잡다구리 너구리

이전 글에서 Rudy의 논문을 참조로 Noise Data를 생성하는 수식을 보았던 논문이다. 이전의 Rudy 논문에서는 내가 찾고자 하는 Noise Data 생성 방법 및 근거에 대한 내용이 자세히 나와있지 않아, 해당 논문을 읽어보고자 한다. 왜인지는 모르겠지만 아카이브에만 게재되어 있는 논문이며, 2020년에 Submit 되었고, 2021년까지 수정된 기록이 있다. 인용 수는 9회로 높은 수치라고 볼 수는 없지만, 제목이 너무 필자가 현재 연구 중인 주제와 직관적으로 참고할 수 있을 것 같다는 느낌에 한번 읽어보았다.(문제의 Noise Data 표현 수식도 확인할 겸) Abstract Abstract를 통해 왜 아카이브에만 남아있는지 어렴풋이 알 것 같은 느낌이 들었다. Abstract에서는 Nois..

연구로 인해 Partial Differential Equation에서 Noise Data를 구현하는 데에 있어 이론적인 뒷받침을 찾고 있었다. 그런데 내가 구현한 방식과 동일하게 수식적으로 구현한 해당 논문을 Reference로 달아놓아 관심이 가서 읽어보게 되었다. 인용 수 또한 현재 날짜 기준 1181회로 상당히 높은 수에 속해 앞으로도 Noise에 대해 공부를 해야 되기 때문에 해당 논문을 읽고, 기본을 다지고자 하였다. 논문 제목은 "Data-driven discovery of partial differential equations"로, Rudy가 1저자로 Science Advances에 2017년 등재되었다. 필자가 해당 논문을 읽게 된 계기는 위 사진의 글 때문이었다. 해당 글은 다른 논문에서..

현재 인공지능이 화두가 되며, 기계공학과에서도 한창 기존의 산업에 이를 적용시키려는 연구가 진행 중이다. 그중 가장 뜨거운 주제는 Physics-Informed Neural Network, 일명 PINN이다. PINN에 관한 연구는 대한기계학회를 비롯한 기계 쪽의 학회에 가면 심심찮게 찾아볼 수 있다. 본문에서는 PINN이 왜 기계공학과에서 각광받게 되었는지와 PINN의 개념에 대해 간단하게 살펴보고자 한다. 기계공학뿐만 아니라 여러 분야에서도 쓰이겠지만, 어디까지나 내가 경험해 본 기계공학의 입장에서만 서술해 본다. PINN의 배경 충돌 분석, 유체의 흐름 등의 여러 공학적 문제를 모델링하고 해석할 때 Comsol, Abaqus와 같은 여러 해석 툴들이 사용된다. 이러한 해석 툴들은 다 편미분 방정식(..

자율 주행 자동차의 자율 주행 과정에 있어 가장 중요한 것 중 하나는 Map Representations이다. 이를 어떠한 방식으로 수행하느냐에 따라, 주변 상황을 인지하는 것과 처리 방식으로 인한 데이터 처리량 등 다양한 차이점을 가진다. 또한 정확한 지도를 확보하여야 현재 위치를 정확하게 파악하고, 경로 계획도 효과적이며 안전하게 세울 수 있다. 따라서 본문은 현재 자율주행을 선도하는 테슬라와 웨이모의 지도 표현에 있어서의 차이를 파악하고자 한다. Map Representation in Waymo 웨이모는 High-Definition Maps 방식으로 지도를 표현한다. 이는 웨이모뿐만 아니라 우버와 현대자동차 등 현재 많은 자율주행 자동차들이 HD Map 방식을 채용하고 있다. HD map의 표현은 ..