서창준 교수

시스템 파라미터에 불확실성이 존재하거나 액추에이터에 고장이 발생한 상황에서도 안정적인 제어 성능을 보장하는 문제를 다룹니다. 이를 해결하기 위해 H∞ 제어 이론을 기반으로 LMI(선형 행렬 부등식) 형태의 상태 궤환 제어기를 설계하였으며, 액추에이터 고장 허용 제어 기법을 접목하여 시스템의 강인성과 신뢰성을 동시에 확보하는 방법론을 구축하였습니다. 특히 파라미터 불확실성과 액추에이터 부분 고장이 동시에 발생하는 다중 결함 상황에 대한 견고성을 이론적으로 검증하는 데 주력하였습니다. 이러한 강인 제어 기법은 산업 공정 제어 시스템과 고신뢰성이 요구되는 제어 시스템에 적용되어, 파라미터 변동이나 부분적인 액추에이터 이상 상황에서도 제어 목표를 유지할 수 있도록 설계되었습니다. 1990년대부터 2000년대 초에 걸쳐 강인 제어 이론의 기초를 다지는 다수의 논문을 International Journal of Control, Automation, and Systems 등에 발표하며 관련 이론적 토대를 마련하였습니다.

산업 설비 및 공작기계에서 발생하는 이상 징후를 사전에 포착하여 실시간으로 고장을 예측해야 하는 필요성에서 출발한 연구입니다. 시계열 데이터를 효과적으로 학습하기 위해 GAN과 LSTM 기반의 시계열 분석 모델을 결합하였으며, LMI 기반 최적화 기법을 접목하여 진단 모델의 안정성과 정확도를 높이는 방향으로 접근하였습니다. 특히 노이즈가 포함된 센서 데이터 환경에서도 예측 성능 저하를 최소화하는 방향으로 모델 구조를 개선하는 데 중점을 두었습니다. 이러한 산업 AI 기반 고장 진단 기술은 공작기계의 실시간 고장 예측과 산업용 설비 모니터링 시스템에 적용되어, 설비 가동 중단으로 인한 손실을 사전에 방지하는 데 활용되고 있습니다. 관련 연구는 예측 성능 향상과 함께 산업 현장 적용을 목표로 지속적으로 진행되고 있습니다.

자율주행 환경에서 보행자와 차량 등 주변 객체를 정확하게 추적하고, 터널과 같이 GNSS 신호 수신이 어려운 지역에서 발생하는 측위 오차를 보정해야 하는 문제를 다루는 연구입니다. 이를 위해 딥러닝(DNN) 기반의 경로 예측 모델을 구축하고, MPC(모델 예측 제어)와 Particle Filter 기법을 결합하여 객체의 향후 이동 경로를 추정하고 측위 정확도를 향상시키는 방법론을 개발하였습니다. 특히 도심 및 터널 구간과 같이 GNSS 신호가 불안정한 환경에서도 객체 추적의 연속성을 유지할 수 있도록 필터링 알고리즘을 최적화하였습니다. 해당 기술은 자율주행 차량의 객체 추적 시스템과 터널 등 GNSS 음영 지역에서의 측위 보정 시스템에 적용됩니다. 관련 연구로 DNN 기반 보행자 및 차량 추적 방법 개발 과제를 수행하였으며, 해당 과제는 11,000,000원 규모의 예산으로 진행되었습니다.