무기체계 소프트웨어의 개발은 알고리즘의 개발과 코드 구현 및 장입으로 나누어진다. 코드 구현의 목적은 해당 알고리즘을 오류 없이 구현하고 하드웨어에서 실시간 운용되도록 하는 것이며, 상황에 따른 예외 처리 등이 포함된다. 많은 경우에 코드 구현 업무는 알고리즘 개발 업무와 분리되어 있어 코드 개발자가 알고리즘을 잘못 이해하거나 이해가 부족하면 개발자에 의한 인적 오류로 이어지게 된다. 이러한 오류를 없애기 위해 개발된 알고리즘을 코드로 자동 생성/구현해 주는 도구를 개발하고자 하는 노력이 꾸준히 진행되어 왔다. 본 연구는 매트랩 시뮬링크를 이용하여 모델링 및 시뮬레이션을 통해 개발된 레이다 알고리즘의 일부에 대하여 자동 코드 및 하드웨어 장입 시험을 수행하고 결과를 비교, 검증하였다. 대상 알고리즘은 능동 위상배열 안테나에서 다기능을 운용하기 위해 빔을 스케줄링 하는 기능이며, 병렬 구성을 통해 자동 코드 생성 및 하드웨어 장입하여 수행된 결과와 개발된 모델의 결과가 동일함을 확인하였다.

국내 시내버스는 높은 운행 원가, 낮은 요금 등으로 재정적자가 누적되고 있으며, 여러 도시에서 시내버스 적자에 대한 재정적 부담을 감당하고 있다. 특히 비효율적인 노선 경로는 시내버스 적자의 주된 원인 중 하나로 지목된다. 이러한 비효율적인 노선 경로는 단순히 많은 승객 수요를 흡수하기 위한 목적뿐 아니라, 대중교통 서비스의 공공성 확보를 위해 수요가 적은 지역의 노선을 유지하는 과정에서 발생하기도 한다. 본 연구에서는 비효율이 발생하는 노선을 대상으로 승객 수요를 실시간으로 반영하여 노선의 특정 경로를 유연하게 생략 운행하는 유연형 버스 서비스의 효과성을 확인한다. 천안시 시내버스 405번 노선을 사례로 선정하고, AnyLogic 시뮬레이터를 활용한 실험을 통해 유연형 버스 서비스의 효과성을 분석한다. 실제 정류장별 승·하차 인원수 데이터를 기반으로 시간대별 수요 패턴을 반영하였으며, 수요에 따라 노선 경로를 부분적으로 생략하는 운행을 재현하였다. 실험 결과, 굴곡 경로를 수요에 따라 생략함으로써 노선의 운행 효율성이 개선되는 점, 특히 주행 거리 단축에 따른 연료 소비량 및 운영 비용 감소 등의 효과를 확인할 수 있었다. 이는 장기적으로 대중교통 재정 부담 완화에도 기여할 것으로 기대한다.

대학의 교양 강좌는 학생들이 전공 외의 다양한 지식을 습득하고 융합적 사고를 기를 수 있도록 돕는 중요한 역할을 하지만, 강좌 선택의 다양성과 정보 부족으로 인해 적절한 강좌를 선택하는 데 어려움이 존재한다. 이에 따라 본 연구에서는 다양한 협업 필터링 기반의 추천 모델을 교양 강좌 추천 시스템에 적용하여 그 성능을 비교하고, 추천 성능에 영향을 미치는 요인을 분석하고자 하였다. 실험에서는 아이템 기반 협업 필터링(IBCF), 행렬 분해 기반의 SVD, 신경망 기반의 NCF 및 성별, 전공 계열 등 개인화된 정보를 추가로 반영한 확장 NCF 모델을 비교하여 추천 성능의 차이를 분석하였다. K-Fold 교차 검증을 수행하고 RMSE 및 MAE를 평가지표로 활용한 실험 결과, NCF 기반 모델들이 IBCF 및 SVD 대비 우수한 성능을 보였으며, 특히 학생의 성별과 전공 계열 정보를 추가 반영한 모델이 가장 높은 성능을 기록하였다. 또한 permutation importance 분석을 통해 개인화 정보가 추천 성능에 일정 부분 영향을 미치는 요인임을 정량적으로 확인하였다. 본 연구의 결과는 교양 강좌 추천 시스템의 성능 향상을 위해 신경망 기반 모델과 학생 개별 특성의 적극적 반영이 효과적인 전략임을 시사한다.

객체 탐지와 숙성도 판별 및 자세 추정을 위한 인공지능(AI) 모델 학습을 위해서는 대규모의 정밀하게 라벨링된 학습 데이터가 필수적이다. 그러나 현실적으로 해당 데이터를 확보하는 것은 계절적 제약과 높은 비용으로 인해 상당한 어려움이 존재한다. 기존의 가상 데이터 생성 연구들은 현실성 부족, 라벨링 정밀도의 한계, 자동화 수준의 미비 등의 한계점이 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 3D로 스캔한 실제 과실 모델을 Blender로 최적화한 후 Unity 기반 디지털 팜 환경에 배치하고, Flood Fill 알고리즘과 벡터 내적 계산을 활용하여 객체 위치(Bounding Box), 세부 Landmark 특징점 및 숙성도를 자동으로 라벨링하는 시스템을 제안한다. 실험 결과, 제안 시스템은 수작업 대비 데이터 생성 및 라벨링 소요 시간을 한 장당 약 66초에서 0.23초로 단축하여 최대 97%의 시간 절감 효과를 보였다. 또한 생성된 가상 데이터를 활용하여 학습된 You Only Look Once(YOLO) 기반 객체 탐지 및 자세 추정 모델은 가상 데이터에서 각각 98.0%, 97.2%의 높은 정확도를 보였으며 실제 환경 데이터에서도 각각 95.7%, 96.0%의 우수한 성능을 유지하여 도메인 간 일반화 능력이 뛰어남을 확인하였다. 본 연구의 시스템은 실제 데이터 부족 문제를 효과적으로 보완하여 농업 분야를 포함한 다양한 분야에서 AI 기술 발전에 기여할 것으로 기대된다.

최근 도심의 교통 혼잡 문제 해결을 위해 도심항공교통(UAM, Urban Air Mobility)의 활용이 주목받고 있다. 본 연구에서는 서울시와 인천국제공항 간의 양방향 승객 이송을 위한 UAM 최적 운영 방안을 제안하고, 이를 이산 사건 시뮬레이션을 통해 분석하였다. 먼저, 서울시 공항버스 수요 데이터와 K-means 알고리즘을 활용하여 최적의 버티포트(Vertiport) 입지를 선정하고, 유전 알고리즘을 적용하여 승객 이송에 필요한 UAM 수를 도출하였다. 이후 출발지/목적지, 충전시설, UAM 및 승객 등 주요 요소를 포함한 시뮬레이션 모델을 Simio로 구현하였다. 시뮬레이션 실험으로 충전시설 배치/수와 항속거리와 같은 독립변수들이 수요 처리량, 승객 평균 대기시간에 미치는 영향을 분석하였다. 실험 결과, UAM 운영 효율성을 높이기 위해서는 항속거리에 따른 충전시설 배치를 고려해야 함을 제시하였다. 본 연구는 기존 연구들이 주로 기체 설계 및 인프라 구축에 집중했던 것과 달리, 실제 승객 수요 데이터를 반영한 운영 최적화 방안을 제시했다는 점에서 차별성을 갖는다. 향후 본 연구 결과가 공유 모빌리티로서의 UAM 운영 방안 수립 및 실용적 도입을 위한 기초 자료로 활용될 것으로 기대한다.