본문으로 건너뛰기

Git Alias

· 약 1분

Code

[alias]
branch-name = "!git rev-parse --abbrev-ref HEAD"
n = checkout -b
c = checkout
s = status
p = "!git push -u origin $(git branch-name)"
undo = reset HEAD~1

Description

  • branch-name: Retrieves the current branch name using git rev-parse --abbrev-ref HEAD. This alias is particularly useful for the p command, as it automatically includes the current branch name when pushing to the remote repository.
  • n: A shortcut to create a new branch with checkout -b.
  • c: A simplified alias for checkout, used to switch between branches.
  • s: Short for status, displays the current working directory status.
  • p: Pushes the current branch to the remote repository using git push -u origin and automatically includes the branch name.
  • undo: A quick command to undo the last commit by resetting the HEAD pointer to the previous commit.

선형대수학 용어집

· 약 23분

Linear Algebra

KOENDesc
가우스 소거법Gauss Elimination연립 일차 방정식을 행렬로 표현한 후, 행 연산을 통해 상삼각 행렬로 변환하여 해를 찾는 방법
가역 행렬Invertible Matrix정사각 행렬 중 역행렬이 존재하는 행렬
결합 확률Joint Probability두 개 이상의 사건이 동시에 발생할 확률
경험적 확률Empirical Probability실제 관측된 데이터를 바탕으로 추정한 확률
고유값Eigenvalue선형 변환에서 벡터의 방향은 유지하고 크기만 변화시키는 값
고유값 분해Eigen-decomposition정방 행렬을 고유벡터와 고유값으로 분해하는 방법
고유 벡터Eigenvector선형 변환에서 방향은 유지하고 크기만 변화하는 벡터
과결정계Overdetermined System해가 없거나 유일한 해가 존재하지 않을 가능성이 높은 연립 방정식
방정식의 수가 미지수의 수보다 많을 때 발생
과소결정계Underdetermined System무수히 많은 해가 존재할 가능성이 높은 연립 방정식
방정식의 수가 미지수의 수보다 적을 때 발생
균일 분포Uniformed Distribution주어진 구간 내의 모든 값이 동일한 확률로 나타나는 연속 확률 분포
그람-슈미트 과정Gram-Schmidt process주어진 벡터 집합을 서로 직교하는 단위 벡터 집합으로 변환하는 과정
기대값Expected Value확률 변수가 취할 수 있는 모든 값에 대한 가중 평균
기하 분포Geometric Distribution특정 사건이 처음으로 발생할 때까지 시행 횟수를 나타내는 이산 확률 분포
내적Dot Product두 벡터 사이의 각도와 크기를 이용하여 스칼라 값을 얻는 연산
누적 분포 함수CDF, Cumulative Distribution Function확률 변수가 특정 값 이하의 값을 가질 확률을 나타내는 함수
누적 확률Cumulative Probability특정 값 이하의 값을 가질 확률
다중선형성Multi-linearity행렬의 열 벡터 중 특정 벡터를 변화시킬 때, 다른 벡터를 고정한 상태에서 선형적인 방식으로 반응하는 성질
다항식Polynomial여러 개의 항으로 이루어진 식
다항 분포Multinomial Distribution여러 개의 범주 중 하나를 선택하는 시행을 반복할 때, 각 범주에 속하는 횟수를 나타내는 이산 확률 분포
단위 벡터Unit Vector크기가 1인 벡터
단위 행렬Unit Matrix대각선 성분이 모두 1이고 나머지 성분이 모두 0인 정방 행렬
단체법Simplex Method선형 계획 문제를 해결하는 알고리즘 중 하나
담금질 기법Simulated Annealing최적화 문제를 해결하는 확률적 알고리즘
대각선Diagonal행렬에서 행 인덱스와 열 인덱스가 같은 성분들의 집합
