UWB 앵커와 VIO 융합을 통한 GPS 음영지역 장거리 드론 자율 탐사·복귀 기술 넥스트폼은 GPS와 사전 지도를 사용할 수 없는 동굴·터널 등 협소 통로 환경에서 드론이 스스로 진입·탐사하고 출발점까지 복귀할 수 있는 자율 항법 기술을 본 기술은 비행 중 드론이 UWB 거리측정 앵커를 일정 간격으로 자가 배치하고, 카메라와 IMU를 활용하는 VIO(Visual-Inertial Odometry)와 UWB 거리 정보 <자연 조명이 없는 화성의 동굴을 모사한 장면> 넥스트폼은 실제 비행 데이터를 활용한 대규모 오프라인 검증에서 VIO 단독 사용 시 약 108 m까지 발생하던 복귀 종점 오차를 UWB 앵커 융합을 통해 약 0.9~1.5 m 수준 <드론에 장착된 조명을 이용해 영상 항법을 수행하는 과정> 이후 넥스트폼은 ArduPilot SITL과 Gazebo 기반의 폐루프 비행 환경에서 실제 제어기·추정기·경로가 상호작용하는 조건까지 검증했습니다. 이 과정에서 발생한 위치 조향 발산, 횡방향 진동, 앵커 위치 편향 전파 등의 문제를 분석하고 자체 추정기 기반 조향, PD 제어, 앵커 초기화 및 불확실성 보정, 사행 경로 정책 최종적으로 120 m 사행 코스에서 3회 연속 완주를 달성했으며, 250 m 편도·약 520 m 왕복 코스에서도 최초 정식 통과를 기록했습니다.
공지
구미 국가산단 디지털트윈 기반 자율주행 합성데이터 생성 플랫폼 구축
넥스트폼은 실제 도시를 디지털트윈으로 구현하고, 자율주행 AI 학습 데이터를 생성합니다. 구미 1국가산업단지를 대상으로 실제 도시 환경을 가상 공간에 구현하고, 자율주행 AI 학습에 필요한 합성데이터를 생성할 수 있는 디지털트윈 기반 플랫폼을 구축했습니다. 실제 지도와 공간정보를 기반으로 도로·건물·교차로·신호체계 등을 3D 환경으로 구현하고, 가상 차량이 해당 공간을 주행하면서 Camera, L 또한 차량·보행자·신호등의 위치와 상태를 기반으로 2D/3D Bounding Box, Semantic Segmentation, Depth 등 AI 학습용 웹 플랫폼을 통해 출발지·경유지·목적지를 지정하면 주행 경로 생성부터 시뮬레이션, 센서 데이터 생성, 자동 라벨링, 데이터셋 관리까지 하나의 환경에서 수행 ✅ 왜 가상 데이터가 필요할까요? 자율주행 AI는 수백만 장의 “정답이 달린” 주행 영상을 보며 배웁니다. 그런데 이 데이터를 실제 도로에서 모으는 데는 큰 벽이 있습니다. 비용과 시간 — 차량·장비·사람이 실제 도로를 수개월 돌아야 합니다.위험한 상황 — 사고 직전, 무단횡단 같은 장면은 실제로 찍을 수 ✅ 지도 한 장에서 학습 데이터까지, 네 단계
공지
자연어로 시작하는 AI-CFD 시뮬레이션
✅ 복잡한 CFD 설정 과정, 이제 자연어 입력으로 더 쉽고 빠르게 시작할 수 있습니다. BARAM + AI CFD Assistant는 사용자가 원하는 해석 목적과 조건을 문장으로 입력하면, AI가 문제를 이해하고 BARAM/OpenFOAM 실행에 필요한 CFD 케이스 예를 들어 다음과 같이 입력할 수 있습니다. “선박 저항 해석을 수행해줘. 속도는 5노트야”“초음속 공력 해석 케이스를 준비해줘. 마하수는 2이고 받음각은 3도야” AI는 입력된 자연어를 바탕으로 해석 목적, 물리 조건, 경계 조건, 계산 설정 등을 이해하고, CFD 해석에 필요한 케이스 준비 과정을 도와줍니다. ✅ CFD 준비 시간을 줄이는 AI 자동화 BARAM + AI CFD Assistant는 자연어 입력부터 해석 조건 이해, 케이스 자동 생성, BARAM 실행 준비까지 CFD 엔지니어의 반복적인 설정 작업을 줄이고 해석 준 초보자는 복잡한 설정에 대한 부담을 줄이고, 숙련자는 반복적인 케이스 생성과 조건 설정 작업을 더 빠르게 수행할 수 있습니다. ✅ 고객 맞춤형 AI CFD 시스템 개발
