기후 과학의 가속화 및 모든 것의 전동화를 통한 지구 살리기

10:20-10:50

기후 위기가 현실로 다가오고 있는 지금, 엔지니어 및 과학자들은 기후 위기에 대응하기 위한 다양한 노력을 기울이고 있습니다. 엔지니어들은 기후 변화에 대응하기 위해 에너지 산업의 탈탄소화, 전동화 및 지속 가능한 제품 설계를 목표로 빠르게 혁신을 이끌고 있으며, 과학자들은 기후 적응 정보를 적시에 제공하고 이해를 높일 수 있도록 클라우드 컴퓨팅 및 인공지능 기술의 발전을 기반으로 연구를 가속화하고 있습니다. 교육자들도 이러한 혁신과 노력을 다음 세대에서도 더욱 발전시켜 나갈 수 있도록 지원하고 있습니다.

본 세션을 통해 과학자와 엔지니어가 MATLAB^® 및 Simulink^® 를 사용하여 기후 위기를 막고, 깨끗하고 전동화된 미래를 통해 지구를 지켜나가는 활용 사례에 대해 자세히 알아보실 수 있습니다.

MATLAB 및 Simulink R2022a의 새로운 기능

10:50-11:20

여러분의 연구, 설계 및 개발 워크플로를 지원하기 위한 MATLAB^® 및 Simulink^®의 새로운 기능을 살펴보세요.

본 세션에서는 MATLAB에서 코드 작성 없이 작업 및 계산을 자동화하는 대화형 방식 앱 및 라이브 편집기 작업 등 생산성 향상을 위한 새로운 툴과 Simulink에서 병렬 시뮬레이션을 실행하는 새로운 기능에 대해 소개합니다.

그 외에도 MATLAB에서 Python^® 사용하기 및 Simulink에서 FMU(Functional Mockup Unit) 내보내기 등 다양한 툴, 언어 및 기술과 연동하는 워크플로를 지원하는 새로운 기능을 보실 수 있습니다.

또한 MATLAB 함수를 Docker 컨테이너 기반 마이크로서비스로 퍼블리시하고 Simulink 모델로부터 구성 가능한 MATLAB UI를 생성하는 등 MATLAB 코드 및 Simulink 모델을 공유하는 새로운 기능에 대해 다룰 예정입니다.

신호처리 응용프로그램을 위한 데이터 중심 AI (Data-Centric AI)

11:30-12:10

자율 주행, 음성 인식 또는 기계 번역과 같은 일부 분야의 경우 AI 적용은 대규모 데이터 세트와 풍부한 연구 결과에 의존할 수 있습니다. 보통 이러한 영역에서의 연구는 훨씬 더 복잡한 AI 모델의 설계를 통해 시스템 성능을 개선하는 데 가장 중점을 둡니다. 반면에 대부분의 산업용 신호 처리 응용프로그램은 데이터가 부족하고 노이즈가 많은 경향이 있으며 맞춤형 모델이 매우 드물어 AI를 적용하기란 쉽지 않습니다.

본 세션에서는 도메인별 전문 지식을 기반으로 데이터 중심 워크플로를 사용하여 모델 성능을 크게 개선하고 실제 응용프로그램에 AI를 적용할 수 있는 방법에 대하여 소개합니다. 데이터 및 라벨링 품질 개선, 분산 및 차원 감소, 최적화된 특징 공간 표현 및 신호 변환 방식 선택 등과 관련된 신호 데이터 준비 방법론과 더불어 데이터 합성 및 증강을 위한 기법, AI 프로젝트 시작점으로 활용할 최적의 AI 모델 선택까지에 이르는 데이터 중심의 신호처리 AI 응용프로그램 개발 워크플로에 대하여 자세히 설명합니다.

딥러닝 기법을 적용한 과공정 Al-SI 주조 합금의 미세조식 상 분류

13:10-13:50

다른 금속과 마찬가지로 알루미늄 합금의 기계적 특성을 이해하기 위해서는 합금의 미세조직에 대한 정량적 분석이 매우 중요합니다. 미세조직은 주로 광학현미경(OM), 주사전자현미경(SEM), 투과전자현미경(TEM)과 같은 장비로 측정되며, 측정된 미세조직 이미지에서 각 상을 분석하는 작업은 대부분 현장 전문가에 의해 수동으로 수행되는데 이 과정에서 일관성이 결여되거나 분석에 많은 시간이 요구됩니다. 이미지 분석 소프트웨어를 사용하는 경우에도 측정된 이미지 품질의 차이로 인해 소프트웨어 내의 매개변수를 각 이미지에 대해 수동으로 조정해야 합니다.