대각행렬Diagonal Matrix대각선 성분을 제외한 모든 성분이 0인 정방 행렬
대각화Diagonalization정방 행렬을 고유벡터를 이용하여 대각 행렬로 변환하는 과정
대칭행렬Symmetric Matrix전치 행렬이 자기 자신과 같은 행렬
도함수Derivative함수의 순간적인 변화율을 나타내는 함수
독립항등분포IID, Independent and Identically Distributed서로 독립이고 동일한 분포를 따르는 확률 변수들
둘레Perimeter도형의 경계선의 길이의 합
매클로린 급수Maclaurin Series함수를 무한 개의 항으로 이루어진 다항식으로 표현하는 방법
멱영 행렬Nilpotent Matrix어떤 자연수 k에 대해 k번 제곱하면 영행렬이 되는 행렬
무어-팬로즈 유사역행렬Moore-Penrose Pseudoinverse Matrix일반적인 역행렬이 존재하지 않는 행렬에 대한 일반화된 역행렬
미분가능성Differentiability함수가 미분 가능한 성질
미적분Calculus함수의 변화율과 넓이를 다루는 수학 분야
볼록 최적화Convex Optimization볼록 함수의 최솟값을 찾는 문제
분류Classification데이터를 여러 개의 클래스로 나누는 작업
블록행렬Block Matrix행렬을 작은 행렬로 나누어 표현한 것
블록대각행렬Block Diagonal Matrix대각선 이외의 모든 행렬 블록이 영행렬인 블록 행렬
비직교Non-orthogonal서로 직교하지 않는
빗변Hypotenuse직각삼각형에서 직각을 마주보는 가장 긴 변
사다리꼴행렬Echelon Form행렬의 특정한 형태로, 가우스 소거법을 통해 얻을 수 있음
사다리꼴 공식Trapezoidal Rule정적분을 근사적으로 계산하는 방법 중 하나
삼각법Trigonometry삼각형의 변과 각 사이의 관계를 다루는 수학 분야
삼각행렬Triangular Matrix대각선 아래 또는 위의 모든 성분이 0인 정방 행렬
선형 독립Linear Independence벡터들의 조합으로 어떤 벡터도 다른 벡터를 나타낼 수 없는 성질
벡터들의 선형 결합이 영벡터가 되기 위해서는 모든 스칼라 값이 0이여야함
선형 방정식Linear Equation미지수의 최고차항이 1인 다항식으로 이루어진 방정식
선형 종속Linear Dependence하나 이상의 벡터가 나머지 벡터들의 선형 결합으로 표현될 수 있는 성질
사영Projection한 공간의 벡터를 다른 공간으로 투영하는 작업
선형계획법Linear Programming선형으로 정의된 목적 함수를 최대화하거나 최소화하면서, 선형 부등식 또는 등식 제약 조건을 만족하는 최적의 해를 찾는 문제
손실함수Loss Function모델의 예측값과 실제값 사이의 차이를 측정하는 함수
수신자 조작 특성ROC, Receiver Operating Characteristics분류 모델의 성능을 평가하는 곡선
실수Real유리수와 무리수를 포함하는 수
아다마르 곱Hadamard product두 행렬의 같은 위치에 있는 성분끼리 곱하여 새로운 행렬을 만드는 연산
아인슈타인 표기법Eienstein Summation Convention반복되는 문자(인덱스)가 보이면 자동으로 더하는 표기법
시그마 생략
아핀 공간Affine Space벡터 공간에서 원점을 포함하지 않는 공간
아핀 변환Affine Transformation평행 이동, 회전, 축척 등의 변환을 포함하는 선형 변환
양의 정부호 행렬Positive Definite Matrix모든 고유값이 양수인 대칭 행렬
양의 준정부호 행렬Positive Semi-definite Matrix모든 고유값이 0 이상인 대칭 행렬
여사건Complement Event어떤 사건이 발생하지 않는 사건
연속 확률 변수Continuous Random Variables실수 전체 또는 그 부분 집합을 값으로 가지는 확률 변수
Column행렬에서 가로로 나열된 원소들의 집합
Nought0
영 공간Null Space어떤 행렬 A에 대해 Ax=0을 만족하는 모든 벡터 x의 집합
외적Outer Product두 벡터의 곱으로 만들어지는 행렬
결과 행렬의 각 성분은 두 벡터의 대응하는 성분의 곱으로 계산
유사 변환Similarity Transformation두 행렬 A와 B가 존재하여 B=P1APB = P^-1AP 를 만족할 때, A와 B는 서로 유사함
기하학적으로 같은 선형 변환을 다른 기저에서 표현한 것과 같음
음의 정부호Negative Definite Matrix모든 고유값이 음수인 대칭 행렬
음의 준정부호Negative Semi-definite Matrix모든 고유값이 0 이하인 대칭 행렬
이계도함수Second-Order Partial Derivatives다변수 함수에서 각 변수에 대해 두 번 미분한 값
