- 분류
- 네트워크 관련
- 작성일
- 2022.10.06
- 수정일
- 2025.09.16
- 작성자
- 신종학
- 조회수
- 3419
디지털트윈 피지컬 AI 연구실(김원석 교수)
디지털트윈 피지컬 AI연구실
(Digital Twin Physical AI Lab.)
지도교수: 김원석 교수님
위 치: (교수연구실) 자연대연구실험동 413호 (대학원연구실) 자연대연구실험동 301-1호
전화번호: (교수연구실) 051-510-2777 (대학원연구실) 051-510-3531
홈페이지: https://sites.google.com/
E-mail: pnudtn@gmail.com
■ 연구실 소개
디지털트윈 연구실에서는
- 디지털트윈 + Sim2Real Transfer Learning,
- 디지털트윈 + Physical AI & Robotic Intelligence,
- 디지털트윈 + Deep Surrogate Modeling,
- 디지털트윈 + Domain Optimization 등 다양한 디지털트윈 + 피지컬 AI 응용 융합 기술에 대한 연구를 수행하고 있습니다.
■ 핵심 연구주제
- 디지털트윈 + Physical AI & Robotic Intelligence,
- 디지털트윈 + Deep Surrogate Modeling,
- 디지털트윈 + Domain Optimization 등 다양한 디지털트윈 + 피지컬 AI 응용 융합 기술에 대한 연구를 수행하고 있습니다.
■ 핵심 연구주제
- 디지털트윈 + Sim2Real 전이학습: 좋은 데이터가 좋은 AI 모델을 만듭니다. 하지만 실제 산업 현장이나 로봇 제어 분야에서는 각 특수 목적용 모델 구축에 적합한 대규모 데이터셋을 구축하기 어렵고 실제 테스트가 매우 고비용이므로, 시뮬레이션 환경에서 모델 학습 후 실제 환경으로 전이하는 접근이 일반적입니다. 연구실에서는 다양한 엔진(Isaac Sim, Unity, Unreal)으로 구축된 디지털트윈 시뮬레이션 환경에서 학습된 딥러닝 모델 및 강화학습 에이전트가 실제 환경에서도 잘 동작할 수 있도록 Domain Randomization and Adaptation 등 다양한 Sim2Real 응용 기술을 연구합니다.
- 디지털트윈 + Physical AI & 로봇 지능: 디지털트윈 시뮬레이터로 embodied model을 학습하기 위해서는 단순한 3D 센싱 데이터만으로는 부족하며, 현실 환경의 물리적 요소를 반영한 환경 구축이 요구됩니다. 본 연구실에서는 디지털트윈에 월드모델(환경·객체의 상태를 잠재공간으로 표현하는 모델)과 물리적 AI(Physical AI) 기법을 결합하여, 보다 현실적인 모델 학습 시뮬레이터의 토대를 마련합니다.
- 디지털트윈 + 심층대체모델: 디지털트윈 AI 시뮬레이션은 환경 파라미터 설정부터 모델 일반화 평가에 이르기까지 복잡하고 계산량이 많은 일련의 과정을 수행하게 되며, 실시간 최적화나 반복 평가 비용이 매우 높은 경우가 많습니다. 본 연구실에서는 디지털트윈 시뮬레이션에 구축된 열/동역학 물리 모델의 고비용 연산을 신뢰성 있게 근사하는 딥러닝 기반 대체모델 구축 기술을 연구합니다. 또한, 시계열 시뮬레이터의 ultra-long-horizon trajectory 안정화를 위한 dreaming 및 uncertainty 활용 연구를 수행합니다.
- 디지털트윈 + 도메인 최적화: 로봇 기반 산업 현장 자동화·무인화를 위해서는 정밀한 제어 정책을 학습할 수 있는 시뮬레이터가 요구됩니다. 우리는 고차원 베이지안 최적화 및 강화학습을 통해 디지털트윈 시뮬레이터의 환경 및 물리요소 충실도 강화 기술을 연구합니다. 또한, 물리모델 기반 디지털트윈 시뮬레이터와 정교한 DSM을 활용하여 태스크별 로봇 제어 정책 및 설비 운영 효율에 대한 비선형 모델, 메타휴리스틱, 강화학습 기반 최적화 기법을 연구합니다.
