본문 바로가기

분류 전체보기396

[YOLO] 욜로의 진화 컴퓨터 비전 분야에서 "YOLO"라는 이름만큼 강렬한 인상을 남긴 기술은 드물다. "You Only Look Once"의 줄임말인 YOLO는 2015년 Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi가 발표한 ‘You Only Look Once: Unified, Real‑Time Object Detection’ 논문에서 시작됐다. 기존의 복잡하고 느린 객체 탐지 방식을 단숨에 뛰어넘으며 실시간 객체 탐지 기술의 패러다임을 완전히 바꿔놓았다. YOLO가 등장하기 전까지 객체 탐지는 주로 Two-stage 방식이 주류였다. 대표적인 예로 R-CNN 계열의 모델들은 먼저 이미지에서 관심 영역(Region of Interest)을 찾고, 그 다음 해당 영.. 2025. 7. 11.
증강 비례 항법 유도 (APNG) 법칙 분석 요약본 보고서는 현대 유도탄 시스템에서 실용성과 구현 용이성으로 인해 널리 사용되는 순수 비례 항법(Pure Proportional Navigation, PPN)과 이를 기반으로 성능을 극대화한 증강 순수 비례 항법(Augmented Pure Proportional Navigation, APPN)에 대한 심층 기술 분석을 제공한다. 먼저, 참 비례 항법(True Proportional Navigation, TPN)과의 비교를 통해 공력 제어 유도탄에서 PPN이 더 '자연스러운' 유도 법칙인 이유를 규명한다. 이후 PPN이 기동 표적을 상대로 보이는 근본적인 한계를 설명하고, 이를 해결하기 위한 APPN의 이론적 배경과 수학적 공식화를 제시한다. 보고서의 핵심 부분에서는 APPN의 선제적 대응 원리를 상.. 2025. 7. 10.
강화학습 기반 자율 드론 스웜 제어를 위한 계층적 접근법 1. 드론 스웜 제어를 위한 계층적 아키텍처의 기본 원리자율 드론 스웜의 운용은 본질적으로 엄청난 복잡성을 내포한다. 다수의 에이전트가 역동적이고 불확실한 환경에서 협력하여 공동의 목표를 달성해야 하는 이 과업은 단순한 제어 방식으로는 해결하기 어렵다. 이러한 복잡성을 효과적으로 관리하고, 확장 가능하며 강건한 제어 시스템을 구축하기 위한 핵심 패러다임으로 계층적 다중 에이전트 시스템(Hierarchical Multi-Agent Systems, HMAS)이 부상하고 있다. 이 섹션에서는 HMAS의 근본적인 원리를 탐구하고, 비계층적 시스템과의 비교를 통해 그 장점을 명확히 하며, 스웜 제어의 근간이 되는 통신 패러다임을 분석한다. 1.1 계층 구조의 당위성: 추상화를 통한 복잡성 관리계층적 다중 에이전트.. 2025. 7. 9.
허깅페이스 트랜스포머를 이용한 뉴스 감성 분석 최근 암호화폐 자동 매매 시스템에서는 단순한 가격 분석을 넘어, 뉴스에 내포된 시장 심리까지 분석해 트레이딩 전략에 반영하는 시도가 활발히 이뤄지고 있다. 이 글에서는 Hugging Face의 transformers 라이브러리와 금융 도메인에 특화된 FinBERT 모델을 활용해, 뉴스 제목만으로도 간편하게 감성 분석(sentiment analysis)을 수행하는 방법을 소개하고자 한다. 감성 분석은 텍스트가 긍정적인지, 부정적인지, 또는 중립적인지를 자동으로 분류하는 작업이다. Hugging Face의 `transformers` 라이브러리에서는 단 한 줄로 감성 분석 파이프라인을 구축할 수 있다. 예를 들면 "Bitcoin surges after ETF approval"이라는 같은 뉴스 제목은 긍정.. 2025. 7. 9.
기술적 지표: 스토캐스틱 (Stochastic) 스토캐스틱 오실레이터(Stochastic Oscillator)는 모멘텀 기반의 기술적 분석 지표 중 하나로서, 일정 기간(period) 동안의 최고가와 최저가 범위 내에서 현재 가격이 어느 수준에 위치하는지를 측정함으로써, 시장 내 매수 및 매도 압력을 추정하는 데 활용된다. 스토캐스틱은 두 개의 선으로 구성된다. %K: 일정 기간 동안의 최고가와 최저가 범위 내에서 현재 종가의 상대적 위치를 백분율로 나타낸 값%D: %K의 평균 %K 값은 다음의 수식으로 계산된다. \[ \%K = 100 \times \frac{ \mbox{(현재 종가} - \mbox{기간내 최저가)} }{ \mbox{(기간내 최고가 }- \mbox{기간내 최저가)} } \] %K 값을 계산할 때 '일정 기간 (period)'.. 2025. 7. 7.
