http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
M. S. Kim(김민수),S. H. Yoo(유승훈),G. H. Kim(김건휘),M. K. Kwak(곽문규) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
The leaves of Salvinia Molesta have unique structural and chemical properties. Because of these characteristics, the Salvinia surface can minimize the contact area of the water-air interface while maintaining a stable air layer in the water, which is called the Salvinia effect. Since the Salvinia effect is suitable for application to reduction of hydrodynamic drag, studies have been conducted to imitate the structural and chemical properties of Salvinia. However, due to the complexity of the structure, it was only possible to make the Salvinia-like structures through 3D printing technology, which has clear limitations in productivity. In this study, the hierarchical micropillar array replicated by conventional soft lithography was made to deform similarly to the hair of Salvinia Molesta by introducing capillary force to prepare uniformly clustered pillars. Thereafter, the structural and chemical properties of Salvinia could be imitated through additional hydrophobic and hydrophilic coatings. Since the proposed fabrication technique uses the conventional imprinting methods, it can also be applied to continuous mass production systems. In addition, a significant drag reduction on the Salvinia-inspired surfaces by measuring the effective slip length using a rotational rheometer.
신종호(J. Shin),김기성(K. Kim),김건휘(G. H. Kim),조정호(J. Cho),이인환(I. H. Lee) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
그리퍼의 동역학 모델은 다양한 불확실성을 포함하고 있기 때문에 정확한 모델링이 쉽지 않다. 이러한 시스템의 경우, 전통적인 제어기법만을 활용할 시, 대상 시스템의 전체적인 성능을 저하시킬 수 있다. 한편, 최근 인공지능 분야에서 큰 각광을 받고 있는 강화학습은 시스템의 모델 정보가 부재한 상황에서도 충분한 제어 성능을 보장할 수 있다. 강화학습은 시스템에 입력을 가하고, 이에 따라 변화하는 시스템의 상태를 획득하여 다음 스템의 제어입력을 결정하게 된다. 이를 위해서는 시스템의 상태에 따른 보상이 적절히 주어져야 하며, 획득된 보상을 최대화 시키는 방향으로 제어 입력을 학습하게 된다. 따라서 적절한 시스템 모델이 없는 상황에서도 충분한 반복학습을 통해 성능을 보장할 수 있게 된다. 본 논문에서는 강화학습 기법을 활용한 그리퍼 제어시스템을 개발한다. 이를 위하여, 기존 연구에서 진행되었던 그리퍼 동역학 모델을 실제 그리퍼 시스템이라 가정한다. 가정된 그리퍼 모델을 통해 학습에 필요한 상태 정보와, 상태를 변화시키는 제어입력을 동시에 접근 및 저장/변환할 수 있는 형태로 시스템을 구축하고, 강화학습을 진행한다. 강화학습은 가치 기반 혹은 액터-크리틱 기반 강화학습 기법을 적용하며, 다양한 입력을 활용하여 학습하는 형태로 개발한다. 최종적으로 제안한 기법의 타당성을 검증하고 실제 그리퍼 제작후 적용 가능성에 대해 분석한다.