이산 확률 변수Discrete Random Variables특정한 값들만 취할 수 있는 확률 변수
이차계획법Quadratic Programming목적 함수가 이차 함수이고 제약 조건이 선형 부등식으로 주어진 최적화 문제
이항 분포Binomial Distribution베르누이 시행을 n번 반복했을 때 성공한 횟수를 나타내는 이산 확률 분포
임계점Critical Point함수의 도함수가 0이 되거나 존재하지 않는 점
극값이나 변곡점
자동 미분Automatic Differentiation컴퓨터 프로그램을 이용하여 함수의 미분을 자동으로 계산하는 기법
전치 행렬Transposed Matrix행렬의 행과 열을 바꾼 행렬
접선Tangent곡선 위의 한 점에서 그 곡선에 접하는 직선
정규 분포Normal Distribution자연 현상에서 가장 흔하게 나타나는 연속 확률 분포, 68.27%, 95.45%, 99.73%
정규 직교 기저 벡터Orthonormal Basis Vector서로 직교하고 크기가 1인 벡터들의 집합으로, 벡터 공간의 기저를 이룸
정규 직교 행렬Orthonormal Matrix모든 행 벡터와 열 벡터가 서로 직교하고 크기가 1인 정방 행렬
정규 확률Normal Probability정규 분포를 따르는 확률 변수가 특정 값을 가질 확률
정방 행렬Square Matrix행의 수와 열의 수가 같은 행렬
조건부 확률Conditional Probability어떤 사건 B가 발생했을 때, 다른 사건 A가 발생할 확률
종 곡선Bell Curve정규 분포의 확률 밀도 함수의 그래프 모양
좌표계Coordinate Frame공간에서 점의 위치를 나타내기 위한 기준 틀
주대각합Trace of Matrix정방 행렬의 대각선 성분들의 합
주변 확률Marginal Probability결합 확률 분포에서 특정 변수에 대한 확률
직각삼각형 삼각비Sohcahtoa직각삼각형의 변의 길이와 각의 크기 사이의 관계를 나타내는 삼각비 (sin, cos, tan)를 쉽게 기억하기 위한 구절
직각의Perpendicular두 직선이나 두 평면이 서로 수직으로 만남
직교Orthogonal두 벡터의 내적이 0일 때, 또는 두 직선이나 두 평면이 서로 수직
직교 행렬Orthogonal Matrix전치 행렬이 역행렬과 같은 정방 행렬
QTQ=QQT=IQ^T Q = Q Q^T = I
Q1=QTQ^{-1} = Q^T
켤레기울기법Conjugate Gradient Method대칭 양정부호 행렬을 갖는 선형 시스템을 푸는 반복적인 알고리즘
특성 다항식Characteristic Polynomial정방 행렬 A에 대해 det(AλI)=0\det(A - \lambda I) = 0 을 만족하는 다항식. 고유값을 찾기 위해 사용
특수해Particular Solution비동차 선형 미분 방정식의 해 중에서 상수항이나 특정 함수를 포함하는 해
특이값 분해SVD, Singular Value Decomposition임의의 행렬을 세 개의 행렬의 곱으로 분해하는 방법
평균Mean데이터 집합의 중심 경향을 나타내는 값
폐쇄성Closure어떤 연산에 대해 그 결과가 항상 해당 집합의 원소가 되는 성질
포아송 분포Poisson Distribution단위 시간 또는 단위 공간에서 어떤 사건이 발생하는 횟수를 나타내는 이산 확률 분포
표준 편차Standard Deviation데이터가 평균값으로부터 얼마나 흩어져 있는지를 나타내는 척도
프로베니우스 놈Frobenius norm행렬의 모든 성분의 제곱의 합의 제곱근
행렬의 크기를 측정하는 방법 중 하나
항등 행렬Identity Matrix대각선 성분이 모두 1이고 나머지 성분이 모두 0인 정방 행렬
Row행렬에서 가로로 나열된 원소들의 집합
행 사다리꼴 행렬Row-Echelon Form가우스 소거법을 통해 얻을 수 있는 행렬의 특수한 형태
행렬Matrix숫자를 직사각형 형태로 나열한 것
행렬은 사상이다
행렬식Determinant정방 행렬에 대응되는 스칼라 값.
행렬의 역행렬 존재 여부, 선형 변환의 비율 등을 나타냄
면적 확대율, 부피 확대율
혼동 행렬Confusion Matrix분류 모델의 성능을 평가하기 위해 사용되는 표
실제 클래스와 예측된 클래스를 비교하여 정확도, 정밀도, 재현율 등을 계산하는 데 사용
확률 밀도 함수PDF, Probability Density Function연속 확률 변수에서 특정 값을 가질 확률의 밀도를 나타내는 함수
회귀Regression하나의 변수와 다른 변수 사이의 관계를 모델링하는 통계적 기법
회전행렬Rotation Matrix공간에서 점을 회전시키는 선형 변환을 나타내는 행렬