최근 딥러닝 접근 방식은 이미지에서 특징을 학습하여 비전 응용 분야에서 높은 성능을 보이며 재료 과학 및 공학의 다양한 분야에서도 활용되고 있습니다. 이 프로젝트에서는 MATLAB^®에서 제공되는 딥러닝 모델 개발 툴을 활용하여 과공정 Al-SI 주조 합금의 미세 구조 이미지에서 상 분류를 진행한 사례를 소개합니다.

딥러닝 모델은 ResNet-18 및 DeepLabv3+ 네트워크 아키텍처를 기반으로 개발되었으며 여러가지 데이터 증대 기법도 적용하여, 개발 모델이 과공정 Al-Si 주조 합금의 미세 구조의 상 분석에 활용될 수 있음을 확인하였습니다.

딥러닝을 위해 MATLAB과 TensorFlow/PyTorch 함께 사용하기

14:00-14:40

MATLAB^®과 Simulink^®는 TensorFlow™/PyTorch와 같은 딥러닝 프레임워크와 함께 사용함으로써 인공지능 모델을 설계하고 학습하기 위한 향상된 기능을 제공합니다. 상호 운용성을 통해 MATLAB 개발 환경을 최대한 활용하고 이를 오픈 소스 커뮤니티에서 개발한 리소스와 통합할 수 있습니다. 데이터 전처리, 모델 최적화, 모델 압축 및 통합 그리고 자동 코드생성을 포함하는 인공지능 워크플로우를 MATLAB 외부의 모델과 결합하는 것이 가능합니다.

아래의 경우를 포함하여 다양한 상호 운용성에 대한 기능, 이점 그리고 예제를 살펴보시기 바랍니다.

• TensorFlow, PyTorch, ONNX™와 MATLAB 간의 딥러닝 모델 교환 및 활용
• TensorFlow/PyTorch와 MATLAB 간의 동시 실행을 통한 모델 개발 및 검증

구름영상예측을 이용한 태양광 발전량 예측의 고도화

14:50-15:30

국내외 친환경 기조에 따라 재생에너지 발전의 비중이 증가하고 있습니다. 계통에서 재생에너지를 효율적이고 신뢰성 있게 사용하기 위해서는 정확한 발전량 예측이 필요하며, 이를 위해 다양한 데이터가 활용되고 있습니다. 예를 들어 태양광 발전량 예측의 경우, 일사량과 운량 데이터가 주요 예측 인자로 활용되며, 풍력 예측의 경우 풍속과 풍향 등의 기상데이터가 활용됩니다. 하지만, 기상청에서 제공되는 기상정보의 한계점은 제공되는 예측범위와 정보가 제한적이라는 것입니다. 특히 관측 데이터로 일사량이 제공되는 것에 반해, 일사량 예보는 제공되지 않으므로 실용화 단계에서 설계한 모델을 사용할 수 없다는 문제가 있습니다. 따라서 본 연구에서는 데이터의 최신화가 빠르며 구름량과 밀접한 관련이 있는 위성 이미지를 기반으로 예측 데이터를 생성합니다. 구름예측 데이터는 GAN 모델과 LSTM 모델을 혼합하여 만든 예측모델을 사용하여 생성하였습니다. GAN 모델은 현재 제안된 이미지 생성 모델 중 가장 뛰어난 성능을 가지고 있으며, LSTM 모델 또한 시계열 기반 딥러닝 모델 중 가장 뛰어난 성능을 보여주기 때문에 적용하였습니다.

위성 이미지는 구름의 양, 위치, 분포를 가장 잘 나타내는 데이터로, 기상관측이 관측소가 설치된 지역을 기준으로 수행되는 것에 반해, 관측지역의 제한 없이 넓은 지역에 대한 정보를 수집할 수 있습니다. 국가기상위성센터에서 제공하는 위성 이미지는 천리안 2A 호를 통해 10분 간격으로 촬영된 동아시아 범위의 이미지를 얻을 수 있습니다. 위성 이미지는 가시영상, 적외영상 등 다양한 종류의 데이터가 있으며, 가시영상의 경우 구름에 반사된 태양광을 측정하며, 적외영상의 경우 물체가 방출하는 에너지량을 측정합니다.  두 영상 모두 구름에 대한 데이터를 얻을 수 있지만, 가시영상의 경우 해가 진 이후의 데이터는 얻을 수 없으므로 구름의 이동과 변화를 지속적으로 추적하기 힘듭니다. 따라서, 본 연구에서는 24시간 구름에 대한 연속적인 변화를 추적할 수 있는 적외영상을 이용하여 예측모델을 학습하였으며, 계절별 구름 특성을 반영하기 위해 2018.01.01. ~ 2018.12.31.까지 1년 동안의 데이터를 사용하였습니다.

