Nowadays mobile robots have wide engineering applications. Simultaneous localization and mapping (SLAM) is an important task of these robots. The major and common algorithms used for this task are based on extended Kalman filter (EKF). One of the main problems in EKF-based SLAM is its divergence. The nonlinearity of motion and observation models and linearization error are the main reasons for the divergence. There have been some efforts to address this problem with limited success. In this paper, by applying a simple compass and using an effective transformation, we transform the non-linear state space model into a linear model. Then, by applying the original KF to this model, we reach a new method, which is called LMKF SLAM. We show that the LMKF SLAM is significantly superior to the state-of-the-art methods, especially EKF-based SLAMs, both in accuracy, convergence, and computational complexity. The proposed method is also more stable with respect to the uncertainty of sensors values and changes in system parameters. Experimental results verify these points.
물리 정보 신경망(PINN)은 배터리 전기화학 모델을 포함한 비선형 편미분방정식(PDE)을 푸는 강력한 도구로 부상했다. 이들은 일반적으로 손실 함수 내에 보존 법칙을 강제하여 물리적으로 일관된 해를 보장한다. 유한 차분, 유한체적, 유한요소 기법과 같은 전통적인 수치 방법은 이산화에 의존하며 비선형 시스템에 대해 계산 비용이 클 수 있다. 이 문제를 해결하기 위해 PINN은 특히 전해질 단일 입자 모델(SPMe)과 같은 차수 축소 모델에 대해 개선된 확장성(scaling)을 제공한다. SPMe는 확산, 수송, 반응 속도론, 전압 방정식이 결합된 형태로 리튬 이온 배터리 동역학을 기술한다. 이러한 장점에도 불구하고, 다양한 배터리 화학 조성이나 운전 조건에 대해 SPMe 기반 PINN을 처음부터 학습하는 것은 부담이 크며 종종 느린 수렴으로 이어진다. 이 한계를 극복하기 위해 본 연구는 SPMe-PINN을 위한 전이학습 프레임워크를 제안한다. 모델은 먼저 일반적인 전기화학 동역학을 학습하도록 사전학습(pre-training)되고, 이후 가중치 전이, 선택된 층의 동결, 나머지 매개변수의 파인튜닝(fine-tuning)을 통해 대상 배터리에 적응하며, 핵심 전기화학 변수 추정을 포함한다. PyBaMM을 이용한 검증은 정확한 전압 예측을 보여주며, 제안 접근법이 전기화학적 일관성을 유지하면서 학습 시간을 줄이고 배터리 간 효율적인 일반화를 가능하게 함을 나타낸다.
로봇을 이용해 방사선 원의 위치를 추정하는 것은 효율성과 안전성을 높이는 효과적인 방법이다. 기존 방법은 정밀한 추정을 위해 로봇의 경로를 계획하는 데 초점을 맞추며, 일반적으로 원에 접근하는 방식을 취한다. 그러나 원에 접근할수록 로봇의 방사선 피해 위험이 커진다. 또한 방사선 원 위치 추정(RSL)만을 위해 설계된 경로 계획 알고리즘은 방사성 환경에 로봇을 투입하는 임무의 유연성을 제한한다. 본 연구는 물리학 정보 기반 머신러닝(PIML) 모델을 활용하여 미지 환경에서 측정 경로에 관계없이 방사선 원 위치를 정밀하게 추정하는 로봇 RSL 자동화 프레임워크를 제안한다. PIML을 위해 미지 장애물로부터 감쇠된 감마선 플럭스 신호를 처리할 수 있도록 물리학에서 영감을 받은 모델 텐서가 설계되었으며, RSL의 견고성과 정밀도를 향상시키기 위해 여러 모델이 병렬로 계산된다. 제안 방법은 공간 규모, 방사선 원 유형, 장애물 재료 및 기하, 로봇 궤적 등 다양한 무작위화된 영역에 대해 Monte Carlo 입자 수송을 사용하는 고정밀 시뮬레이션 환경에서 평가된다. 또한 시뮬레이션 기반 평가에 포함되지 않은 구성에 대한 물리 실험을 통해 검증된다. 연속 학습 기법은 실제 로봇 배포에 적용되어 온라인 로봇 RSL 시스템의 실용성을 높인다. 제안 방법은 로봇 방사선 인식을 점 단위 플럭스 감지에서 공간 지능으로 발전시킨다.
