http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 임현재(Hyun-Jae Im) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
-
이재훈,김태림,송종규,임현재,Lee, Jae-Hoon,Kim, Tae-Rim,Song, Jong-Gyu,Im, Hyun-Jae 한국시뮬레이션학회 2018 한국시뮬레이션학회 논문지 Vol.27 No.4
The most common way to control a target point using artificial intelligence is through reinforcement learning. However, it had to process complicated calculations that were difficult to implement in order to process reinforcement learning. In this paper, the enhanced Proximal Policy Optimization (PPO) algorithm was used to simulate finding the planned flight trajectory to reach the target point in the virtual environment. In this paper, we simulated how this problem was used to find the planned flight trajectory to reach the target point in the virtual environment using the enhanced Proximal Policy Optimization(PPO) algorithm. In addition, variables such as changes in trajectory, effects of rewards, and external winds are added to determine the zero conditions of external environmental factors on flight trajectory learning, and the effects on trajectory learning performance and learning speed are compared. From this result, the simulation results have shown that the agent can find the optimal trajectory in spite of changes in the various external environments, which will be applicable to the actual vehicle. 인공지능을 이용하여 목표 지점까지 제어하는 가장 대표적인 방법은 강화학습이다. 하지만 그동안 강화학습을 처리하기 위해서는 구현하기 어렵고 복잡한 연산을 처리해야만 했다. 본 논문에서는 이를 개선한 Proximal Policy Optimization (PPO) 알고리즘을 이용하여 가상환경에서 목표지점에 도달하기 위한 계획된 비행궤적을 찾는 방법을 시뮬레이션 하였다. 또한 외부 환경요소가 비행궤적 학습에 미치는 영항을 알아보기 위하여 궤적의 변화, 보상 값의 영향 및 외부 바람등과 같은 변수를 추가하고 궤적 학습 성능 및 학습 속도에 미치는 영향을 비교 분석을 수행한다. 본 결과를 통하여 에이전트가 다양한 외부환경의 변화에도 계획된 궤적을 찾을 수 있다는 것을 시뮬레이션 결과에 따라 알 수 있었으며, 이는 실제 비행체에 적용할 수 있을 것이다.
-
드론 기반 무선 센서 네트워크에서의 커버리지와 에너지를 고려한 드론 배치
김태림(Tae-Rim Kim),송종규(Jong-Gyu Song),임현재(Hyun-Jae Im),김범수(Bum-Su Kim) 한국산학기술학회 2019 한국산학기술학회논문지 Vol.20 No.8
무선 센서 네트워크는 적은 비용이 들고 낮은 전력으로 구동할 수 있는 센서들이 넓은 범위에 분포한 네트워크이다. 이때 센서들이 주변의 환경을 감시하고 계측한 정보들을 인근의 센서들에게 멀티홉 방식으로 전송하여 최종적으로 모든 데이터들이 베이스 스테이션으로 보내지는 네트워크가 무선 센서 네트워크이다. 여기서 무선 센서 네트워크에 대한 대부분의 연구는 한 위치에 고정되어 주변을 감시하는 정적 센서가 주가 되어왔다. 하지만 정적 센서만으로 이루어진 네트워크와 달리, 드론을 이용하여 네트워크를 구성하게 된다면 네트워크의 전체 커버리지와 에너지 소모를 보다 효율적으로 관리할 수 있다. 본 논문에서는 네트워크를 이루는 드론들에 대한 환경을 모델링하기 위해 전송 전력 모델과 비디오 인코딩 모델을 수식화하여 소개한다. 또한 드론의 효율적인 배치를 위하여 우선순위 지도를 설계하고, 이를 기반으로 커버리지와 에너지를 고려하여 드론들을 배치하는 방식을 보여준다. 다양한 시뮬레이션을 통하여 정적 센서 기반의 네트워크보다 드론 기반의 무선 센서 네트워크에서 더 적은 수의 센서로 커버리지를 증가시키고 소모되는 에너지는 줄여준다는 것을 보여준다. 구체적으로는 정적 센서와 드론의 수가 동일한 가운데 커버리지는 최대 30 퍼센트의 향상이 있고, 에너지 측면에서는 평균 25 퍼센트의 전체 네트워크의 에너지 소모를 줄이면서도 정적 센서 네크워크와 드론 기반 네트워크의 커버리지가 동일하게 유지됨을 보여준다. Awireless sensor network utilizes small sensors with a low cost and low power being deployed over a wide area. They monitor the surrounding environment and gather the associated information to transmit it to a base station via multi-hop transmission. Most of the research has mainly focused on static sensors that are located in a fixed position. Unlike a wireless sensor network based on static sensors, we can exploit drone-based technologies for more efficient wireless networks in terms of coverage and energy. In this paper, we introduce a transmission power model and a video encoding power model to design the network environment. We also explain a priority mapping scheme, and deploy drones oriented for network coverage and energy consumption. Through our simulations, this research shows coverage and energy improvements in adrone-based wireless sensor network with fewer sensors, compared to astatic sensor-based wireless sensor network. Concretely, coverage increases by 30% for thedrone-based wireless sensor network with the same number of sensors. Moreover, we save an average of 25% with respect to the total energy consumption of the network while maintaining the coverage required.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