위성 이미지 예측을 위한 모델은 크게 2가지 부분으로 나눌 수 있습니다. 첫 번째는 GAN 모델을 이용한 이미지 생성을 위한 부분으로 임의의 입력에 대응하여 위성 이미지와 유사한 이미지를 만들어내는 부분입니다. 두 번째는 이미지 예측 부분으로 LSTM 모델을 사용하여 연속된 위성 이미지에서 시계열 특성을 추출한 후 GAN의 입력으로 사용합니다. LSTM-GAN은 LSTM 모델과 GAN 모델을 혼합한 하이브리드(Hybrid) 모델로, LSTM 모델은 이미지의 시계열 정보를 추출하고, GAN은 추출한 시계열 정보를 기반으로 새로운 이미지를 생성해내는 역할을 합니다. LSTM 모델의 입력은 일반적으로 사용하는 1차원 데이터가 아닌 2차원 이미지이므로, 합성(Convolution) 연산을 통해 1차원으로 변환하여 입력에 사용하였습니다. LSTM 모델을 통해 생성된 임의의 벡터는 GAN 모델의 생성자에 입력되며, 예측 시점의 실제 이미지와 생성된 이미지의 유사도를 MSE(Mean Square Error)를 통해 판단하고 LSTM 모델의 파라미터들을 업데이트합니다. LSTM-GAN 모델을 이용함으로써, 수많은 파라미터가 발생하는 이미지 학습의 문제점을 해소하고 실제 위성 이미지와 유사한 이미지를 생성해낼 수 있었습니다. LSTM-GAN을 통해 예측지점에서 3시간 뒤의 구름 변화를 예측하였으며, 구름의 형태가 완전히 일치하지 않지만 전체적으로 위치나 모양이 유사한 구름 형태를 가지는 것을 확인할 수 있습니다. 매우 유동적인 구름의 형태로 인해 정확한 모양을 예측하지 못하거나 잘못된 예측을 하는 경우가 있으며, 이를 개선하기 위해 학습기간의 증가와 특성분석에 대한 지속적인 연구를 계획 중입니다. Deep Learning Toolbox™를 이용하여 GAN과LSTM 모델을 쉽게 구현하였고 MathWorks의 기술지원을 받아 이 둘 모델을 결합할 수 있었습니다.

AI를 위한 시계열 데이터 전처리

15:40-16:20

시계열 데이터를 활용한 추세 분석, 장비의 이상 감지 등과 같은 AI 애플리케이션으로의 적용이 증가하고 있습니다. 이러한 시계열 데이터를 AI에 잘 접목시키기 위해서는 먼저 데이터에 대한 분석, 이해 및 정리가 되어야 합니다.

이 세션에서는 MATLAB을 사용하여 실제 모델링 및 AI 응용 프로그램을 위한 시계열 데이터를 가져오고, 탐색하고, 사용하는 방법에 대해 살펴보겠습니다.

임베디드 시스템 적용을 위한 AI개발

16:30-17:10

AI는 GPU를 포함한 고도의 컴퓨팅 인프라구조에 한정되지 않고, 환자 감시, 차량 진단시스템, 제조 장비 등에 통합되는 경우가 많습니다. 메모리 및 전원 공급이 제한된 하드웨어에 AI를 적용하려면 모델사이즈, 정확도, 추론 속도 및 전력 소비 간의 균형을 필요로 하게 됩니다. 이러한 사항은 AI개발 프레임워크 분야에서 여전히 어려운 문제입니다.

본 세션에서는 지능형 보청기의 예시를 기반으로, 한정된 자원을 가진 하드웨어에 대한 AI모델 최적화 방안을 제시하고자 합니다. 이를 위하여 3 단계의 AI모델 최적화 워크플로우를 제안할 예정입니다.

첫번째로 모델사이즈와 검출 정확도를 고려하여 적정한 AI모델을 선정하는 과정에 대해서 다루고, 둘째로 하이퍼 파라미터를 조정하여 컴팩트한 모델을 생성하거나 프루닝하는 방법에 대하여 설명하고, 마지막으로 모델을 양자화하여 모델의 사이즈를 더욱 축소하는 방법에 대해 설명드릴 예정입니다.

모델이 디지털 엔지니어링에 반드시 필요한 이유

11:30-12:10

디지털 엔지니어링은 현재 산업계의 트렌드를 리딩하고 있는 중요한 흐름이라고 보아도 과언이 아닙니다. 이는 여러 조직이 적용하려 노력하고 각 Tool 제공 업체에서도 이를 구체화하기 위해 노력하는 것 중 하나입니다.

본 세미나에서는 이와 같은 디지털 엔지니어링을 구현할 때 모델이 어떻게 중심에 위치하고, 디지털 엔지니어링의 필수 핵심 요소로 작용하는지를 말씀드려 보도록 하겠습니다.

