Earticle

본 논문은 자율주행 개인화를 위한 순환 최소자승 기반 융합형 종방향 주행특성 구분 알고리즘에 관한 연구이다. 최근 자율주행 기술은 Level 4 완전 자율주행 단계를 위해 다양한 연구가 수행되고 있다. 자율주행 자동차의 상용화를 위해서는 탑승자의 자율주행에 대한 이질감을 최소화할 수 있어야 하며 이를 위해 자율주행 개인화 기술이 필요하다. 이 문제를 해결하기 위해 본 연구에서는 운전자의 종방향 주행특성을 수학적으로 표현하고 순환 최소자승 기법 기반 실 주행 데이터를 이용하여 주행특성을 도출하는 알고리즘을 제안하였다. 두 명의 실제 운전자 데이터를 이용하여 종방향 주행특성을 도출하였으며 두 명의 운전자를 구분하기 위해 가설검정 기반 확률적 구분 알고리즘을 적용하였다. 제안된 종방향 주행특성 도출 및 구분 알고리즘은 개별 운전자의 주행특성을 합리적으로 나타낼 수 있었으며 가설검정 기반 확률적 구분기법에 의해 주행특성이 구분될 수 있음을 확인하였다.

This paper describes a recursive least-squares based convergent algorithm for driving characteristic classification for personalized autonomous driving. Recently, various researches on autonomous driving technology have been conducted for level 4 fully autonomous driving. In order for commercialization of the autonomous vehicle, personalized autonomous driving is required to minimize passenger’s insecureness to the autonomous vehicle. To address this problem. this study proposes mathematical model that represents driving characteristics and recursive least-squares based algorithm that can estimate the defined characteristics. The actual data of two drivers has been used to derive driving characteristics and the hypothesis testing method has been used to classify two drivers. It is shown that the proposed algorithms can derive driving characteristics and classify two drivers reasonably.

본 논문에서는 한 개의 선형 제약식 하에서 의사결정변수가 상한 값을 갖는 오목 함수 최소화 문제를 다룬다. 제시된 분지 한계 해법은 단체를 분할 단위로 사용하였다. 오목함수를 가장 단단하게 하한추정하는 볼록덮 개함수를 단체 상에서 유일하게 구할 수 있기 때문이다. 분지가 일어날 때마다 후보 단체로부터 1 차원 낮은 2 개의 하위 단체들이 생성된다. 이 때 후보 단체에 포함되어 있던 가능해 집합은 각각의 하위 단체로 분할된다. 한계 연산 절차는 선형인 볼록 덮개 함수를 목적 함수로 하는 선형계획법을 부문제로 정의하고 해를 구한다. 부문제의 최적 목적함수 값으로부터 최적 오목목적함수의 하한과 상한을 갱신하고, 원문제의 최적해를 포함하지 않는 단체들을 고려 대상에서 제외시킨다. 본 해법의 최대 장점은 하위 단체로 분할될수록 부문제들의 크기가 점점 작아진다는 데 있다. 이것은 한계 연산의 계산량이 줄어든다는 것을 의미한다. 본 연구의 결과는 배낭 제약식 유형의 제약식 하에서의 오목 함수 최소화 문제의 해법을 개발하는데 응용될 수 있을 것이다.

This paper presents a branch-and-bound algorithm for solving the concave minimization problem with upper bounded variables whose single constraint is linear. The algorithm uses simplex as partition element. Because the convex envelope which most tightly underestimates the concave function on the simplex is uniquely determined by solving the related linear equations. Every branching process generates two subsimplices one lower dimensional than the candidate simplex by adding 0 and upper bound constraints. Subsequently the feasible points are partitioned into two sets. During the bounding process, the linear programming problems defined over subsimplices are minimized to calculate the lower bound and to update the incumbent. Consequently the simplices which do certainly not contain the global minimum are excluded from consideration. The major advantage of the algorithm is that the subproblems are defined on the one less dimensinal space. It means that the amount of work required for the subproblem decreases whenever the branching occurs. Our approach can be applied to solving the concave minimization problems under knapsack type constraints.

현대 인공지능사회에 있어서 교육의 목표는 인공지능사회에 잘 적응하는 동시에 변화를 선도할 수 있는 융합 형 인재를 양성하는 것이다. 융합형 미래인재에게 요구되는 핵심역량은 소프트웨어를 잘 이해하고 더 나아가 생 성해낼 수 있는 것이다. 이러한 측면에서 알고리즘 교육은 매우 중요하다. 이에 본 연구에서는 융합적 사고력 향 상을 위한 알고리즘 교육 프로그램을 개발하였다. 또한, 융합적 사고력 사전-사후 검사를 실시하여 대응표본 t-test를 통한 효과성을 검증한 결과, 학생들의 알고리즘 지식, 기능의 영역에서 융합적 사고력이 유의하게 향상 된 것으로 나타났다. 본 연구 결과는 향후 알고리즘 교육에 유용하게 사용될 것으로 기대한다.

In the modern artificial intelligence society, the goal of education is to cultivate convergent talents who can adapt well to and lead the artificial intelligence society. The core competency required of convergent future talents is to be able to understand and create software well. In this respect, algorithmic education is very important. Therefore, in this study, an algorithm education program was developed to improve convergent thinking ability. The effectiveness was verified through the paired samples t-test by conducting a pre-post test of convergent thinking ability, and it was found that students' convergent thinking ability was significantly improved in the areas of algorithm knowledge and function.

In this paper, we present a strongly convergent parallel projection algorithm by introducing some parameter sequences for convex feasibility problem. To prove the strong convergence in a simple way, we transmit the parallel algorithm in the original space to an alternating one in a newly constructed product space. Thus, the strong convergence of the parallel projection algorithm is derived with the help of the alternating one under some parametric controlling conditions.

In this paper, A FSQP algorithm for degenerate inequality constraints optimization problems is proposed. At each iteration of the proposed algorithm, a feasible direction of descent is obtained by solving a quadratic programming subproblem. To overcome the Maratos effect, a higher-order correction direction is obtained by solving another quadratic programming subproblem. The algorithm is proved to be globally convergent and superlinearly convergent under some mild conditions. Finally, some preliminary numerical results are reported.