http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
51.84Mbps VDSL QAM 수신기를 위한 통과대역 디지털 심볼 클록 복원방식
이재호,김재원,정항근,정진균,Lee, Jae-Ho,Kim, Jae-Won,Jeong, Hang-Geun,Jeong, Jin-Gyun 대한전자공학회 2000 電子工學會論文誌-SC (System and control) Vol.37 No.2
본 논문에서는 51.84Mbps의 전송 속도를 갖고, 16-QAM 변조방식을 사용하는 VDSL(고속 디지털 가입자 루프) 시스템에서, 전송 신호 주파수 스펙트럼의 밴드-에지 성분을 최대화함으로써 심볼 클록(12.96㎒)을 복원하는 방식에 대해 논의한다〔1〕. 디지털 방식의 PLL에서 여러 가지 특성들이 조사되었으며, NCO(Numerically Controlled Oscillator)에서 사용하는 룩-업 테이블의 효율적인 설계 방식을 제시하였다. In this paper, we discuss a symbol clock extraction scheme based on maximizing the band-edge component of the transmitted signal frequency spectrum for applications to 51.84Mbps VDSL system which uses a 16-QAM. The major characteristics of the digital PLL are examined. In addition, we suggest an efficient design method of a sinusoidal look-up table which is used for NCO.
딥 러닝 시각 지능과 경로 탐색을 통한 사람형 로봇손의 목표 물체 파지 시스템
류가현(Ga Hyeon Ryu),오지헌(Ji-Heon Oh),정진균(Jin Gyun Jeong),정환석(Hwanseok Jung),이진혁(Jin Hyuk Lee),Patricio Rivera Lopez,김태성(Tae-Seong Kim) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
다중 물체 환경에서 사람형 로봇손이 목표 물체를 파지하기 위해서는 목표 물체 인식, 충돌 없는 경로 설정, 사람형 로봇손의 물체 파지 지능이 필요하다. 본 논문에서는 딥 러닝 Mask R-CNN 을 통해 물체를 검출하고 3D 정보를 인식한 후, RRT-Connect 경로 탐색 알고리즘으로 충돌 회피 경로를 파악하고, 최종적으로 사람형 로봇손이 다중 물체 속에서 목표 물체를 파지하고 이동하는 하드웨어 시스템을 구현한다.
행동 복제 강화학습 및 딥러닝 사물 부분 검출 기술에 기반한 사람형 로봇손의 사물 조작
오지헌 ( Ji Heon Oh ),류가현 ( Ga Hyun Ryu ),박나현 ( Na Hyeon Park ),( Edwin Valarezo Añazco ),( Patricio Rivera Lopez ),원다슬 ( Da Seul Won ),정진균 ( Jin Gyun Jeong ),장윤정 ( Yun Jung Chang ),김태성 ( Tae-seong Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
최근 사람형(Anthropomorphic)로봇손의 사물조작 지능을 개발하기 위하여 행동복제(Behavior Cloning) Deep Reinforcement Learning(DRL) 연구가 진행중이다. 자유도(Degree of Freedom, DOF)가 높은 사람형 로봇손의 학습 문제점을 개선하기 위하여, 행동 복제를 통한 Human Demonstration Augmented(DA)강화 학습을 통하여 사람처럼 사물을 조작하는 지능을 학습시킬 수 있다. 그러나 사물 조작에 있어, 의미 있는 파지를 위해서는 사물의 특정 부위를 인식하고 파지하는 방법이 필수적이다. 본 연구에서는 딥러닝 YOLO 기술을 적용하여 사물의 특정 부위를 인식하고, DA-DRL 을 적용하여, 사물의 특정 부분을 파지하는 딥러닝 학습 기술을 제안하고, 2 종 사물(망치 및 칼)의 손잡이 부분을 인식하고 파지하여 검증한다. 본 연구에서 제안하는 학습방법은 사람과 상호작용하거나 도구를 용도에 맞게 사용해야하는 분야에서 유용할 것이다.
휴먼형 로봇 손의 사물 조작 수행을 이용한 인간 행동 복제 강화학습 정책 최적화 방법 성능 평가
박나현 ( Na Hyeon Park ),오지헌 ( Ji Heon Oh ),류가현 ( Ga Hyun Ryu ),( Edwin Valarezo Añazco ),( Patricio Rivera Lopez ),원다슬 ( Da Seul Won ),정진균 ( Jin Gyun Jeong ),장윤정 ( Yun Jung Chang ),김태성 ( Tae-seong Kim ) 한국정보처리학회 2020 한국정보처리학회 학술대회논문집 Vol.27 No.2
로봇이 사람과 같이 다양하고 복잡한 사물 조작을 하기 위해서 휴먼형 로봇손의 사물 파지 작업이 필수적이다. 자유도 (Degree of Freedom, DoF)가 높은 휴먼형(anthropomorphic) 로봇손을 학습시키기 위하여 사람 데모(human demonstration)가 결합된 강화학습 최적화 방법이 제안되었다. 본 연구에서는 강화학습 최적화 방법에 사람 데모가 결합된 Demonstration Augmented Natural Policy Gradient (DA-NPG)와 NPG 의 성능 비교를 통하여 행동 복제의 효율성을 확인하고, DA-NPG, DA-Trust Region Policy Optimization (DA-TRPO), DA-Proximal Policy Optimization (DA-PPO)의 최적화 방법의 성능 평가를 위하여 6 종의 물체에 대한 휴먼형 로봇손의 사물 조작 작업을 수행한다. 그 결과, DA-NPG 와 NPG를 비교한 결과를 통해 휴먼형 로봇손의 사물 조작 강화학습에 행동 복제가 효율적임을 증명하였다. 또한, DA-NPG 는 DA-TRPO 와 유사한 성능을 보이면서 모든 물체에 대한 사물 파지에 성공하여 가장 안정적이었다. 반면, DA-TRPO 와 DA-PPO 는 사물 조작에 실패한 물체가 존재하여 불안정한 성능을 보였다. 본 연구에서 제안하는 방법은 향후 실제 휴먼형 로봇에 적용하여 휴먼형 로봇 손의 사물조작 지능 개발에 유용할 것으로 전망된다.