모델 기반 설계를 이용한 광전 센서 성능 예측 모델

13:10-13:50

광전 센서의 개발을 위해서는 광학, H/W, F/W, 기구 설계 등 총 4가지 기술 분야가 필요하고 개발 중 성능 예측을 위해 다음의 업무를 수행합니다. (이중 설계 성능 예측에는 기구 설계 자료의 해석이 불필요)

첫째로, 광학 분야는 렌즈 설계를 위해 광소자의 배광 분포와 출사 및 입사 렌즈 설계 후 발광 및 입광량을 해석툴에 의해 성능 예측을 확정 짓습니다.

둘째로, H/W 분야는 출사광량 제어부와 수광 입력부회로 설계 후 미소 검출 혹은 최장거리 검출을 위한 신호대 노이즈 마진비 즉 SNR 결정을 위해 Spice와 같은 해석툴을 사용하여 성능 예측을 확정 짓습니다.

셋째로, F/W 분야는 신호 처리와 각종 기능 탑재를 위한 신호 및 알고리즘 처리 블럭을 Model-Based Design화 설계 후 광학 해석 자료를 입력 신호로 그리고 H/W 해석 블럭을 Simulink^®에 migration 시켜 Co-Simulation 해석을 실시 후 성능 예측을 합니다.

이 과정에서 Simulink 결과와 실물 일치성 확인을 위한 Mock Up 제작과 성능 평가를 실시하여 매칭 작업을 실시합니다. 설계 결과와 실물 성능을 100% 일치시킨 예측은 할 수 없었지만, 모델링 결과가 90% 이상 일치한다는 가능성을 검증하여 자사의 기존 테스트 기반 제품 개발 프로세서에서 해석과 설계 기반의 업무 형태로 개발 유형이 바뀌고 있는 해당 사례를 간략히 소개해 드릴 예정입니다.

Simscape를 이용한 멀티도메인 물리모델링

14:00-14:40

시스템이 복잡해짐에 따라 엔지니어링 문제들은 다양한 도메인이 얽혀 있어 시스템을 단순화하여 모델링하고, 제어기를 개발하는데 어려움이 있습니다. Simscape™는 물리구조와 동일한 형태로 모델링을 지원하며, 다양한 라이브러리로 복잡한 물리 도메인도 효과적으로 모델링 할 수 있습니다.

본 세션에는 4족 보행로봇 예제를 통해 Simscape를 이용한 멀티도메인 물리모델링 방법을 소개합니다. 세션에서는 로봇의 다물체 동역학 모델 개발과 제어를 위한 모터부품 등의 설계인자 최적화 기법을 알아보고, 4족 보행 제어를 위한 강화학습개발에 물리모델을 활용 방안에 대해서도 소개해드립니다. 그 외에도 다양한 시스템의 모델링방법을 위한 최신의 Simscape 블록을 소개합니다.

모델 기반 설계를 활용한 Legacy C,C++ 코드의 통합과 검증

14:50–15:30

최근 임베디드 소프트웨어 개발 시, 모델 기반 설계(Model-Based Design)를 적용하는 경우가 늘어나고 있습니다. 개발 초기부터 모델 기반 설계를 적용하면 좋겠지만, 대부분의 경우 기존의 개발된 레거시 코드를 바탕으로 시작하게 됩니다.

이번 세션에서는 레거시 코드를 Simulink^®에서 활용하는 방법과 더 나아가 모델 기반 설계로의 전환에 대해서 말씀드릴 예정입니다. 먼저, 레거시 코드를 Simulink로 통합해서 모델 기반 설계(Model-Based Design)를 활용하는 장점에 대해서 말씀드립니다.

둘째, 레거시 코드를 S-Function 형태로 Simulink로 통합하는 다양한 방법에 대해서 말씀드립니다. 각 방법에 장단점, 신규 기능 그리고 활용 방법까지 데모를 통해서 소개해 드립니다.

셋째, Simulink를 활용한 레거시 코드의 검증 환경 구축에 대해서 말씀을 드립니다. Simulink Model V&V Tools를 활용하여 테스트 케이스를 자동으로 생성하고 code coverage를 테스트하고 그 결과를 분석하여 리포트를 산출하는 것까지 소개해 드립니다.

트랙터 캐빈 반능동 서스펜션의 슬라이딩 모드 제어기 개발​

15:40-16:20

시뮬레이션을 통해 제어 알고리즘을 개발하기 위해서는 대상 시스템에 대한 plant model이 필요합니다. 효율적인 개발과정을 위해 우리는 주변의 다양한 시스템을 LTI 시스템으로 표현할 수 있으며, Simulink를 이용하면 이런 시스템들을 손쉽게 구현할 수 있어 제어 알고리즘 개발을 용이하게 해줍니다. 이번 발표에서는 트랙터라는 시스템의 서스펜션을 제어하기 위해 개발된 슬라이딩 모드 제어기에 대해 설명해드립니다. 개발된 제어 알고리즘 모델은 어떤 선형 시스템이든 손쉽게 적용이 가능하며, Simulink의 Data Inspector나 MATLAB을 통해 제어 성능도 확인할 수 있습니다.

