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
오늘 본 자료
-
그레이브스병에 병발된 상장간막동맥증후군 1예
-
Study on Thermal Performance of CO~2/Coke Gasification Power Generation System
-
지구온난화 가스 배출 감소를 위한 장기 전원개발계획 전략
-
Guidelines for Reporting Statistics in Journals Published by the American Physiological Society
-
Pending Section 232 Litigation and Broader Trade Trends: Will the US Courts Restrict Presidential Authority from Relying upon “National Security”?
-
딥러닝 기반 Top-view 사람 인식을 사용한 ATM 기기에서의 개인정보 유출 방지 시스템의 설계 및 구현
- 검색키워드
- 저자 : 이종락 ( Jong-lark Lee ) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
가상 환경에서의 강화학습을 활용한 모바일 로봇의 장애물 회피
이종락,Lee, Jong-lark 한국사물인터넷학회 2021 한국사물인터넷학회 논문지 Vol.7 No.4
In order to apply reinforcement learning to a robot in a real environment, it is necessary to use simulation in a virtual environment because numerous iterative learning is required. In addition, it is difficult to apply a learning algorithm that requires a lot of computation for a robot with low-spec. hardware. In this study, ML-Agent, a reinforcement learning frame provided by Unity, was used as a virtual simulation environment to apply reinforcement learning to the obstacle collision avoidance problem of mobile robots with low-spec hardware. A DQN supported by ML-Agent is adopted as a reinforcement learning algorithm and the results for a real robot show that the number of collisions occurred less then 2 times per minute. 실 환경에서 로봇에 강화학습을 적용하기 위해서는 수많은 반복 학습이 필요하므로 가상 환경에서의 시뮬레이션을 사용할 수밖에 없다. 또한 실제 사용하는 로봇이 저사양의 하드웨어를 가지고 있는 경우 계산량이 많은 학습 알고리즘을 적용하는 것은 어려운 일이다. 본 연구에서는 저사양의 하드웨어를 가지고 있는 모바일 로봇의 장애물 충돌 회피 문제에 강화학습을 적용하기 위하여 가상의 시뮬레이션 환경으로서 Unity에서 제공하는 강화학습 프레임인 ML-Agent를 활용하였다. 강화학습 알고리즘으로서 ML-Agent에서 제공하는 DQN을 사용하였으며, 이를 활용하여 학습한 결과를 실제 로봇에 적용해 본 결과 1분간 충돌 횟수가 2회 이하로 발생하는 결과를 얻을 수 있었다.
-
보안 환경에서 병렬학습된 딥러닝 모형의 통합에 관한 연구
이종락(Jong-Lark Lee) 한국컴퓨터정보학회 2021 韓國컴퓨터情報學會論文誌 Vol.26 No.12
최근 인공지능 분야에서 가장 많이 사용하는 딥러닝은 그 구조가 점차 크고 복잡해지고 있다. 딥러닝 모델이 커질수록 이를 학습시키기 위해서는 대용량의 데이터가 필요하지만 데이터가 여러 소유 주체별로 분산되어 있고 보안 문제로 인해 이를 통합하여 학습시키기 어려운 경우가 발생한다. 우리는 동일한 딥러닝 모형이 필요하지만 보안 문제로 인해 데이터가 여러곳에 분산되어 처리될 수 밖에 없는 상황에서 데이터를 소유하고 있는 주체별로 분산 학습을 수행한 후 이를 통합하는 방법을 연구하였다. 이를 위해 보안 상황을 V-환경과 H-환경으로 가정하여 소유 주체별로 분산학습을 수행했으며 Average, Max, AbsMax를 사용하여 분산학습된 결과를 통합하였다. mnist-fashion 데이터에 이를 적용해 본 결과 V-환경에서는 정확도 면에서 데이터를 통합시켜 학습한 결과와 큰 차이가 없음을 확인할 수 있었으며, H-환경에서는 차이는 존재하지만 의미있는 결과를 얻을 수 있었다. Recently, deep learning, which is the most used in the field of artificial intelligence, has a structure that is gradually becoming larger and more complex. As the deep learning model grows, a large amount of data is required to learn it, but there are cases in which it is difficult to integrate and learn the data because the data is distributed among several owners and security issues. In that situation we conducted parallel learning for each users that own data and then studied how to integrate it. For this, distributed learning was performed for each owner assuming the security situation as V-environment and H-environment, and the results of distributed learning were integrated using Average, Max, and AbsMax. As a result of applying this to the mnist-fashion data, it was confirmed that there was no significant difference from the results obtained by integrating the data in the V-environment in terms of accuracy. In the H-environment, although there was a difference, meaningful results were obtained.