물리적 또는 운영상의 제약은 종종 자율 에이전트에 통신 제한을 부과한다. 이러한 제한은 모니터링이나 다중 에이전트 조정을 복잡하게 만든다. 강력한 통신이 없더라도 일부 정보는 여전히 이용 가능할 수 있다. 관련 에이전트 상태의 나머지 부분은 추정을 통해 재구성될 수 있다. 에이전트가 취하는 행동은 잠재적인 정보원이다—에이전트가 환경과 상호작용함에 따라, 명시적 통신이 없더라도 이러한 행동은 관측될 수 있다. 우리는 행동을 사용하여 에이전트의 상태를 추정하는 방법을 조사하며, 추정 문제를 더 다루기 쉽게 만드는 정책을 개발하기 위해 강화학습을 사용한다. 정책 관측 가능성은 학습 보상을 통해 장려되며, 학습된 에이전트의 시뮬레이션을 사용하여 분석된다. 항공기 추적 문제에서 향상된 관측 가능성을 갖는 정책이 발견되었으며, 이는 명목 과제 성능에 미치는 영향이 최소이다.
에너지 소비의 정확한 추정과 예측은 전력계통 운영, 계획, 수요 측면 관리에 중요하다. 그러나 실제로는 완전하고 시의적절한 측정값이 항상 제공되지 않을 수 있으며, 관측 데이터는 부분적이거나 노이즈가 있거나 지연될 수 있다. 이는 진화하는 소비 상태를 예측하기 위한 학습 기반 예측 모델과, 순차적 예측 보정을 위한 데이터 동화 방법의 사용을 동기 부여한다. 본 연구에서는 실제 에너지 소비 데이터에 대한 고차원 데이터 동화 문제를 다룬다. 순방향 예측은 사전학습된 블랙박스 시공간 예측 모델에 의해 제공되며, 필터링 절차에서 상태 전파기(state propagator)로 취급된다. 우리는 부분적이고 노이즈가 있는 관측을 동화하고 시간에 따른 예측 궤적을 보정하기 위해 앙상블 Score Filter(EnSF)를 사용한다. EnSF는 필터링 분포를 근사하기 위해 score 기반 확산 모델을 사용하며, 폐형 score 표현과 Monte Carlo 근사를 통해 동화 과정에서 신경망 score 모델의 재학습을 피한다. 수치 실험 결과, 학습된 예측 모델의 개루프(open-loop) 전파는 장기 구간에서 신뢰성을 잃을 수 있음을 보여주며, EnSF 기반 보정은 상태 추정을 실질적으로 개선한다. 앙상블 Kalman Filter(EnKF)와의 비교에서 EnSF가 본 연구에서 고려한 비선형 관측 설정 하에서 더 강한 보정을 제공함을 추가로 보여준다.
이미지로부터 원하는 3D 변환이 이루어진 뒤 장면이 어떻게 변화할지 예측하는 것은 컴퓨터 비전(CV), 그래픽스, 로봇 공학의 핵심 목표이다. 그러나 3D 기하학과 동역학에 완전히 접근할 수 있는 이상적 시뮬레이터와 달리, 실세계 시스템은 본질적으로 부분적이고 불완전한 지각 입력과 국소적 행동에 의존해야 한다. 본 연구에서는 부분 관측과 불완전한 3D 변환 신호 모두 하에서 미래 장면 상태를 시뮬레이션하는 물리 세계 모델링 시스템 P3Sim을 제안한다. P3Sim은 상호작용하는 세 가지 구성 요소로 이루어진다: 학습된 물리 세계 모델, 기하학적 조건화 모듈, 지속적 장면 메모리. 세계 모델은 지각을 다중 모달 장면 변수에 대한 확률적 추론으로 해석하여, 다른 변수들의 임의 조합에 조건화된 임의 장면 변수의 분포 예측을 제공한다. 기하학적 조건화 모듈은 추론 시점에 세계 모델을 조건화하기 위한 부분 3D 변환 신호를 제공한다. 지속적 장면 메모리는 시간에 걸쳐 예측을 통합하여, 불확실성 하에서 온라인 갱신과 일관성을 가능하게 한다. 학습된 추론과 명시적 기하학적 구조를 결합함으로써 P3Sim은 데이터 기반 유연성과 내재된 귀납적 바이어스를 균형 있게 맞춘다. 이 설계는 새로운 시점 합성(novel view synthesis), 객체 조작(object manipulation), 동적 장면 예측(dynamic scene prediction)과 같은 다양한 3D 변환 작업에 일반화되는 유연한 지각 시뮬레이터를 만들어, 범용 3D 장면 이해 및 변환을 향해 나아간다.