FCEV용 모터 설계를 위한 차량 모델링

16:30-17:10

본 발표에서 다루고 있는 FCEV용 모터 설계에 관한 이슈는 크게 2가지가 있습니다. 한가지는 공기압축기용 모터에 관한 것으로 그 출력이 구동모터 출력의 10~20%에 달할 만큼 비중이 크다는 것과 이 모터의 성능이 연료전지 성능에도 영향을 미친다는 것입니다. 다른 하나는 충전 상태에 따라 출력 전압이 달라지는 배터리와 달리 연료전지는 출력 크기에 따라 출력 전압이 크게 다르기 때문에 소스 전압에 따라 성능이 달라지는 구동모터와 공기압축기용 모터의 특성을 잘 반영해야 한다는 점입니다.

따라서 본 발표에서는 에너지 소비량 예측을 위한 FCEV의 상세 모델링 방법에 대하여 다루고, 딥러닝을 활용한 모터 특성 대체모델 생성과, 생성된 모터 대체모델들을 다시 FCEV모델에 적용하여 FCEV 연비 대체모델을 생성하는 방법에 대하여 다룹니다.

FCEV상세 모델링에서는 Powertrain Blockset™을 이용한 차량(주행사이클, 운전자, 구동계, 휠, 차체) 모델링, Simscape™를 이용한 연료전지, 배터리 모델링, 그리고 시뮬링크 기본 라이브러리를 활용한 파워 및 에너지 매니지먼트, 구동모터, 파워 분배, 공기공급 시스템(공기압축기, 공기압축기용 모터, 공기압축기 제어기) 모델링을 소개합니다.

딥러닝을 활용한 대체모델링에서는 먼저 sampling 수와 hidden layer 수를 adaptive하게 구성할 수 있는 adaptive layering and sampling algorithm(ALS)을 소개하고, 이를 이용하여 DC전압, 고정자 턴 수, 적층 길이에 대한 모터의 특성 대체모델링을 구동모터와 공기압축기용 모터에 대하여 먼저 진행합니다. 이렇게 생성된 두 모터의 특성에 대한 대체모델을 FCEV 상세 모델링 상 각각의 모터 부분에 대체하여 넣고 각각 모터의 DC전압, 고정자 턴 수, 적층 길이, 그리고 구동계의 감속기어비에 대하여 FCEV의 에너지 소비량의 대체모델링을 진행합니다.

개발 코드 스크립트에서 코드 추가 없는 신속한 앱(App) 개발 방법

11:30-12:10

MATLAB^®은 데이터 분석, 이미지 및 신호 처리, 알고리즘 개발 등 다양한 분야에서 활용됩니다. 그리고 개발된 코드를 테스트 한 후, 협업을 위해 배포 작업을 합니다. 이때, MATLAB에서는 손쉽게 어플리케이션을 활용하고 배포 하기 위한 사용자 인터페이스를 결합한 앱(App) 형태로 개발을 가능하게 합니다.

이 세션에서는 기존의 사용하던 스크립트에서 바로 앱을 생성하는 기능을 통하여, 편리한 앱 개발과 MATLAB을 이용한 프로그래밍 편의성을 소개합니다.

MATLAB을 사용한 한국형 코로나19 수리모델링

13:10-13:50

신종 감염병인 코로나바이러스감염증으로 전 세계가 공포와 패닉으로 2년이 넘는 시간을 보내고 있습니다. 우리나라는 2020년 2월 16일 첫 지역 확산이 시작되었고, 2021년 2월 25일에 백신접종이 시작되었지만, 델타와 오미크론 바이러스의 출현으로 최대 규모의 유행을 겪고 있습니다.

본 강연에서는 우리나라 데이터 기반 코로나19 수리모델링을 사용한 유행 예측과 다양한 중재 정책에 대한 연구를 소개하고자 합니다. 본 연구에서 사용한 수리모델링은 비선형 미분방정식으로 이루어져 있기 때문에, MATLAB을 사용하여 복잡한 구조의 미분방정식 시스템의 근사해를 구하고 분석하였습니다.