공지
CFD Workflow 최적화
CFD Workflow 최적화 어떤 제품이나 시스템의 CFD 해석을 할 때 형상을 어느 정도로 단순화 할 것인지, 격자 구성은 어떻게 할 것인지, 물리 모델과 수치해석 기법은 어떤 것을 사용할 것인지, 어떤 항 일단 해석 방법이 정립되었다면, 그 다음은 전체 workflow를 효율적으로 구축하는 것이 중요한 단계가 됩니다. 특히 해당 업무를 다른 이에게 이관하는 경우, 형상 최적화나 데 해당 업무를 다른 이에게 이관하는 경우나 유사한 문제를 지속적으로 계속 해석해야하는 경우는 단일 문제 해석을 위한 전처리-계산-후처리 단계의 최적 프로세스를 만드는 것으로 충분한 그러나 최적설계나 데이터베이스 구축과 같은 경우는 해석 조건이 너무나 많기 때문에, 모든 조건을 계산하지 않고도 정확한 결과를 얻을 수 있는 방법론을 구축하는 것이 추가로 필요하게 형상/격자 생성 자동화계산 및 후처리 자동화대리 모델(Surrogate model)을 이용한 데이터베이스 구축 / 최적설계적합직교분해(Proper Orthogoanl Decompo 형상은 전문 3차원 캐드 프로그램에서 만들어진(직접 만들었든, 다른 사람이 만들었든) 파일을 단순화하고 수정(cleanup)하여 사용하는 경우와, 직접 형상을 만드는 경우가 있습니 형상을 매개변수(parameter)로 정의대부분의 경우에 사용되는 가장 일반적인 방법입니다. 복잡한 형상일수록 매개변수의 개수가 많아지고 상호 연관성이 높아지기 때문에 매개변수를 효율적으로 결정하는 과정이 중요합니다.
넥스트폼은 GPS와 사전 지도를 사용할 수 없는 동굴·터널 등 협소 통로 환경에서 드론이 스스로 진입·탐사하고 출발점까지 복귀할 수 있는 자율 항법 기술을
본 기술은 비행 중 드론이 UWB 거리측정 앵커를 일정 간격으로 자가 배치하고, 카메라와 IMU를 활용하는 VIO(Visual-Inertial Odometry)와 UWB 거리 정보
<자연 조명이 없는 화성의 동굴을 모사한 장면>
넥스트폼은 실제 비행 데이터를 활용한 대규모 오프라인 검증에서 VIO 단독 사용 시 약 108 m까지 발생하던 복귀 종점 오차를 UWB 앵커 융합을 통해 약 0.9~1.5 m 수준
<드론에 장착된 조명을 이용해 영상 항법을 수행하는 과정>
이후 넥스트폼은 ArduPilot SITL과 Gazebo 기반의 폐루프 비행 환경에서 실제 제어기·추정기·경로가 상호작용하는 조건까지 검증했습니다.
이 과정에서 발생한 위치 조향 발산, 횡방향 진동, 앵커 위치 편향 전파 등의 문제를 분석하고 자체 추정기 기반 조향, PD 제어, 앵커 초기화 및 불확실성 보정, 사행 경로 정책
최종적으로 120 m 사행 코스에서 3회 연속 완주를 달성했으며, 250 m 편도·약 520 m 왕복 코스에서도 최초 정식 통과를 기록했습니다.
구미 1국가산업단지를 대상으로 실제 도시 환경을 가상 공간에 구현하고, 자율주행 AI 학습에 필요한 합성데이터를 생성할 수 있는 디지털트윈 기반 플랫폼을 구축했습니다.