■ 수행 과제
- 드론 영상 기반 산불 정보 인식을 위한 디지털트윈 시뮬레이터 및 합성데이터 생성·활용 기술 연구
- 디지털트윈 및 강화학습 기반 스마트팩토리 소모전력 디지털트윈 기반 최적화 기법 연구
- 조선소 용접로봇 자동화를 위한 디지털트윈 비전 합성데이터 생성·활용 기술 연구 (삼성중공업)
- 디지털트윈 및 강화학습 기반 자항선 3D 블록 배치 최적화 기술 연구 (한화오션)
- 로봇 정책 학습을 위한 Sim2Real 전이학습 및 Domain Randomization 기술 연구
- 전기차 열관리시스템 물리모델 Deep Surrogate Model 설계 및 강화학습 제어기술 연구
- 월드모델 드리밍 및 불확정성 기반 초장기 궤적 예측 안정화 기법 연구
- 병원 건물 재난 상황 crowd simulation
- 최신 기술 논문 연구 및 세미나를 통한 아이디어 도출 참여
■ 연구실 환경
연구 활동을 지원하기 위해 전액 등록금, 인건비(월 박사과정 300, 석사과정 220, 학부연구생 30-100), 논문/특허/산학과제 인센티브, 연구기자재(PC, 노트북, VR, 드론) 및 국내/국제학술대회 참가 지원 등 쾌적하고 수준 높은 연구 환경 조성을 제공합니다.
- 디지털트윈 + 심층대체모델: 디지털트윈 AI 시뮬레이션은 환경 파라미터 설정부터 모델 일반화 평가에 이르기까지 복잡하고 계산량이 많은 일련의 과정을 수행하게 되며, 실시간 최적화나 반복 평가 비용이 매우 높은 경우가 많습니다. 본 연구실에서는 디지털트윈 시뮬레이션에 구축된 열/동역학 물리 모델의 고비용 연산을 신뢰성 있게 근사하는 딥러닝 기반 대체모델 구축 기술을 연구합니다. 또한, 시계열 시뮬레이터의 ultra-long-horizon trajectory 안정화를 위한 dreaming 및 uncertainty 활용 연구를 수행합니다.
- 디지털트윈 + 도메인 최적화: 로봇 기반 산업 현장 자동화·무인화를 위해서는 정밀한 제어 정책을 학습할 수 있는 시뮬레이터가 요구됩니다. 우리는 고차원 베이지안 최적화 및 강화학습을 통해 디지털트윈 시뮬레이터의 환경 및 물리요소 충실도 강화 기술을 연구합니다. 또한, 물리모델 기반 디지털트윈 시뮬레이터와 정교한 DSM을 활용하여 태스크별 로봇 제어 정책 및 설비 운영 효율에 대한 비선형 모델, 메타휴리스틱, 강화학습 기반 최적화 기법을 연구합니다.
■ 수행 과제
- 드론 영상 기반 산불 정보 인식을 위한 디지털트윈 시뮬레이터 및 합성데이터 생성·활용 기술 연구
- 디지털트윈 및 강화학습 기반 스마트팩토리 소모전력 디지털트윈 기반 최적화 기법 연구
- 조선소 용접로봇 자동화를 위한 디지털트윈 비전 합성데이터 생성·활용 기술 연구 (삼성중공업)
- 디지털트윈 및 강화학습 기반 자항선 3D 블록 배치 최적화 기술 연구 (한화오션)
- 로봇 정책 학습을 위한 Sim2Real 전이학습 및 Domain Randomization 기술 연구
- 전기차 열관리시스템 물리모델 Deep Surrogate Model 설계 및 강화학습 제어기술 연구
- 월드모델 드리밍 및 불확정성 기반 초장기 궤적 예측 안정화 기법 연구
- 병원 건물 재난 상황 crowd simulation
- 최신 기술 논문 연구 및 세미나를 통한 아이디어 도출 참여
■ 연구실 환경
연구 활동을 지원하기 위해 전액 등록금, 인건비(월 박사과정 300, 석사과정 220, 학부연구생 30-100), 논문/특허/산학과제 인센티브, 연구기자재(PC, 노트북, VR, 드론) 및 국내/국제학술대회 참가 지원 등 쾌적하고 수준 높은 연구 환경 조성을 제공합니다.
- 첨부파일
- 첨부파일이(가) 없습니다.