-
3차원 프린터의 조형적 특성에 관한 연구 -FDM방식에 한하여-
김영일 ( Young Ill Kim ),이종락 ( Jong Lark Lee ) 한국상품문화디자인학회 2015 상품문화디자인학연구 Vol.40 No.-
우리는 불과 15년 전까지만 하여도 2차원적 이미지를 컴퓨터에 입력하여 편집 또는 변형을 통해 원하는 평면의 이미지를 얻어내는 시대를 거쳐 왔으며 실 사진처럼 인쇄된 평면이미지에 놀라움을 감추지 못했었다. 또한, 지금까지의 3차원적 아이템은 출력의 목적보다는 입체영상, 가상현실 또는 평면적 프린트를 위한 목적이 대부분이었으며, 극소수의 경우만이 목업(mock-up)을 위한 3차원의 수리적 타당성을 시뮬레이션(simulation)하기 위함이었다. 이것은 지극히 대량생산을 위함이었으며 개인의 필요성에의해 행해진 3차원적 조형과정은 아니었다. 그러나 지금의 시대는 3차원이라는 거대한 시대적 이슈에 힘입어 급기야 개인적 용도를 위한 3차원 출력이 가능한 시대를 맞이하였다. 즉, 개인적으로 필요한 소량의 소도구들을 3차원 플라스틱 등으로 프린트하여 사용할 수 있게 되었다는 의미인 것이다. 하지만 아직은 이러한 3차원 프린터의 등장에 많은 호기심을 보이고 있으나, 일반인이 접하기에는 많은 장애 즉, 활용에 있어서의 이론적 정보 및 하드웨어적 특성에 따른 기술적 정보 등이 부족한 것이 현실이다. 따라서 본 연구는, 현재 가장 일반적이며 보급형 3차원프린터인 Fused Deposition Modeling(이하 FDM)방식의 프린터에 있어서 어떠한 원리와 특성을 가지고 있는지 고찰하고, 실험을 통하여 나타난 다양한 문제점의 제시와 함께 온도 및 아세톤의 분사에 의한 표면처리 등을 이용한 해결방안을 제시함으로써 급속히 진화하는 3차원프린터에 우리 디자이너들이 대응하고 각자의 창작활동에 응용해 나아갈 수 있는 작은 디딤돌이 되고자한다. We had the era of 2D printing only 15 years ago in which 2D images were obtained by computer editing and modification, and we were amazed at high resolution 2D printing that reproduces a “real image”. In addition, the purpose of 3D printing has been mainly for stereoscopic imaging, virtual reality, or a flat surface print, and only for few cases of mock-up to simulate mathematical feasibility of 3D modeling. Moreover, these 3D printing were not for personal needs, but for massive industrial production. However, now it becomes the era of 3D printing even just for personal purposes, which enabling people to use small plastic tools made by 3D printing according to individual needs. Nonetheless, despite of current demands, there is little information available for general public application. In the light of that, this study first looks into these principles and characteristics of a printer working with a Fused Deposition Modeling method (which will be referred to as FDM, hereafter), and the printer with such method applied there is now considered the most popular, commonly-used three-dimensional printer. The study, then, conducts an experiment to discuss diverse problems as well as measures to solve them such as this surface treatment by temperature or acetone-spraying and others. In the end, what this study would come up with will be a little chance for designers not only to properly react to these quickly-developing three-dimensional printers but also to make good use of the printers for their creative activities.
-
Unity3D 가상 환경에서 강화학습으로 만들어진 모델의 효율적인 실세계 적용
임은아 ( En-a Lim ),김나영 ( Na-young Kim ),이종락 ( Jong-lark Lee ),원일용 ( Ill-yong Weon ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
실 환경 로봇에 강화학습을 적용하기 위해서는 가상 환경 시뮬레이션이 필요하다. 그러나 가상 환경을 구축하는 플랫폼은 모두 다르고, 학습 알고리즘의 구현에 따른 성능 편차가 크다는 문제점이 있다. 또한 학습을 적용하고자 하는 대상이 실세계의 하드웨어 사양이 낮은 스마트 로봇인 경우, 계산량이 많은 학습 알고리즘을 적용하기는 쉽지 않다. 본 연구는 해당 문제를 해결하기 위해 Unity3D에서 제공하는 강화학습 프레임인 ML-Agents 모듈을 사용하여 실 환경의 저사양 스마트 로봇에 장애물을 회피하고 탐색하는 모델의 강화학습을 적용해본다. 본 연구의 유의점은 가상 환경과 실 환경의 유사함과 일정량의 노이즈 발생 처리이다. 로봇의 간단한 행동은 원만하게 학습 및 적용가능함을 확인할 수 있었다.
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