실제 지도와 공간정보를 기반으로 도로·건물·교차로·신호체계 등을 3D 환경으로 구현하고, 가상 차량이 해당 공간을 주행하면서 Camera, L
또한 차량·보행자·신호등의 위치와 상태를 기반으로 2D/3D Bounding Box, Semantic Segmentation, Depth 등 AI 학습용
웹 플랫폼을 통해 출발지·경유지·목적지를 지정하면 주행 경로 생성부터 시뮬레이션, 센서 데이터 생성, 자동 라벨링, 데이터셋 관리까지 하나의 환경에서 수행
✅ 왜 가상 데이터가 필요할까요?
자율주행 AI는 수백만 장의 “정답이 달린” 주행 영상을 보며 배웁니다. 그런데 이 데이터를 실제 도로에서 모으는 데는 큰 벽이 있습니다.
비용과 시간 — 차량·장비·사람이 실제 도로를 수개월 돌아야 합니다.위험한 상황 — 사고 직전, 무단횡단 같은 장면은 실제로 찍을 수
✅ 지도 한 장에서 학습 데이터까지, 네 단계
BARAM + AI CFD Assistant는 사용자가 원하는 해석 목적과 조건을 문장으로 입력하면, AI가 문제를 이해하고 BARAM/OpenFOAM 실행에 필요한 CFD 케이스
예를 들어 다음과 같이 입력할 수 있습니다.
“선박 저항 해석을 수행해줘. 속도는 5노트야”“초음속 공력 해석 케이스를 준비해줘. 마하수는 2이고 받음각은 3도야”
AI는 입력된 자연어를 바탕으로 해석 목적, 물리 조건, 경계 조건, 계산 설정 등을 이해하고, CFD 해석에 필요한 케이스 준비 과정을 도와줍니다.
✅ CFD 준비 시간을 줄이는 AI 자동화
BARAM + AI CFD Assistant는 자연어 입력부터 해석 조건 이해, 케이스 자동 생성, BARAM 실행 준비까지 CFD 엔지니어의 반복적인 설정 작업을 줄이고 해석 준
초보자는 복잡한 설정에 대한 부담을 줄이고, 숙련자는 반복적인 케이스 생성과 조건 설정 작업을 더 빠르게 수행할 수 있습니다.
✅ 고객 맞춤형 AI CFD 시스템 개발
어떤 제품이나 시스템의 CFD 해석을 할 때 형상을 어느 정도로 단순화 할 것인지, 격자 구성은 어떻게 할 것인지, 물리 모델과 수치해석 기법은 어떤 것을 사용할 것인지, 어떤 항
일단 해석 방법이 정립되었다면, 그 다음은 전체 workflow를 효율적으로 구축하는 것이 중요한 단계가 됩니다. 특히 해당 업무를 다른 이에게 이관하는 경우, 형상 최적화나 데
해당 업무를 다른 이에게 이관하는 경우나 유사한 문제를 지속적으로 계속 해석해야하는 경우는 단일 문제 해석을 위한 전처리-계산-후처리 단계의 최적 프로세스를 만드는 것으로 충분한
그러나 최적설계나 데이터베이스 구축과 같은 경우는 해석 조건이 너무나 많기 때문에, 모든 조건을 계산하지 않고도 정확한 결과를 얻을 수 있는 방법론을 구축하는 것이 추가로 필요하게
형상/격자 생성 자동화계산 및 후처리 자동화대리 모델(Surrogate model)을 이용한 데이터베이스 구축 / 최적설계적합직교분해(Proper Orthogoanl Decompo
형상은 전문 3차원 캐드 프로그램에서 만들어진(직접 만들었든, 다른 사람이 만들었든) 파일을 단순화하고 수정(cleanup)하여 사용하는 경우와, 직접 형상을 만드는 경우가 있습니
형상을 매개변수(parameter)로 정의대부분의 경우에 사용되는 가장 일반적인 방법입니다. 복잡한 형상일수록 매개변수의 개수가 많아지고 상호 연관성이 높아지기 때문에 매개변수를
효율적으로 결정하는 과정이 중요합니다.