Optimization

제약유무ENKO
ConstrainedActive Set Method활성 집합 방법
Barrier Method베리어 방법
Interior Point Method내부 점 방법
Lagrange Multipliers라그랑주 승수법
Penalty Function Method페널티 함수 방법
Sequential Quadratic Programming순차적 이차 프로그래밍
Simplex Method심플렉스법, 단체법
UnconstrainedConjugate Gradient Method켤레기울기법, 공역기울기법
Genetic Algorithm유전자 알고리즘
Gradient Descent경사 하강법
Nelder-Mead Method넬더-미드 방법
Newton's Method뉴턴 방법
Quasi-Newton Methods준 뉴턴 방법 (BFGS)
Simulated Annealing시뮬레이티드 어닐링, 담금질법

Calculus

Log

lnxdx=x(lnx1)+C\int \ln x \, dx = x(\ln x - 1) + C ddx[lnx]=1x\frac{d}{dx} [\ln x] = \frac{1}{x} log2xdx=x(log2x1)ln2+C\int \log_2 x \, dx = \frac{x (\log_2 x - 1)}{\ln 2} + C ddx[log2x]=1xln2\frac{d}{dx} [\log_2 x] = \frac{1}{x \ln 2}

Fraction

1xdx=lnx+C\int \frac{1}{x} dx = \ln|x| + C ddx[1x]=1x2\frac{d}{dx} \left[ \frac{1}{x} \right] = -\frac{1}{x^2}

Product Rule

[f(x)g(x)]=f(x)g(x)+f(x)g(x)[f(x)g(x)]'=f(x)'g(x)+f(x)g(x)'

udv=uvvdu\int u \, dv = uv - \int v \, du

Quotient Rule

[f(x)g(x)]=f(x)g(x)f(x)g(x)g(x)2[\frac{f(x)}{g(x)}]' = \frac{f(x)'g(x)-f(x)g(x)'}{g(x)^2}

Chain Rule

Composition

dydx=dydududx\frac{dy}{dx} = \frac{dy}{du}\frac{du}{dx}

Derivatives of Trigonometric Functions

f(x)f'(x)
sin(x)cos(x)
cos(x)-sin(x)
sec(x)sec(x) * tan(x)
tan(x)sec(x) * sec(x)
csc(x)-csc(x) * cot(x)
cot(x)-csc(x) * csc(x)

CS

KOENDescription
불 대수Boolean algebra-
완전 이진 트리Complete Binary Tree-
유향 비순환 그래프DAG, Directed Acyclic Graph-
전위 순회Pre-order Traversal루트 - 왼쪽 - 오른쪽
전위 표기법Prefix Expression-
중위 순회In-order Traversal왼쪽 - 루트 - 오른쪽
후위 순회Post-order traversal왼쪽 - 오른쪽 - 루트
후위 표기법Postfix Expression-

Complexity

AlgorithmTime complexity
Binary SearchO(logn)O(\log{n})
Balanced Binary SearchO(logn)O(\log{n})
Bellman-FordO(VE)O(V*E)
Bubble SortO(n2)O(n^2)
DijkstraO(ElogV)O(E\log{V})
DFS GraphO(V+E)O(V + E)
Floyd-WarshallO(V3)O(V^3)
Hash TableO(1)O(1)
Heap SortO(nlogn)O(n \log{n})
Quick SelectO(n)O(n)

Graph Search Algorithms

  • DFS
  • Dijkstra's algorithm
  • Bellman-Ford algorithm
  • Floyd-Warshall algorithm

예시

대각행렬

A=(100020003)\mathbf{A} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{pmatrix}

대칭행렬

A=ATA = A^T

B=(123245356)\mathbf{B} = \begin{pmatrix} 1 & 2 & 3 \\ 2 & 4 & 5 \\ 3 & 5 & 6 \end{pmatrix}

삼각행렬

C=(123045006)\mathbf{C} = \begin{pmatrix} 1 & 2 & 3 \\ 0 & 4 & 5 \\ 0 & 0 & 6 \end{pmatrix} D=(100230456)\mathbf{D} = \begin{pmatrix} 1 & 0 & 0 \\ 2 & 3 & 0 \\ 4 & 5 & 6 \end{pmatrix}

