학과 공지
- 정보 센터
- 학과 공지
2022학년도 한국항공대학교 '해외 기업 현직자 초청 온라인 세미나' 개최 안내
- AI자율주행시스템공학과
- 2022-10-14
'항공교통물류학부'에서 해외 물류 및 A I 관련하여 온라인 세미나를 진행하오니 관심있는 학생들은 참여 바랍니다.
■ 일시 : 2022.10.25.(화) 10:00 ~ 13:00
■ 관련사이트 : https://www.jobon.co.kr/hk-onlinefieldtrip
■ 계획서 및 포스터 : 첨부파일 참조
첨부파일 (잡온) 2022 항공대 포스터.jpg (3 Mbyte)첨부파일 (잡온)항공대 온라인세미나 운영 계획서.hwp (1 Mbyte)-
42Dot 자율주행 인공지능 세미나 개최
현대자동차의 42Dot에서 자율주행 인공지능 세미나를 진행합니다. 관심있는 학생들의 많은 참여바랍니다.
2022-11-02
42Dot은 현대자동차가 최근 인수한 자율주행 SW기업으로, 현대기아의 전기차 자율주행 SW를 이끌어 나갈 것으로 기대를 받고 있는 기업입니다.특히 기존 라이다 기반의 자율주행이 아니라, 테슬라와 같이 카메라 기반의 자율주행 기술 및 모빌리티 서비스를 추구하고 있습니다.
▶ 세미나 일시: 11월 16일(수요일) 오후 4시
▶ 장소: 박물관 2층 KAU 비전홀
▶ 연사: 정성균 박사(Head of autonomous driving)
-
자율주행 기술 관련 인공지능분야 최고 권위 학술지 T-PAMI 논문게재 승인_이유철 교수
이유철 교수의 Robotics and AI Navigation (RAIN) 실험실에서는 한국전자통신연구원(ETRI)과 미국 스토니브룩대학교(Stony Brook University)와 협업을 통하여 강화학습과 트랜스포머 모델을 이용한 종단간 모방학습 기반의 자율주행 기술에 대한 연구를 진행하였습니다.
2022-10-14
그 결과 교신저자로 참여한 "StARformer: Transformer with State-Action-Reward Representations for Robot Learning" 논문은 인공지능분야 최고 권위 학술지인 IEEE Transactions on Pattern Analysis and Machine Intelligence(T-PAMI)(JCR 0.54%, Impact Factor 24.314)에 게재 승인을 받았으며, 12월에 출간 예정입니다.
Reinforcement Learning (RL) can be considered as a sequence modeling task, where an agent employs a sequence of past state-action-reward experiences to predict a sequence of future actions. In this work, we propose St ate- A ction- R eward Transformer ( StAR former), a Transformer architecture for robot learning with image inputs, which explicitly models short-term state-action-reward representations (StAR-representations), essentially introducing a Markovian-like inductive bias to improve long-term modeling. StARformer first extracts StAR-representations using self-attending patches of image states, action, and reward tokens within a short temporal window. These StAR-representations are combined with pure image state representations, extracted as convolutional features, to perform self-attention over the whole sequence. Our experimental results show that StARformer outperforms the state-of-the-art Transformer-based method on image-based Atari and DeepMind Control Suite benchmarks, under both offline-RL and imitation learning settings. We find that models can benefit from our combination of patch-wise and convolutional image embeddings. StARformer is also more compliant with longer sequences of inputs than the baseline method. Finally, we demonstrate how StARformer can be successfully applied to a real-world robot imitation learning setting via a human-following task.
논문 링크: https://doi.org/10.1109/TPAMI.2022.3204708