로봇학습개론 · 2025년 2학기

강의 개요

로봇 학습은 로봇공학과 인공지능을 함께 다루는 분야입니다. 이 강의에서는 coordinate transform, kinematics, planning, simultaneous localization and mapping, reinforcement learning, 3D perception의 핵심 개념을 배웁니다. 최신 로봇 학습 논문을 이해하고, 프로그래밍 과제와 팀 프로젝트에서 배운 개념을 실제 로봇 시스템에 적용합니다.

담당 교수: 김누리 교수
학기: 2025년 2학기
강의 시간: 화요일
18:00–20:30
강의실: 공과대학 7호관
329호

학습 목표

Robotics 기초

coordinate transformation을 사용해 강체의 움직임을 표현합니다.
로봇 매니퓰레이터의 forward kinematics와 inverse kinematics를 분석합니다.
simulation, path planning, 로봇 perception pipeline의 원리를 이해합니다.
sensor-based SLAM과 visual SLAM을 이해하고 로봇의 자율 동작에 적용합니다.

학습과 구현

reinforcement learning으로 순차적 의사결정 문제를 정식화합니다.
deep reinforcement learning agent를 직접 구현하고 성능을 평가합니다.
최신 로봇 학습 논문을 읽고 기존 연구의 한계를 파악합니다.
팀 프로젝트에서 perception, planning, control을 하나의 로봇 시스템으로 통합합니다.

권장 선수 지식: Python 프로그래밍, 선형대수, 확률, 기초 machine learning

일정

1부
로봇 기초

W01로봇 학습 소개종료

W02Coordinate Transforms종료

W03Forward Kinematics종료

W04Inverse Kinematics종료

2부
연구 및 프로젝트

W05강의 없음 · 학회—

W06강의 없음 · 휴일—

W07초청 강연 · 로봇과 Physical AI를 위한 World Models초청

W08강의 없음 · 학회—

W09중간 발표프로젝트

3부
자율성과 학습

W10로봇 시뮬레이션 소개종료

W11Planning Methods종료

W12Sensor-Based SLAM종료

W13Visual SLAM종료

W14Reinforcement Learning종료

W153D Reconstruction Methods종료

W16기말 발표프로젝트

2025년 2학기에 진행한 강의입니다. 수강생은 JBNU LMS에서 강의 자료를 계속 확인할 수 있습니다.

수업 과제

과제 1

Ubuntu & ROS 2 설정

Ubuntu 24.04와 ROS 2 Jazzy 개발 환경을 준비합니다.

과제 2

Simulation & Planning

시뮬레이션 환경에서 로봇 매니퓰레이터를 사용하고 motion planning의 주요 기능을 구현합니다.

과제 3

Deep Reinforcement Learning

CartPole에서는 DQN agent를, Atari Pong에서는 A3C agent를 학습시킵니다.

팀 프로젝트 · 로봇 그림 그리기

중간 발표

최신 논문 세 편을 읽고 검토합니다. 이를 바탕으로 구체적인 프로젝트 계획을 발표합니다.

기말 제출물

로봇 시스템을 시연하고 구현 방법과 결과를 발표합니다. 4쪽 이상의 학술 보고서도 제출합니다.

중간 발표: 30%
기말 발표: 30%
과제: 30%
출석: 10%

자료

강의 플랫폼JBNU LMS
개발 환경Ubuntu 24.04 · ROS 2 Jazzy · Python · PyTorch
참고문헌Shuuji Kajita et al., Introduction to Humanoid Robotics
참고문헌Richard Hartley and Andrew Zisserman, Multiple View Geometry in Computer Vision
연락처nuri.kim@jbnu.ac.kr