직교행렬

ATA=IA^T \cdot A = I

E=(100001010)\mathbf{E} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 0 & -1 \\ 0 & 1 & 0 \end{pmatrix}

정규직교행렬

ATA=IA^T \cdot A = I vi=1||\mathbf{v}_i|| = 1 vivj=0(ij)\mathbf{v}_i \cdot \mathbf{v}_j = 0 \quad (i \neq j)

F1=(100010001)\mathbf{F_1} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix} F2=(1212012120001)\mathbf{F_2} = \begin{pmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0 \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0 \\ 0 & 0 & 1 \end{pmatrix} v1=(12)2+(12)2+02=12+12=1=1||\mathbf{v}_1|| = \sqrt{\left( \frac{1}{\sqrt{2}} \right)^2 + \left( -\frac{1}{\sqrt{2}} \right)^2 + 0^2} = \sqrt{\frac{1}{2} + \frac{1}{2}} = \sqrt{1} = 1 v2=(12)2+(12)2+02=12+12=1=1||\mathbf{v}_2|| = \sqrt{\left( \frac{1}{\sqrt{2}} \right)^2 + \left( \frac{1}{\sqrt{2}} \right)^2 + 0^2} = \sqrt{\frac{1}{2} + \frac{1}{2}} = \sqrt{1} = 1 v3=02+02+12=1=1||\mathbf{v}_3|| = \sqrt{0^2 + 0^2 + 1^2} = \sqrt{1} = 1 v1v2=(12)(12)+(12)(12)+00=1212+0=0\mathbf{v}_1 \cdot \mathbf{v}_2 = \left( \frac{1}{\sqrt{2}} \right) \left( \frac{1}{\sqrt{2}} \right) + \left( -\frac{1}{\sqrt{2}} \right) \left( \frac{1}{\sqrt{2}} \right) + 0 \cdot 0 = \frac{1}{2} - \frac{1}{2} + 0 = 0 v1v3=(12)0+(12)0+01=0\mathbf{v}_1 \cdot \mathbf{v}_3 = \left( \frac{1}{\sqrt{2}} \right) \cdot 0 + \left( -\frac{1}{\sqrt{2}} \right) \cdot 0 + 0 \cdot 1 = 0 v2v3=(12)0+(120)+01=0\mathbf{v}_2 \cdot \mathbf{v}_3 = \left( \frac{1}{\sqrt{2}} \right) \cdot 0 + \left( \frac{1}{\sqrt{2}} \cdot 0 \right) + 0 \cdot 1 = 0

멱영행렬

Ak=0(K>0)A^k = 0 \quad (K > 0)

G=(010001000)\mathbf{G} = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{pmatrix}

기대값

이산 확률

E(X)=i=1nxiP(X=xi)E(X) = \sum_{i=1}^{n} x_i P(X = x_i)

연속 확률

E(X)=xf(x)dxE(X) = \int_{-\infty}^{\infty} x f(x) \, dx

f(x)는 확률밀도함수 PDF

분산

Var(X)=E[(XE(X))2]=E(X2)(E(X))2\text{Var}(X) = E\left[(X - E(X))^2\right] = E(X^2) - (E(X))^2

표준편차

σ=Var(X)\sigma = \sqrt{\text{Var}(X)}

테일러 급수

f(x)=f(a)+f(a)(xa)+f(a)2!(xa)2+f(a)3!(xa)3+=n=0f(n)(a)n!(xa)nf(x) = f(a) + f'(a)(x - a) + \frac{f''(a)}{2!}(x - a)^2 + \frac{f'''(a)}{3!}(x - a)^3 + \ldots = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x - a)^n

맥클로린 급수

테일러급수 + a=0a = 0

f(x)=f(0)+f(0)x+f(0)2!x2+f(0)3!x3+=n=0f(n)(0)n!xnf(x) = f(0) + f'(0)x + \frac{f''(0)}{2!}x^2 + \frac{f'''(0)}{3!}x^3 + \ldots = \sum_{n=0}^{\infty} \frac{f^{(n)}(0)}{n!}x^n ex=1+x+x22!+x33!+=n=0xnn!e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \ldots = \sum_{n=0}^{\infty} \frac{x^n}{n!} sinx=xx33!+x55!x77!+=n=0(1)n(2n+1)!x2n+1\sin x = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \frac{x^7}{7!} + \ldots = \sum_{n=0}^{\infty} \frac{(-1)^n}{(2n + 1)!} x^{2n + 1} cosx=1x22!+x44!x66!+=n=0(1)n(2n)!x2n\cos x = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + \ldots = \sum_{n=0}^{\infty} \frac{(-1)^n}{(2n)!} x^{2n}