코로나19 1차 유행부터 5차 유행까지 겪으면서 각 유행 시기마다 어떠한 수리모델을 개발하였고, 중요 정부 방역정책 결정에 수리모델링 연구가 어떤 영향을 미칠 수 있었는지에 대한 논의 하고자 합니다. 1차 유행 당시 개발된 행동변화 수리모델링 연구, 사회적 거리두기의 강도와 속도에 대해 정량적으로 분석, 그리고 장단기 유행예측에 대한 분석, 수리확률적인 방법인 최대우도방법(maximum likelihood estimation)를 사용하여 감염전파 매트릭스를 연령별로 구현하여 3차, 4차 유행 데이터에 근거한 백신 우선순위 분석에 대한 연구를 논의할 예정입니다.

또한 최근 진행 중인 오미크론 유행에 대한 연구에서는 연령군, 백신(부스터샷, waning) 그리고 델타와 오미크론 변이바이러스 모두를 고려한 수리모델을 개발하여, 유행 예측뿐 아니라 중증환자 수, 사망자 수 추정 그리고 개인보호구와 같은 국가비축물자 추정에 대한 분석도 다루고자 합니다.

본 강연을 통해 수학이 감염병 방역 정책, 특히 코로나19 시대에 방역 정책 결정자들과의 소통에 대한 경험담을 공유하고, 감염병에서의 수학의 역할을 고찰하는 계기가 되었으면 합니다.

Kubernetes와 컨테이너화 된 마이크로 서비스에 클라우드 네이티브 MATLAB 기능을 배포하기

14:00–14:40

최신의 다양한 서비스를 위하여 클라우드 네이티브를 구현할 수 있는 환경은 어플리케이션 개발에 있어 중요한 항목이 되었습니다. MATLAB^®의 deployment 환경은 HTTP 연결을 통한 수행 요청과 결과 제공을 위한 아키텍쳐 구현을 지원하며, MATLAB의 진보된 기능은 클라우드 서비스를 위한 컨테이너로 빌드할 수 있습니다.

이 세션에서는 MATLAB의 Deployment 환경을 통해 클라우드 환경에서의 활용을 위한 아키텍쳐 소개 및 컨테이터 생성에 대한 정보를 소개합니다.

무선 통신 표준 및 인공지능: 미래의 무선 연결

14:50–15:30

무선 표준은 글로벌 무선 연결 및 액세스를 가능하게 합니다. 5G, Wi-Fi^®, 위성 통신 및 Bluetooth와 같은 최신 표준은 업계의 R&D를 촉진하고 혁신을 추진합니다. 이러한 시스템을 최적화하는 데 사용되는 인공 지능 기술의 적용도 점점 더 보편화되고 있습니다. 이제 무선 시스템 설계를 위한 MATLAB^®의 기능과 설계 문제를 해결하기 위한 인공지능 응용 프로그램을 살펴보십시오.

사례 연구 및 예제를 통해 다음에 대해 배우게 됩니다.

• 5G, Wi-Fi, 위성 통신 및 Bluetooth의 새로운 기능
• 간섭 신호가 있는 경우 공존 모델링 및 성능 평가
• 무선 설계를 위한 인공지능 적용(스펙트럼 센싱, DPD, 빔 관리)
• 표준 기반 포지셔닝, 로컬라이제이션 및 범위 측정

5G+ 주파수대역 RF 송수신기 모델링과 검증

15:40-16:20

다양한 5G+관련 하드웨어의 신호품질을 테스트할 수 있는 장비를 만들기 위해서는 여러 종류의 mmWave 광대역 신호를 송/수신할 수 있는 RF-Front End가 필요합니다. 이러한 RF-Front End의 특성을 미리 파악할 수 있는 모델을 확보할 수 있다면, 대상 하드웨어가 확보되기 전에 다양한 파라미터와 구조를 변경해가면서 여러 신호원에 대하여 RF-Front End의 특성을 미리 파악해볼 수 있습니다.

본 세션을 통해 광대역 송/수신기 개발 개요 및 RF-Front End를 개발하는 과정의 어려운 점과 MATLAB^® 툴을 사용하여 개발 초기단계에서부터 미리 검증할 수 있는 방법을 소개합니다.

레이더 및 무선 통신 공존 모델링

16:30-17:10

무선 주파수(RF) 스펙트럼의 혼잡과 RF 대역폭에 대한 수요 증가로 인해 레이더 시스템 및 무선 통신 시스템을 비롯한 다양한 RF 사용자 간에 스펙트럼이 공유되었습니다.

레이더와 통신 시스템 간의 공존은 간섭 또는 차단과 같은 원치 않는 효과를 생성합니다. 이러한 영향을 이해함으로써 두 시스템의 만족스러운 성능을 보장하기 위해 적절한 완화 기술을 개발할 수 있습니다.

동일한 환경에서 동일한 스펙트럼을 사용하여 작동하는 레이더 시스템과 무선 통신 시스템으로 시나리오를 모델링하는 방법을 확인하십시오. 레이더 성능 저하 가능성을 평가하고 다양한 완화 기술을 평가합니다.