미사일 유도항법제어(GNC) 분야의 AI 기술 최근 동향 (2022-2025) 서론현대전의 양상은 정교한 전자전 대응책, 고기동 표적의 출현, 그리고 복잡하고 혼잡한 작전 환경으로 인해 급격하게 변화하고 있다.1 이러한 전장 환경의 고도화는 기존 미사일 기술의 패러다임 전환을 요구한다. 과거의 유도항법제어(Guidance, Navigation, and Control, GNC) 시스템은 그 기술적 토대를 마련했지만, 실시간 적응성과 의사결정 능력에서 명백한 한계를 드러내고 있다.4 초기의 지령 유도 방식이나 레이더 및 적외선(IR) 유도 시스템에서부터 4, 비례항법(Proportional Navigation, PN) 및 관성항법장치(Inertial Navigation Systems, INS)와 같은 확립된 방법에 이르기까지 GNC 기술은 꾸준히 발전해왔다.4 그러나 이러한 고전적 방.. 2025. 7. 6.
기술적 지표: 이동평균 수렴확산 (MACD) 이동평균 수렴확산 (MACD, Moving Average Convergence Divergence)는 기술적 분석에서 RSI와 함께 가장 널리 활용되는 지표로, 단기 및 장기 이동평균선 간의 차이를 분석하여 시장의 추세 전환 시점과 모멘텀의 강도를 평가한다. MACD는 다음 세 가지 요소로 구성된다. 1. MACD 선 (MACD Line) 2. 신호선 (Signal Line): MACD의 이동평균 3. MACD 히스토그램 (MACD Histogram): 두 선 간의 차이 MACD 선은 다음 수식으로 계산한다. \[ MACD= \mbox{단기간의 이동평균} - \mbox{장기간의 이동평균} \] 일반적으로 단기간으로 12일, 장기간으로 26일을 사용하며 지수 이동평균(.. 2025. 7. 6.
eVTOL 천이 비행 안정성 분석 서론UAM 혁명과 eVTOL의 필연성전 세계적인 도시화는 지상 교통 인프라의 한계를 드러내며 극심한 교통 체증을 야기하고 있다. 이에 대한 혁신적인 해결책으로 도심 상공을 활용하는 도심 항공 모빌리티(Urban Air Mobility, UAM)가 부상하고 있다.1 UAM의 성공적인 구현을 위한 핵심 비행체는 전기 동력 수직이착륙기(electric Vertical Take-Off and Landing, eVTOL)이다. eVTOL은 기존 헬리콥터 대비 현저히 낮은 소음, 전기 동력 사용으로 인한 탄소 배출 제로, 그리고 활주로가 필요 없는 운용 유연성 등의 장점을 바탕으로 미래 친환경 도심 교통 시스템의 중심으로 주목받고 있다.1 천이 비행이라는 고르디우스의 매듭eVTOL 항공기 개발에 있어 가장 복잡하고.. 2025. 7. 5.
기술적 지표: 상대강도지수 (RSI, Relative Strength Index) RSI(Relative Strength Index, 상대강도지수)는 가장 널리 사용되는 모멘텀 지표 중 하나로서 주가의 상승과 하락의 세기(strength)를 수치화하여 과매수(overbought) 또는 과매도(oversold) 상태를 진단할 수 있도록 해준다. RSI의 수식은 다음과 같다. \[ RSI= 100 \times \frac{ \mbox{일정기간 평균 상승액}}{\mbox{일정기간 평균 하락액 + 일정기간 평균 상승액 }} \] 여기서 상대강도(RS, Relative Strength)를 다음과 같이 정의하고, \[ RS= \frac{ \mbox{일정기간 평균 상승액}}{\mbox{일정기간 평균 하락액}} \] RSI의 수식에 대입하면 다음과 같이 된다. \[ RSI=100 \tim.. 2025. 7. 4.
항공우주 분야의 강화학습 최근 동향 (2022-2025) 1. 서론: 항공우주 제어를 위한 새로운 패러다임, 심층강화학습전통적인 항공우주 제어 시스템은 정밀하게 정의된 수학적 모델에 기반하여 설계되어 왔다. 이러한 접근 방식은 예측 가능한 환경에서는 높은 신뢰성과 성능을 보장하지만, 시스템의 비선형성이 강해지거나, 외부 환경의 불확실성이 증대되거나, 실시간으로 변화하는 동적 환경에 적응해야 하는 현대 및 미래의 항공우주 임무에서는 명백한 한계를 드러낸다. 우주선의 행성 착륙, 위성 군집 운용, 복잡한 공역에서의 무인기 자율 비행 등은 완벽한 사전 모델링이 거의 불가능한 영역이다. 이러한 배경 속에서 심층강화학습(Deep Reinforcement Learning, DRL)은 항공우주 분야의 순차적 의사결정 문제를 해결하기 위한 혁신적인 패러다임으로 부상하고 있다.. 2025. 7. 3.