이항 분포

E(X)=npE(X) = n \cdot p Var(X)=np(1p)\text{Var}(X) = n \cdot p \cdot (1 - p) σ=np(1p)\sigma = \sqrt{n \cdot p \cdot (1 - p)}

정규 분포

E(X)=μE(X) = \mu Var(X)=σ2\text{Var}(X) = \sigma^2 σ=Var(X)=σ\sigma = \sqrt{\text{Var}(X)} = \sigma

균등 분포

E(X)=a+b2E(X) = \frac{a + b}{2} Var(X)=(ba)212\text{Var}(X) = \frac{(b - a)^2}{12} σ=Var(X)=ba12\sigma = \sqrt{\text{Var}(X)} = \frac{b - a}{\sqrt{12}}

포아송 분포

E(X)=λE(X) = \lambda Var(X)=λ\text{Var}(X) = \lambda σ=λ\sigma = \sqrt{\lambda}

기하 분포

E(X)=1pE(X) = \frac{1}{p} Var(X)=1pp2\text{Var}(X) = \frac{1 - p}{p^2} σ=Var(X)=1pp\sigma = \sqrt{\text{Var}(X)} = \frac{\sqrt{1 - p}}{p}

참조

자율주행

· 약 2분

자율주행 개념

  • 운전자 조작 없이 자동차 스스로 주변 환경을 인식하고 상황을 판단하여 목적지까지 운전하는 기술

자율주행 기술 구성 및 적용단계

자율주행 기술 구성

구분내용비고
인지다양한 센서를 융합하여 물체 인지카메라, 레이다, 라이다
판단인지정보 기반 주행경로 계획, 판단ADAS, E2E AI
제어판단한 전략에 따라 차량 제어조향, 브레이크, 속도

자율주행 적용단계

구분내용비고
5단계운전자 개입 필요 없음완전 자동화
4단계대부분 상황에서 스스로 운행 가능고도 자동화
3단계특정 조건에서 모든 주행 기능 수행조건부 자동화
2단계가속, 조향 등 일부 기능 자동화부분 자동화
1단계차량의 일부 기능 지원운전자 지원

자율주행 고려사항

구분고려사항해결방안
기술적악천후 등 다양한 상황의 성능 확보연구 개발
제도적사고시 책임소재, 윤리 기준, 개인정보 수집 방안법규 정비
사회적자율주행 일자리 변화민관 협의, 정책 지원
  • ISO 26262 표준 준수

모바일 엣지 컴퓨팅

· 약 2분

모바일 엣지 컴퓨팅 개념

  • 기지국 근처 등 네트워크 엣지에 컴퓨터 자원을 분산시켜 데이터 처리 및 서비스를 제공하여 저지연, 고대역, 실시간 응답을 구현한 컴퓨팅 패러다임

모바일 엣지 컴퓨팅 구성도, 구성요소

모바일 엣지 컴퓨팅 구성도

모바일 엣지 컴퓨팅 구성요소

구분내용비고
모바일 엣지 디바이스데이터 생성 및 서비스 사용 주체스마트폰, IoT기기 등
기지국데이터 전송 및 통신 담당무선 네트워크
엣지서버네트워크 가장자리에 배치데이터 처리, 저장
MEC 플랫폼엣지서버 관리, 모바일 서비스 제공관리, 운영

모바일 엣지 컴퓨팅 고려사항

구분내용비고
관리적표준화, 데이터 권한 관리보안성
기술적네트워크 대역폭 관리, 서버 관리안정성
물리적엣지서버 위치, 전력 공급효율성

스마트시티 서비스 활성화 방안

· 약 3분

스마트시티 서비스 활성화 방안 개념 및 구성요소

스마트시티 서비스 활성화 방안 개념

스마트시티 서비스 구성요소

구분내용비고
커뮤니케이션 인프라실시간 데이터 수집 기반 통신사업자와의 협력5G 특화망
데이터 플랫폼제조, 교통 등 기반 설비 센서 데이터 분석, 처리, 의사결정 지원빅데이터, AI
클라우드 플랫폼온디맨드 방식으로 비용절감, 사용량에 따른 Scale Out, Scale InIaaS, PaaS, SaaS
  • K-PaaS 서비스 모델을 활용하여 신뢰성있는 클라우드 서비스 구축 가능

