산업환경에서 다양한 상황을 만들어내는 동적사물의 관계를 파라미터화하여,
실환경과 유사한 주행 및 움직임을 표현하는 시뮬레이터 개발
3D
렌더링
모션
생성기
3D
사물
편집기
지능증강 결과를 모의실험하기 위한
가상환경의 태스크 시나리오 구현 및 지능 증강의 선행적 효과성 검증
주행
태스크
시나리오
데이터
증강
테스트
지능
증강
테스트
평가항목
단위
세계최고수준
/기업
RFP
최종목표
(4차년도)
1. 데이터 범주화 생성 수
종
-
10
2. PETL 기반 지능 강화 향상율(%)
%
82
★
88
3. AI 프레임워크 지원 수
종
8/AWS
8
4. 학습 파이프라인 구현 AI 모델 수
종
-
13
5. 노코딩 학습 모델 수
종
-
5
6. 학습 속도 향상율
%
-
30
7. 작업당 작업할당 계산시간
초
0.1305
0.125
8. 관제사 작업 부하
점
36.78
35
9. 환경 및동적사물 기반의 주행 태스크/사례개발
건/건
-
10/30
10. 자율주행 데이터증강 및 학습의 적절성
%
-
99
11. 단체 표준(제안/제정)
건/건
-
4/4
12. 국가 표준(제안/제정)
건/건
-
4/2
13. 국제표준(기고서/제안)
건/건
-
6/1
평가 항목
설정 근거 및 평가 방법
1. 데이터 범주화 생성 수
- 희귀 사례(Long Tail rare Case, 예: 군중 밀집 혼잡 상황, 협로 주행 시 동적/
정적 물체와의 조우 등)에 대한 학습용 상황 데이터 분류의 정확도를 높이기
위해 멀티모달(음성/텍스트/영상) 데이터를 기반으로 LLM을 이용하여 자동
분류하고 신규 범주 생성하는지 확인
- 2세부의 희귀 사례와 관련하여 예상되는 범주화 반영 가능
2. PETL 기반 지능 강화 향상율(%)
- CoRL 2023의 세계 최고 수준 연구 기반하여 평가 기준 설계, CARLA 시뮬레
이터에서 이미지 기반 실험 환경에서 로봇 주행 성공률 측정
- 개발 목표치는 미국/UC Berkeley의 ViNT foundation model*을 근거로 설정
* Dhruv Shah, et. al., “ViNT: A Large-Scale, Multi-Task Visual Navigation
Backbone with Cross-Robot Generalization”, CoRL, 2023
3. AI 프레임워크 지원 수
- AI 모델 학습에 필요한 다양한 AI 프레임워크(Tensorflow, Pytorch 등) 지원,
세계 수준(AWS/ 8종)에 달하는 목표 설정
- 운영 및 지능 모델 개발 필요에 따라 다양한 도구를 지원하는지 평가
4. 학습 파이프라인 구현 AI 모델 수
- 2세부 기술 개발 및 운영이 가능한 모델 수 이상으로 목표 설정
- 학습 시스템으로 수행할 수 있는 학습ㆍ평가 파이프라인를 구현하여 다양한
학습 모델을 지원하는지 평가
5. 노코딩 학습 모델 수
- 비전문가 지원을 위한 노코딩 학습 방식 개발 목표 설정
- 노코딩 방식으로 학습하는 모델 수를 평가
6. 학습 속도 향상율
- 학습 시스템이 지원하는 학습 속도에 대한 향상 목표 설정
- 모델의 크기, 데이터 특성, HW의 성능에 따라 달라지므로 동일한 HW에 대
해 동일한 모델에 대한 학습을 수행하여 평가
사업계획서
12~13p
평가 항목
설정 근거 및 평가 방법
7. 작업당 작업할당 계산시간
- 작업 할당에 소요된 총 계산 시간을 할당된 전체 작업 수로 나누어 작업당 평
균 계산 시간을 측정
- 세계수준은 작업 당 0.1305초* 소요됨(휴먼팩터 미고려, 데이터 송수신 시간
을 제외한 알고리즘 연산 시간)
* “Scheduling Operator Assistance for Shared Autonomy in Multi-Robot
Teams”, IEEE CDC, 2022
8. 관제사 작업 부하
- 작업 수행간 인지적인 작업부하를 주관적으로 평가하는 도구인 NASA-
TLX(미국 NASA AMES 센터에서 개발)를 이용하여 관제 작업을 원격으로 수
행한 관제사가 작업 수행 완료 후 1분 이내에 mental demand, physical
demand, temporal demand, performance, effort, frustration의 6가지 차원에
관련된 설문을 수행함 (0점—최저 수준, 100점—최고 수준)
- NASA-TLX는 작업자의 인지적 작업부하(workload)를 측정하기 위해 국제적
으로 통용되는 평가 방법임
- 모바일 로봇 주행에 대한 원격 제어 작업에 대해 세계수준은 36.78점*임
* “Attentiveness Map Estimation for Haptic Teleoperation of Mobile Robot
Obstacle Avoidance and Approach”, IEEE RA-L, 2024
9. 환경 및 동적사물 기반의 주행 태
스크/사례개발
- 대상 공간의 정적환경 및 보행자, 지게차, 대차 등의 동적사물로 구성된 시나
리오를 시뮬레이터 내에 구현한 태스크 및 사례 수
- 해당 시나리오와 이에 따른 구현 여부를 종합 평가하여 연차별 건수로 표현
10. 자율주행 데이터증강 및 학습의
적절성
- 영상, 라이다 센서 정보를 시뮬레이터에서 가상으로 추출하고 딥러닝 기반
방법론을 적용하여 인식결과와 인식률을 최종 지표로 표현함.
- 지능 증강 모듈을 상황별 테스트하여 적용결과 도출
- 실환경에 적용가능한 딥러닝 기반 인식률을 고려하여 데이터 증강에 의한 통
합 인식률을 99%로 선정
모바일 매니퓰레이터, 로컬 경로플래너 자체 개발
군집 주행용 자율주행 로봇보유
스캔기반 팔레타이징
가상화 기반의 로봇 경로 생성
자율주행 관련 기술 보유
연구 실적 및 수상경력
타이어 적재 자동화
장애물 회피 경로 생성
차량 자율주행 시뮬레이터
자율주행 SW 자체개발
NVIDIA Isaac Sim
Dmworks 시뮬레이터
목원대
CMES Equal