온라인 테스트-타임 적응(OTTA)에서 학습·테스트 분포 이동 하 레이블 없는 순차 데이터에 적응하는 문제를 상태-공간 모델링 기반 확률 프레임워크로 공식화하고, 동적 선형 모델과 Gibbs 사후분포로 매개변수 학습·시간 진화·사전 조정·예측을 단계별로 특성화한다. 가우시안 근사 순차 베이지안 필터링으로 예측 불확실성을 정량화하며, 기존 TTA 방법을 특수 사례로 포괄하면서 경쟁력 있는 새로운 적응 기법을 제안한다.
노이즈가 있는 궤적 관측에서 일반화된 해밀토니안을 학습하기 위해 암시적 쌍대 적분기(symplectic integrator) 기반 HNN에 인접 시스템(adjoint system)의 쌍대 이산화를 적용해 역전파 없이 효율적으로 파라미터를 학습하고, 예측자-수정자(predictor-corrector) ODE 솔버와 고정점 반복으로 계산 비용을 줄인다. 비분리(non-separable) 혼돈 시스템에서 시스템 식별과 에너지 보존에서 수치적 이점을 보였으며, 역오차 분석(backward error analysis) 후처리로 참 해밀토니안에 대한 근사 정확도를 높인다.
수치 기상 예측과 데이터 동화(data assimilation)에서 컨포멀 예측(conformal prediction, CP)을 대류 과정을 모방한 1차원 수정 천수 모델에 적용해 표준 CP, 정규화 CP, 컨포멀화된 분위수 회귀(CQR)의 커버리지·구간 길이·구간 점수 등을 평가하고 앙상블 스프레드 등 전통적 앙상블 기반 측도와 비교했다. CP 섭동을 데이터 동화 주기에 통합하는 방안도 함께 검토했으며, 결과는 각 방법의 강점과 한계를 드러내며 단순화된 대기 모델에서 CP가 기존 앙상블 기반 불확실성 정량화를 보완할 수 있음을 보여준다.
시각적 계획에서 LeWorldModel(LeWM)의 반복적 단일 단계 잠재 롤아웃이 계산 비용과 누적 오류를 키우는 문제를, 행동 접두 문맥(action prefix)을 병렬로 예측하는 Fast LeWorldModel(Fast-LeWM)이 대체한다. 여러 태스크에서 LeWM 대비 평균 성공률을 높이면서 계획 시간을 크게 줄이고, 개방 루프 잠재 손실과 그 지평선 증가 속도도 완화한다.
시간적 예측 코딩(tPC)의 장기 시간적 크레딧 할당 한계를 실시간 순환 학습(RTRL)과 결합한 tPC-RTRL로 해결하고, 온라인 영향 행렬(influence matrix)로 뉴로모픽 구현에 필요한 공간·시간 국소성을 유지하면서 명시적 가정 하 시간을 통한 역전파(BPTT) 그래디언트를 정확히 복원함을 증명한다. WikiText-103 바이트 수준 언어 모델링, 영어-프랑스어 번역, 나노드론 시스템 식별 등에서 BPTT와 거의 동등한 성능을 보였고, 학습 중 반복 추론을 배포에 재활용하면 간헐적 상태 관측으로 개방 루프 대비 최종 위치 오차를 절반 수준(0.402m 대 0.805m)으로 줄여 학습과 필터링을 동일 프레임워크에서 통합할 수 있음을 보인다.
자율주행 실내 운전자 모니터링을 위해 실내 RGB와 HR/EDA 생리 신호를 결합한 경량 student와 학습된 게이트로 빠른 예측 수용·안전 기권을 선택하는 비용 인식 선택적 추론 프레임워크를 제안하며, 잠재 운전자 상태를 전개하는 월드 모델링으로 미래 오류와 행동 비용을 예측한다. 시나리오 유발 운전자 수요 인식에서 11.39M 파라미터·3.08ms 지연으로 Macro-F1 0.7440과 균형 정확도 0.9099를 달성하고, 불안전한 위음성을 약 17%에서 5% 수준으로 줄이면서 배포 가능한 지연 시간을 유지한다.
라벨이 부족한 복합화력 가스터빈(CCGT) 고장 탐지를 위해 칼만 프로토타입 네트워크(KPN)를 제안하며, 클래스 프로토타입을 동적 시스템의 잠재 확률 상태로 모델링해 퓨샷 학습(FSL)의 에피소드 분산을 줄이고 임베딩 표현의 견고성을 높인다. 해상 CCGT Modelica 시뮬레이션 기반 누설 고장 태스크에서 KPN은 Matching Networks, Relation Networks, MAML 등 기존 FSL 방법보다 정확도와 안정성에서 우수한 성능을 보였다.
