1. Off-Road & Adverse-Weather Perception

야지·악천후 인지

Paved roads are the easy case. We study semantic segmentation and traversability estimation for unstructured terrain, and domain generalization techniques that let a model trained in clear weather survive rain, snow, and fog without new labels.

포장도로는 쉬운 문제입니다. 저희는 비정형 지형에서의 의미론적 분할과 주행가능영역 추정, 그리고 맑은 날씨로 학습한 모델이 추가 라벨 없이 비·눈·안개 환경에서도 동작하도록 하는 도메인 일반화 기법을 연구합니다.

2. EO/IR & Aerial Perception

EO/IR 및 항공 플랫폼 인지

Detecting a small object from a moving aerial platform is a different problem from detecting a car at 30 m. We develop thermal object detection, RGB-to-thermal domain adaptation, and small-object detection robust to platform motion and degraded imaging.

움직이는 항공 플랫폼에서 소형 객체를 탐지하는 것은 30m 앞의 차량을 탐지하는 것과 전혀 다른 문제입니다. 저희는 열화상 객체 탐지, RGB-열화상 도메인 적응, 그리고 플랫폼 진동과 열화된 영상 조건에서도 견고한 소형 객체 탐지 기술을 개발합니다.

3. Efficient On-Device AI

경량 온디바이스 AI

A model that needs a workstation is useless on a vehicle or a drone. We compress perception networks through knowledge distillation, pruning, neural architecture search, and quantization, targeting real-time inference on low-power embedded platforms.

워크스테이션이 필요한 모델은 차량이나 드론에서는 쓸 수 없습니다. 저희는 지식 증류, 가지치기, 신경망 구조 탐색, 양자화를 통해 인지 네트워크를 경량화하여 저전력 임베디드 플랫폼에서의 실시간 추론을 목표로 합니다.

4. Multi-Robot Semantic Mapping & Physical AI

다중 로봇 의미지도 및 Physical AI

Perception becomes far more powerful when robots share what they see. We build wide-area semantic maps from 3D point clouds collected by multiple robots, with crowdsourced updating and similarity-based change detection — and we are extending this toward end-to-end perception–action models.

로봇들이 본 것을 공유할 때 인지 성능은 크게 향상됩니다. 저희는 다중 로봇이 수집한 3차원 점군으로부터 광역 의미정보 지도를 생성하고, 크라우드소싱 기반 갱신과 유사도 기반 변화 탐지를 연구합니다. 나아가 이를 End-to-End 인지-행동 모델로 확장하고 있습니다.

Foundations · 기반 기술

Our current work builds on a long line of research in LiDAR perception and mapping. 

현재 연구는 라이다 인지와 지도 생성 분야의 오랜 연구 축적 위에 서 있습니다.