스마트시티 서비스 모델의 유형과 적용방안

스마트시티 서비스 모델 유형

구분내용비고
OBM소유주가 직접 건설 및 운영초기 비용 높음
BOM건설에서 유지보수까지 위탁운영 효율성
BOT일정기간 소유 후 소유권 이전장기 계획 필요
BOD지자체 건설, 소유, 운영중앙 통제 가능

스마트시티 서비스 모델 적용방안

구분적용방안특징
소도시BOM 모델로 외부 자본 유치비용 절감
대도시BOO 모델로 민간 투자 유도지속 가능성

스마트시티 서비스 활성화 고려사항

구분내용비고
공공정부, 지자체 정책 지원 및 규제지속가능 발전
금융금융지원, 투자 유치프로젝트 지원
민간참여 유도, 기술 개발 혁신민관 협력 모델

OTT

· 약 2분

OTT 개념

  • 인터넷을 통해 미디어 콘텐츠를 제공하는 서비스로 셋탑박스 유무에 상관없이 다양한 기기를 통해 콘텐츠에 접근 가능

OTT 구성도, 구성요소, 서비스 사업자 유형

OTT 구성도

OTT 구성요소

구분내용비고
CP콘텐츠 구매, 자체 제작다양한 콘텐츠 확보
CMS콘텐츠 메타데이터 관리, 송출DRM, 추천, 압축
CDN콘텐츠의 효율적인 스트리밍지역 캐싱

OTT 서비스 사업자 유형

OTT 고려사항

구분목적비고
네트워크 안정성압축, 효율, 비용절감H265, H266
인터페이스 디자인디지털 역기능 방지접근성, 사용성
지역기반 캐싱서버ISP와의 상생망사용료 이슈 대응

디지털 트윈

· 약 3분

디지털 트윈 개념

  • 현실세계의 물리적 자산, 시스템, 프로세스 등을 디지털 공간에 모델링하여 데이터를 실시간으로 모니터링, 분석, 예측하여 문제를 해결하는 기술
  • 검증, 오류 수정, 시뮬레이션 등을 디지털에서 수행하여 비용절감, 위험감소

디지털 트윈 구성도, 구성요소, 적용방안

디지털 트윈 구성도

디지털 트윈 구성요소

구분내용비고
물리적 객체현실 세계의 실존 객체디지털 트윈 대상
디지털 트윈 모델물리 객체를 가상 공간에 복제시뮬레이션 및 분석
분석 시스템데이터 분석, 물리 객체 최적화실시간 반영

디지털 트윈 적용방안

구분적용방안설명
스마트시티--
에너지--
헬스케어--
제조--

시뮬레이션과 디지털 트윈 비교

구분시뮬레이션디지털 트윈
개념특정조건 동작 모방가상공간 복제
데이터과거, 가정실시간
상호작용제한적현실세계 실시간 반영
목적시스템 동작예측, 평가현실세계 문제 해결

디지털 트윈 발전모델

단계구분설명
5자율자율적 문제 인지 및 해결
4연합디지털 트윈 상호 연결
3모의디지털 결과 현실 객체 적용 및 최적화
2관제물리 객체 모니터링
1모사물리 객체 복제
  • 현재 모의단계로 연합모델로 가기 위해 상호운용성과 프로토콜 표준화 필요

스마트 팩토리

· 약 2분

스마트 팩토리 개념

  • 단순 생산설비에서 대량으로 상품을 생산해왔던 기존 공장 생산체계에 ICT 기술을 접목하여 생산과정을 최소의 비용과 최적의 절차로 운영을 가능하게한 공장

스마트 팩토리 구성도, 구성요소, 발전단계

스마트 팩토리 구성도

|----------------|-------|
| SW (MES, ERP) | |
|----------------| NW |
| HW (센서, 로봇) | (5G) |
|----------------| |
| 데이터 (생산품질) | |
|----------------|-------|

스마트 팩토리 구성요소

구분내용비고
SW생산 데이터 관리, 분석, 의사결정 지원MES, ERP, PLM
HW생산 공정 자동화, 데이터 수집IoT센서, 로봇, 3D프린터
데이터생산 효율성 분석, 지능화 기반생산 품질 설비 데이터
NW실시간 데이터 수집, 제어5G 특화망

