간 임무계획 알고리즘 기술 개발을 통해 기존 무인기의 한계를 극복하고 성능을 증가시키며 무인기가 다양한 산업 분야에 활용을 기대.
활용방안 ● OPPAV (Optionally Piloted Personal Air Vehicle) 의 영역의 활용
▷ 도심부나 광역시지역의 지상교통망 포화상태는 추가 지상인프라건설에 막대한 비용이 소요되어 개인의 이동 자유도를 증진시킬수 있는 개인용 항공교통수단인 개인항공기(Personal AirVehicle, PAV)에 대한 필요성을 증대
▷ 단거리 생활교통을 주도할 것으로 예상되는 도심운항용 PAV의 초기시장 선점을 위해, 항공선진국을 중심으로 관련 기술 및 제도, 운용 체계 등에 대한 개발이 활발히 진행되고 있음
▷ 개인항공기 도입시 피크시간대 평균40%이상의 이동시간 단축예상(한국교통연구원(2017))
▷ 항공시장은 후발국가에 큰 진입장벽이 있으나, PAV 는 항공기 신규/틈새시장으로서, 국내시장보호는 물론 해외수출까지 가능한 절호의 기회
▷ OPPAV의 국내 활성화를 위해서는 자율비행 기술이 필수적이며, 본 연구를 통해 OPPAV의 자율 비행기술의 성숙도를 증대시킬수 있음.
핵심어
핵심어의 구분, 핵심어, 핵심어1~핵심어5 정보제공
핵심어 핵심어1 핵심어2 핵심어3 핵심어4 핵심어5
국문 실시간 임무계획 다중 인공지능 초자율 무인기 시뮬레이션 드론
영문 Real TIme Mission planning Multi Agent Artificial Intelligence Autonomous UAV Simulation Drone
최종보고서
최종보고서 파일 다운로드 제공
최종보고서 다중 인공지능 에이전트 기반 초자율 무인기 실시간 임무계획 알고리즘 개발 최종보고서(210319).pdf   다운로드

목록

  • 담당자가 없습니다.