• RF 및 안테나 서브 시스템을 포함한 무선 통신 시스템 주변의 레이더 시스템 모델링
• 표적 반사 및 무선 통신 신호를 반영한 레이더 수신기의 IQ 신호 생성
• 수신된 파형을 감지 및 식별, 간섭 효과를 피하거나 최소화하기 위해 빔포밍 기술

자율 주행 시스템을 위한 테스트 시나리오 개발

11:30-12:10

ADAS나 자율 주행 시스템 개발은 차량 테스트에 소요되는 시간과 노력을 줄이기 위해 시뮬레이션을 많이 사용하고 있어, 자동차 업계는 이러한 운전 시뮬레이션 환경에서 동적 시나리오를 개발하기 위해 OpenSCENARIO와 같은 표준에 투자하고 있습니다.

이 세션에서는 RoadRunner로 설계된 가상의 주행환경에서 테스트 시나리오를 작성하는 방법을 알려 드립니다. 테스트 시나리오에서 주변 차량의 움직임을 CARLA가 제공하는 agent를 이용하여 정의하거나, MATLAB^®, Simulink^®를 이용하여 정의하고 시뮬레이션 하는 방법을 소개하고, 이후 개발된 시나리오를 외부의 다른 시뮬레이션 툴에서 사용할 수 있도록 OpenSCENARIO로 출력하는 방법도 알려드립니다.

이렇게 RoadRunner를 이용한 워크플로를 통해 시나리오를 빠르게 작성하고 시뮬레이션 하여 시스템에 대한 이해를 높이고, 테스트에 투입되는 자원을 최소화할 수 있습니다.

UAV 시스템 검증을 위한 SIL/HIL 테스트 환경 개발

13:10-13:50

이 세션에서는 Simulink^®에서 UAV 온보드 컴퓨터인 NVIDIA Jetson과 지상 제어 스테이션인 QGroundControl, Autopilot 알고리즘을 위한 Pixhawk^®에 UAV 물리 모델과 Unreal^® 엔진을 사용한 시나리오 시뮬레이션에 통합하는 과정을 설명 드립니다. 이를 통해 UAV 소프트웨어 검증을 위한 Software-In-The-Loop(SIL)과 Hardware-In-The-Loop (HIL)을 어떻게 구현할 수 있는지, 그리고 어떻게 검증된 소프트웨어를 하드웨어에 배포할 수 있는지 워크플로우에 대해 자세히 설명 드릴 예정입니다.

이 세션에서 다룰 내용은 다음과 같습니다.

• 온보드 컴퓨터(NVIDIA^® Jetson™)에 UAV 웨이포인트 추종 알고리즘을 배포하고 PX4를 이용한 SIL 시뮬레이션으로 테스트하는SIL(software-in-the-loop) 워크플로
• PX4 Hardware Support Package와 온보드 컴퓨터(NVIDIA Jetson)를 사용한 HIL(hardware-in-the-loop) 워크플로
• Simulink로 된 UAV의 동역학 플랜트 모델과 HIL 시뮬레이션과 통합
• Pixhawk로의 제어기 배포
• Unreal Engine^®을 사용하여 사실적인 장면이 포함된 UAV 시나리오 시뮬레이션
• OSM 도시 지도를 기반으로 UAV 테스트를 위한 시나리오를 시뮬레이션 하는 새로운 UAV Scenario Designer app

MATLAB과 PX4를 활용한 드론 비행제어 소프트웨어 개발

14:00-14:40

드론의 비행제어 소프트웨어 개발을 위해서는 항법센서와 칼만필터, 입출력보드가 필수적으로 필요합니다. 하지만 이러한 환경을 구축하기 위해서는 많은 비용과 개발인력을 필요로 합니다. 이 세션에서는 이러한 문제를 해결하기 위해 오픈소스(PX4)와 UAV Toolbox를 활용하여 단기간에 드론 비행제어 소프트웨어를 개발하고 시험까지 완료한 내용을 다룹니다.

UAV Toolbox의 PX4 Support Package를 활용하여 드론의 센서 데이터를 Simulink^®에서 읽고, 계산된 결과를 PWM으로 출력하여 드론을 제어하였습니다. 드론 제어기 및 관련 로직, 비행시뮬레이션 모델은 Simulink 와 Stateflow^®를 활용해 구현하였습니다본 세션을 통해 드론 오픈소스(PX4)와 MATLAB^® 을 연동하는 방법과 제약사항에 대해 이해할 수 있습니다.

