We develop advanced AI-driven solutions for complex guidance and control problems. We engineer novel, lightweight deep learning models for high-speed, real-time trajectory prediction and employ machine learning frameworks, like Gaussian Process Regression (GPR) with efficient data sampling, to probabilistically analyze mission success with minimal simulation cost. Through these studies, we aim to secure core AI technologies that enable faster, more reliable, and computationally efficient analysis and operation of advanced autonomous systems. 

저희 연구실은 복잡한 유도제어 문제를 위한 최첨단 인공지능 및 데이터 기반 솔루션을 개발합니다. 고속/고기동 표적에 대한 실시간 궤적 예측을 위해 새롭고 효율적인 경량 딥러닝 모델을 설계하며 , 효율적인 데이터 샘플링 기법과 가우시안 과정 회귀(GPR) 같은 머신러닝 프레임워크를 활용하여 최소한의 시뮬레이션 비용으로 임무 성공 확률을 분석합니다. 이러한 연구들을 통해, 첨단 자율 시스템의 고속/고신뢰/고효율 분석 및 운용을 가능하게 하는 핵심 인공지능 기술 확보를 목표로 합니다.

Our lab focuses on designing advanced guidance and control solutions for high-stakes autonomous applications. While our core expertise lies in missile systems, we are actively extending our research to address the complexities of drone-on-drone engagement and counter-UAS scenarios. Using a versatile toolkit of optimal/nonlinear control and machine learning, we create algorithms that satisfy strict terminal constraints against diverse and agile aerial targets. This research is pivotal for developing next-generation autonomous defense and interception capabilities. 

저희 연구실은 고도의 자율 응용 분야를 위한 첨단 유도 및 제어 기법 설계를 수행합니다. 핵심 전문 분야는 미사일 시스템이지만, 현재는 드론 간 교전 및 드론 요격 시나리오의 복잡성을 해결하기 위해 연구를 활발히 확장하고 있습니다. 최적/비선형 제어 및 머신러닝의 다용도 툴킷을 사용하여, 다양하고 민첩한 공중 표적에 대해 엄격한 종단 조건을 만족하는 알고리즘을 개발합니다. 본 연구는 차세대 자율 방어 및 요격 능력 개발의 핵심 기술로 기대됩니다.

Our research pioneers intelligent autopilots for complex systems utilizing multiple control inputs, such as aerodynamic and propulsive forces. Our key contribution is an adaptive control framework that strategically allocates the control resources in real-time to maximize mission performance and operational efficiency. Designed for practical application, our autopilots ensure high performance under significant uncertainties, without relying on variables that are difficult to measure with onboard sensors.

저희 연구실은 공력과 추력 등 다중 제어 입력을 활용하는 복잡한 시스템을 위한 지능형 자동조종장치를 연구합니다. 핵심 기여점은 실시간으로 제어 자원을 전략적으로 할당하여 임무 성능과 운용 효율을 극대화하는 적응형 제어 프레임워크입니다. 실제 적용을 목표로 설계된 본 자동조종장치는 탑재 센서로 측정이 어려운 변수에 의존하지 않고도 높은 불확실성 하에서 성공적인 임무 수행 성능을 보장합니다. 

Our research introduces a novel framework that overcomes the limitations of traditional hierarchical approaches in robot autonomy. By synergistically combining two sampling-based methods, Model Predictive Path Integral control (MPPI) and evolutionary computation, our integrated algorithm concurrently solves for task assignment, collision-free path planning, and control in a single, real-time loop. This decentralized methodology enables effective cooperation for multi-agent systems, including heterogeneous UGV-UAV teams, providing a practical and hardware-validated solution for complex autonomous missions.

저희 연구실은 무인이동체 자율주행 분야의 전통적인 계층적 접근법의 한계를 극복하는 새로운 통합 프레임워크를 제시합니다. 샘플링 기반 기법인 모델 예측 경로 적분 제어(MPPI)와 진화 연산 기법을 시너지적으로 결합한 저희 통합 알고리즘은, 임무 할당, 충돌 회피 경로 계획, 제어를 실시간 단일 루프 안에서 동시에 해결합니다. 이 분산형 방법론은 이종의 UGV-UAV 팀을 포함한 다중 로봇 시스템의 효과적인 협력을 가능하게 하며, 복잡한 자율 임무를 위한 실용적이고 하드웨어로 검증된 솔루션을 제공합니다.

Our lab develops core autonomous flight algorithms for next-generation VTOL aircraft designed for Urban Air Mobility (UAM). We focus on designing advanced safety-critical control laws, using theories like High-Order Control Barrier Functions (HOCBF), to guarantee safe operation with real-time performance and robustness against uncertainties. These core competencies are also being extended to challenging research such as the development of a unique drone testbed for demonstrating the precision landing guidance and control algorithms of Reusable Launch Vehicles (RLV).

저희 연구실은 도심항공교통 등을 위한 차세대 수직이착륙 비행체의 핵심 자율비행 알고리즘을 개발합니다. 고차 제어장벽함수와 같은 첨단 이론을 활용하여, 실시간 성능과 불확실성에 대한 강인성을 갖추고 안전 운용을 보장하는 안전필수 제어 법칙 설계를 수행합니다. 본 연구는 재사용 발사체(RLV)의 정밀 착륙 유도제어 알고리즘을 실증하기 위한 독창적인 드론 테스트베드 개발과 같은 도전적인 연구로도 확장되고 있습니다.