5일간 전역 바람 강제력을 조건으로 하는 확산 기반 생성 모델이 자기회귀적 시간 단계 없이 해상 상태의 조건부 분포를 직접 샘플링하며, 유의파고 등 벌크 변수를 넘어 Stokes drift와 평균 제곱 기울기 같은 분할·파생량까지 추정할 수 있다. 30년 전역 WAVEWATCH-III hindcast로 학습한 결과, 수치 스펙트럴 모델 대비 상당한 계산 가속과 함께 벌크 변수에서 우수한 예측 성능과 보정된 앙상블 분산을 달성했다.
비디오 확산 모델(VDMs)의 추론 속도를 높이기 위해, NaviCache는 feature 진화를 관성 항법 시스템(INS) 문제로 재정의하여 오프라인 보정 없이 테스트 타임에 자기 보정이 가능한 캐싱 프레임워크를 제안한다. 이중 상태 추정 엔진과 불확실성 인식 측정 갱신 메커니즘을 통해 계산 건너뛰기 오차를 이론적으로 한정하며, HunyuanVideo, Wan, Open-Sora 시리즈 실험에서 기존 방법 대비 우수한 성능을 달성했다.
이벤트 카메라와 고속 갈바노미터 미러, 초점 조절 가능 망원 렌즈를 결합한 능동 시각 시스템(GCS)을 제안하여 경기 중 무수정 공의 스핀을 실시간으로 추적·추정한다. 구면 대비 최대화(s-CMax) 오프라인 방법과 불확실성 인식 CNN 기반 온라인 방법을 통해 프로 탁구 경기에서 750Hz 처리량, 3ms 지연으로 높은 정확도의 스핀 추정을 달성한다.
심초음파 프로브 자동 내비게이션에서 기존 순차적 체인 모델링이 노이즈가 많은 탐색 궤적에 과적합되는 문제를 해결하기 위해, UltraStar는 과거 키프레임을 공간 앵커로 활용하는 스타 그래프(Star Graph) 토폴로지를 도입해 경로 회귀(path regression) 대신 앵커 기반 전역 위치 추정(anchor-based global localization)을 수행한다. 의미 인식(semantic-aware) 샘플링 전략으로 다양한 랜드마크를 선택해 중복을 줄이며, 131만 개 샘플 데이터셋 실험에서 베이스라인 대비 우수한 성능과 긴 시퀀스에 대한 뛰어난 확장성을 입증했다.
단일 궤적의 완전·부분 관측으로부터 대칭 확률적 선형 동역학 파라미터를 추정하는 문제에서, 모멘트 방법(method of moments) 기반 추정기가 T=O(log N) 관측만으로 행렬이 희소·밀집이든 관계없이 동역학 행렬을 요소별 최대 오차 기준으로 복원함을 이론적으로 보인다. 이 방식은 문제별 정규화(regularization)에 의존하지 않아 구조 탐색(structure discovery)과 같은 응용에 특히 유리하다.
교통사고 재구성을 학습 없이(training-free) 폐루프(closed-loop) 구조화 추론으로 다루는 TRACER는, 밀집 궤적을 바로 생성하지 않고 기하·운동학·상호작용 제약 아래 이벤트 기준 운동 가설을 구조화된 사례 메모리와 일관성 진단으로 반복 정교화해 증거가 부족할 때도 해석 가능한 수정을 가능하게 한다. 실세계 사고 데이터 실험에서 데이터 기반·물리 기반 베이스라인 대비 기하 충실도, 속도 일관성, 충돌 정확도가 개선되었다.
희소 센서 측정값으로부터 도시 유동(urban flow) 및 대기질 필드를 재구성하기 위해, 기존 행렬 분해 방식의 구조적 정보 손실 문제를 해결하는 텐서 기반 프레임워크인 lcHOSVD(low-cost High-Order Singular Value Decomposition)를 제안한다. 전체 공간의 1~4%에 불과한 센서 위치만을 활용해 3차원 속도장과 오염물질 농도 필드를 재구성하며, 강한 다차원 결합이 존재하는 환경에서 lcSVD 대비 낮은 재구성 오차와 불균일한 센서 분포에 대한 높은 강건성을 보인다.