http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
고속도로 자율주행 시 보상을 최대화하기 위한 강화 학습 활성화 함수 비교
이동철,Lee, Dongcheul 한국인터넷방송통신학회 2022 한국인터넷방송통신학회 논문지 Vol.22 No.5
Autonomous driving technology has recently made great progress with the introduction of deep reinforcement learning. In order to effectively use deep reinforcement learning, it is important to select the appropriate activation function. In the meantime, many activation functions have been presented, but they show different performance depending on the environment to be applied. This paper compares and evaluates the performance of 12 activation functions to see which activation functions are effective when using reinforcement learning to learn autonomous driving on highways. To this end, a performance evaluation method was presented and the average reward value of each activation function was compared. As a result, when using GELU, the highest average reward could be obtained, and SiLU showed the lowest performance. The average reward difference between the two activation functions was 20%.
교차로에서 자율주행을 위한 심층 강화 학습 활성화 함수 비교 분석
이동철,Lee, Dongcheul 한국인터넷방송통신학회 2021 한국인터넷방송통신학회 논문지 Vol.21 No.6
자율주행은 자동차가 사람 없이 운전할 수 있도록 해 주며 최근 인공지능 기술의 발전에 힘입어 매우 활발히 연구되고 있다. 인공지능 기술 중에서도 특히 심층 강화 학습이 가장 효과적으로 사용되는데 이를 위해서는 적절한 활성화 함수를 이용한 신경망 구축이 필수적이다. 여태껏 많은 활성화 함수가 제시됐으나 적용 분야에 따라 서로 다른 성능을 보여주었다. 본 논문은 교차로에서 자율주행을 학습하기 위해 심층 강화 학습을 사용할 때 어떤 활성화 함수를 사용하는 것이 효과적인지 성능을 비교 평가한다. 이를 위해 평가에서 사용할 성능 메트릭을 정의하고 각 활성화 함수에 따른 메트릭의 값을 그래프로 비교하였다. 그 결과 Mish를 사용할 경우 보상이 다른 활성화 함수보다 평균적으로 높은 것을 알 수 있었고 보상이 가장 낮은 활성화 함수와의 차이는 9.8%였다. Autonomous driving allows cars to drive without people and is being studied very actively thanks to the recent development of artificial intelligence technology. Among artificial intelligence technologies, deep reinforcement learning is used most effectively. Deep reinforcement learning requires us to build a neural network using an appropriate activation function. So far, many activation functions have been suggested, but different performances have been shown depending on the field of application. This paper compares and evaluates the performance of which activation function is effective when using deep reinforcement learning to learn autonomous driving on highways. To this end, the performance metrics to be used in the evaluation were defined and the values of the metrics according to each activation function were compared in graphs. As a result, when Mish was used, the reward was higher on average than other activation functions, and the difference from the activation function with the lowest reward was 9.8%.
환경온도가 리튬이온전지의 급속충전 프로토콜에 미치는 영향 모델링
이동철(Dongcheul Lee),김병묵(Byungmook Kim),강서희(Seohee Kang),신치범(Chee Burm Shin) 한국자동차공학회 2021 한국자동차공학회 부문종합 학술대회 Vol.2021 No.6
리튬이온 전지는 우수한 에너지밀도, 고용량, 안전성 및 장주기 수명의 장점으로 전기자동차의 주요 동력원으로 사용되고 있다. 고온에서 리튬이온 전지는 전지 내부의 전기화학반응이 촉진되어 저온 대비성능은 증가하지만 전극 구조붕괴로 인한 급격한 수명 감소를 야기할 수 있다. 상온 이하의 저온에서 충전 및 방전을 진행할 때 전지의 내부저항 증가로 인해 주행거리와 성능이 저하된다. 특히, 저온에서 급속충전 시에는 리튬 플레이팅 현상이 굉장히 잘 일어나며 리튬이온 전지의 수명과 안전성에 매우 치명적이다. 따라서 환경온도가 리튬 플레이팅 현상에 미치는 영향을 분석하여 환경온도에 따른 최적의 급속충전 프로토콜을 찾고 전기자동차의 전지 시스템을 운용하는 것이 중요하다. 본 연구에서는 환경온도에 따라 리튬 플레이팅 현상이 일어나지 않는 조건을 찾아 급속충전 프로토콜을 개발하였다. 또한 환경온도 별 급속충전 프로토콜이 리튬이온 전지의 전기적 거동과 열적 거동에 미치는 영향을 모델링하였다. 지배방적식으로 전극에서 분극 특성에 기초한 옴의 법칙과 전하 보존의 법칙을 사용하였다. 전산 모사 결과에 근거한 전극의 전위와 전류 밀도를 통하여 열 발생량을 계산하여 온도를 예측하였다. 모델링 결과의 타당성은 시험 결과와의 비교를 통해 검증하였다.
이재우 ( Jaewoo Lee ),이동철 ( Dongcheul Lee ),신치범 ( Chee Burm Shin ),이소연 ( So-yeon Lee ),오승미 ( Seung-mi Oh ),우중제 ( Jung-je Woo ),장일찬 ( Il-chan Jang ) 한국화학공학회 2021 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.59 No.3
리튬이온전지의 성능을 최적화하기 위해서는 여러 열화 요소들을 고려한 성능 예측 모델링 기술이 필요하다. 본 연구에서는 리튬이온전지의 사이클 노화로 인한 방전 거동 및 사이클 수명 변화를 수학적으로 모델링하였다. 모델링의 신뢰성을 검증하기 위해 0.25C로 사이클 시험을 진행했으며, 30 사이클 간격으로 진행한 RPT (Reference performance test)를 통해 전기적 거동을 파악하였다. 기존의 리튬이온전지의 사이클 수명 예측 모델에 BOL (Beginning of life)에서 일어나는 현상 중 하나인 Break-in 메커니즘을 반영하여 수명예측 정확도를 개선시켰다. 모델에 근거하여 예측된 사이클 수명 변화는 실제 시험 결과와 잘 일치하였다. In order to optimize the performance of a lithium-ion battery, a performance prediction modeling technique that considers various degradation factors is required. In this work, mathematical modeling was carried-out to predict the change in discharging behavior and cycle life, taking into account the cycle aging of lithium-ion batteries. In order to validate the modeling, a cycling test was performed at the charge/discharge rate of 0.25C, and discharging behavior was measured through RPT (Reference Performance Test) performed at 30 cycle intervals. The accuracy of cycle life prediction was improved by considering the break-in mechanism, one of the phenomena occurring in the BOL (beginning of life), in the model for predicting the cycle life of lithium-ion batteries. The predicted change in cycle life based on the model was in good agreement with the experimental results.