Prospective students and collaborators who are interested about data-driven robotics, learning, and control for real-world robot systems are welcome.
For students who want to prepare Ph.D / M.S graduate course, please read the following description carefully:
연구실에 관심을 갖고 지원하고자 하시는 분들은 아래 글을 읽어 보고 본인의 fit에 맞는 연구를 할 수 있을지 고민해보시고 지원하면 좋겠습니다.
The research conducted in our laboratory goes beyond simply applying artificial intelligence to robot modeling and control. Instead, we aim to develop theoretically grounded methods that provide generalizable solutions applicable to real-world robotic systems.
연구실에서 주로 수행하는 연구는 인공지능을 단순히 로봇 모델링 및 제어에 적용하는 수준을 넘어, 이론적인 기반에서 보다 깊이 있는 연구를 통해 실제로 사용할 수 있는 일반성 확보를 목표로 합니다. 물론 알고리즘 연구만 하지는 않고, 실증 테스트를 통한 검증을 거치게 됩니다.
In particular, our research focuses on the following three themes:
Robotic operation under extremely limited datasets / 극한으로 적은 dataset만이 확보된 상황에서의 동작
Grey-box modeling that incorporates physics and kinematic structures / physics 또는 기구학적 요소를 반영한 grey-box modeling
Risk-aware and robust systems through probabilistic modeling / 확률론적 요소를 반영한 risk-aware 및 robustness 확보
Based on these principles, we study robot modeling, sensing, and control algorithms. Our primary target systems are soft robots and extensible robotic systems operating in unstructured environments. Once validated, the developed methods are extended to other robotic platforms.
이러한 접근을 통해 robot modeling, sensing, 그리고 control 알고리즘을 연구하며, 주로 다루는 시스템의 예시로는 비정형 환경에서 작동하는 soft robotics, 휴머노이드, 확장 로봇입니다. 검증된 후에는 일반적인 다른 로봇 시스템으로의 확장도 진행됩니다.
Because our goal is both practical usability and generalization, we avoid research that is purely simulation-driven. Likewise, we do not focus on approaches that simply collect large datasets and train deep learning models. Instead, we focus on robotic applications where conventional deep learning approaches are difficult to apply due to limited data or strong physical constraints.
실용성과 일반화를 목표로 하기 때문에 simulation 중심의 연구는 지양하며, 단순히 dataset을 모아 학습시키는 연구 또한 지향하지 않습니다. 그래서 일반적인 딥러닝 (data 모아 학습)을 로봇에 적용하는 것이 힘든 로봇 application이 연구 주제가 될 것입니다.
Students whose interests align with the following areas may find a strong fit with the direction of our lab:
다음과 같은 분야에 관심이 있다면 연구실의 방향성과 잘 맞을 것입니다:
Probabilistic and geometric approaches in robot estimation and control theory / 로봇 추정 및 제어 이론에서의 확률론적, 기하학적 접근
Bayesian neural networks and few-shot learning
At the application level, we also consider these principles starting from the hardware design stage. Therefore, having basic mechanical design or hardware development skills can be highly beneficial for research in our lab.
Application 단계에서는 hardware design부터 이러한 요소를 고려한 설계를 수행합니다. 따라서 기초적인 설계 기술을 보유하고 있다면 연구에 큰 도움이 됩니다.