이 프로젝트는 드론용 공개 하드웨어(Pixhawk^®) 외에도 다양한 하드웨어에 탑재가능한 비행제어법칙 개발을 목표로 하고 있습니다. 그리고 개발된 제어법칙을 시뮬레이션단계부터 시험단계까지 완벽하게 검증하고자 하였습니다. UAV Toolbox와 Embedded Coder^®를 이용해 Simulink환경에서 비행제어 소프트웨어를 손쉽게 개발하고, 비행시험까지 완료할 수 있었습니다.

AI기반 Virtual센서를 이용한 모델 기반 설계

14:50–15:30

딥 러닝과 머신 러닝 기술은 다양한 분야에서 복잡도가 높은 문제를 해결할 수 있음을 입증하였습니다. 그 자체로도 오늘날 주목을 받고 있지만, 실제 제품에서의 AI모델은 더 큰 상위 시스템의 일부분에 불과합니다.

이 세션에서는 AI기반 상태추정기의 예를 기반으로, AI가 적용된 모델 기반 설계를 이용하여 시스템의 복잡도를 낮추는 방법과 시뮬레이션 방법 및 오토코드를 생성하여 타겟 하드웨어에 적용하는 방법에 대해 설명합니다.

이를 위해서 배터리 충전상태(SOC)추정 시스템에 AI를 적용하는 방법에 대해 설명할 예정입니다. 전압, 전류 및 온도 신호를 기반으로 딥뉴럴네트워크가 배터리 충전상태를 예측하도록 훈련시키고, 그 학습된 모델을 Simulink^®와 연동하여 BMS 모델에 통합한 후에 타겟 하드웨어에 적용되는 과정을 말씀드릴 예정입니다.

TI C2000 듀얼코어 마이크로 컨트롤러에 모터 제어 알고리즘을 배포하기 위한 솔루션

15:40-16:20

SiC 및 GaN과 같은 최신 전력 반도체를 사용하면 모터 제어 애플리케이션의 샘플 속도를 높일 수 있습니다. 멀티코어 마이크로컨트롤러 또는 SoC(system-on- chip) 프로세서에서 모터 제어 알고리즘을 구현하기 위해서는 주변 장치, 센서 및 장치 드라이버로 인한 실행 타이밍 및 지연에 대한 이해가 필요할 수 있습니다. 시뮬레이션을 사용하면 알고리즘이 어떻게 실행되고 적절한 타이밍이 달성되는지에 대한 통찰력을 얻을 수 있습니다.

본 세션에서는 Simulink^® 및 모델 기반 설계를 사용하여 다음을 수행하는 방법을 살펴봅니다.

• Motor Control Blockset™ 및 SoC Blockset™을 사용하여 센서리스 FOC(field-oriented control) 모델링 및 시뮬레이션
• 구현에 대한 장치 드라이버 및 주변 장치의 영향 모델링
• 멀티코어 실행을 위한 파티션 제어 알고리즘
• 파티션 간 FOC 알고리즘 실행 예약
• Simulink 모델에서 코드를 생성하여 TI C2000™ 듀얼 코어 마이크로컨트롤러의 개별 코어에서 실행
• 스트리밍 작업 실행 및 CPU 사용률 정보로 온디바이스 프로파일링 수행

MATLAB/Simulink 환경에서 그린 수소 공급망에 대한 솔루션

16:30-17:10

그린 수소의 생산은 전기분해를 통해 태양광전지(태양) 및/또는 풍력에너지 등 친환경 에너지를 수소 가스로 변환하는 것에 의존합니다. 이는 만족스러운 투자 수익을 보장하기 위해 여러 분야의 문제(개념 설계, 계획, 운영, 유지 관리)를 가져옵니다. 이제 다중 도메인 시뮬레이션이 그리드 및 에너지 저장, 전력 전자 설계 및 기술 경제 연구와의 통합을 강화하는 방법을 필요합니다.

수소는 일단 생산되면 압축되어 탱크에서 연료 전지로 옮겨져야 합니다. 그런 다음 선박, 트럭 또는 버스에서 전기 추진을 위해 전기를 재생합니다. 그러나 극도로 민감한 기체인 수소를 어떻게 모든 단계에서 안전하게 다룰 수 있습니까요? 모델 기반 설계는 이를 위한 강인한 기반을 제공합니다. 이 세션에서는 Simulink^®를 사용하여 안전한 밸브 및 냉각 제어를 모델링하는 방법을 볼 수 있습니다.

또한 수소 기반 연료 전지는 복잡한 다중 영역 시스템에서 획득 및 통합되며 다른 에너지 개체(예: 배터리, 디젤 발전기)와 공존합니다. 이런 시스템에서 어떻게 에너지를 최적화 할 수 있습니까요? 개발 주기 초기에 사용된 데스크탑 모델에서 테스트를 활성화할 수 있습니까? MathWorks 툴체인이 이를 가능하게 하는 방법을 다룹니다.