Development of Risk-Enhanced Continual Learning for Embodied Intelligence in Long-Tail Environments
개인기초연구(과기정통부)(R&D) · 우수연구-핵심연구(기본연구B)
2026년
2710112534
과학기술정보통신부
한국연구재단
한국과학기술원
HUANG HEYE
1명
2026.09.01 ~ 2027.08.31
2026.09.01 ~ 2027.08.31
6,329만원
6,329만원
기초연구
대학
대전광역시 유성구
건설/교통 > 도로교통기술 > 교통안전기술
본 연구는 실환경의 롱테일 문제 상황에서 체화 지능이 직면한 두 가지 핵심 병목, 즉 통합된 위험 인지의 부족과 학습지식의 지속적인 시스템 배포 환경에서의 제한된 장기 적응성 한계를 직접적으로 해결하고자 함.(1단계) 시공간 위험 표현과 선제적 추론을 위한 통합된 필드 기반 인지 구조를 개발함.(2단계) 지속적 배포 환경에서 신뢰가능한 적응형 의사결정을 위해 ...
1단계: 통합된 필드 기반 위험 표현 및 인지 모델 개발 - 멀티모달 입력, 동적 상호작용, 환경제약을 체화된 시스템을 위한 시공간 위험 표현으로 매핑하는 필드이론 기반 모델링 프레임워크 개발(공동연구: Keqiang Li 교수 (Tsinghua University)). - 상호작용 충돌, 롱테일 전조 상황, 변화하는 안전 중요 상태에 대한 통합적 인지를 ...
활용방안(모델범용성) 개방 환경의 롱테일 상황에서 체화된 시스템을 위한 재사용 가능한 방법론적 기반으로 활용될 수 있으며, 특히 자율주행차(AVs), 휴머노이드에 적용 가능함.(안전기반 응용성) 자율주행 및 로보틱스 분야 내 통합적 위험에 대한 이해, 적응형 의사결정, 그리고 안전한 시스템 배포를 지원이 가능함.(기술확장성) 제안된 위험 표현, 구조화된 메모리, ...