스마트 팩토리 발전단계

단계내용핵심요소
4단계지능화, 자율화디지털 트윈
3단계운영레벨 자동화AI, 로봇
2단계생산레벨 자동화원격 제어
1단계필드레벨 자동화센서, 액츄에이터

스마트 팩토리 발전 방향

  • 3D프린팅 기술의 대형화, 프린팅속도 가속화, 재료 다양화로 고객 맞춤형 생산
  • 디지털 트윈 기반 시뮬레이션으로 데이터 수집, 지속적 개선으로 물리적 비용 절감

블록체인 트릴레마

· 약 4분

블록체인 트릴레마 개념

  • 블록체인의 세 가지 특성인 확장성, 보안성, 탈중앙화 모두를 충족하기는 불가능, 일부를 만족시키기 위해서는 다른 특성을 포기해야하는 문제

블록체인 트릴레마 특성, 유형별 트릴레마, 해결방안

블록체인 트릴레마 특성

특성설명영향
확장성네트워크의 처리 속도와 용량트랜잭션 증가 시 중요성 부각
보안성네트워크의 안전성과 무결성 유지외부 공격 및 내부 부정행위로부터 보호
탈중앙화중앙 통제 없이 분산된 네트워크 구조권력 집중 방지 및 시스템 투명성 강화

블록체인 유형별 트릴레마

유형트릴레마설명
퍼블릭 블록체인탈중앙화 및 보안 강화, 확장성 저하모든 참여자가 네트워크 참여하고 블록 검증
프라이빗 블록체인보안 및 확장성 강화, 탈중앙화 저하중앙 기관이 네트워크 통제, 탈중앙화 이점 포기
컨소시엄 블록체인보안 및 확장성 강화, 탈중앙화 선택특정 그룹이 네트워크를 관리, 불완전한 탈중앙화
하이브리드 블록체인탈중앙화, 보안, 확장성의 균형퍼블릭과 프라이빗 블록체인 장점 결합하여 트릴레마 해소

블록체인 트릴레마 해결방안

구분해결방안비고
확장성샤딩, 레이어링, 포크블록체인 병렬 및 분산 처리
보안성다중서명, 영지식 증명 활용합의 알고리즘 개선
탈중앙화오프체인, 온체인권력 분산

블록체인 트릴레마 주요 사례

구분트릴레마설명
비트코인낮은 확장성, 높은 탈중앙화네트워크 확장에 따른 트랜잭션 속도 저하
이더리움낮은 확장성, 높은 보안성스마트컨트랙트, DApp 지원으로 인한 확장성 문제
리플낮은 탈중앙화, 높은 확장성위임 노드들의 합의 방식으로 낮은 탈중앙화

레이더, 라이다

· 약 3분

거리측청센서 개념

  • 물체의 거리를 감지하고 측정하기 위한 장치로 레이더, 라이다, 초음파, 적외선, 카메라 사용

레이더, 라이다의 개념도 및 구성요소, 비교

레이더 개념도, 구성요소

  • 전자기파를 방사하고 물체에 반사되는 전파를 분석하여 물체 간 거리를 측정하는 기술
구분내용비고
송신기고주파 전파 생성, 방사레이더 성능 결졍
수신기반사된 전파로 수신하여 신호 변환감도, 잡음 처리
안테나전파 방사, 수신 역할탐지범위, 해상도
신호처리기신호 분석 후 표적 정보 파악디지털 신호 처리
통제기레이더 시스템 동작 제어운용 최적화

라이다 개념도, 구성요소

Radio Detection and Ranging

  • 레이저 빛을 발사하고 물체에 반사된 시간을 측정하여 거리, 형상, 속도 등을 측정하는 기술
구분내용비고
레이저 송신기레이저 생성 및 방출다양한 파장 사용
레이저 수신기반사된 레이저 수신, 신호 변경광검출기
렌즈 광학시스템빛의 방향 스캔, 수신한 빛 집중회전식 렌즈
신호처리기수집된 신호 분석, 정보 추출디지털 신호 처리

레이더, 라이다 비교

Light Detection and Ranging

구분레이더라이다
신호라디오 전파레이저
거리짧음
방향특정방향360도
장점악천후에 안정적높은 정확도
-넓은 범위 탐지3차원 정보
단점낮은 해상도악천후 취약
-형태 파악불가측정거리 제한
분야항공, 해상, 군사, 자율주행드론, 로봇, 자율주행