학술대회

주제

ROS-MCP: Connecting LLMs with ROS Robots

일시

※ 추후 안내

장소

※ 추후 안내

조직자

성 명

김완수

소 속

한양대학교

직 위

교수

좌장

성 명

김완수

소 속

한양대학교

직 위

교수

요약

Model Context Protocol (MCP)는 Claude, ChatGPT, Gemini와 같은 대규모 언어 모델(LLM)을 외부 시스템과 연결하는 오픈 프로토콜입니다. MCP를 활용하면 사용자가 AI 모델과 다양한 외부 시스템을 손쉽게 연동할 수 있으며, 이를 통해 보다 효율적이고 유연한 시스템 개발이 가능합니다.

ROS-MCP는 이러한 MCP를 로봇 개발의 표준 플랫폼인 ROS와 결합하여 AI 모델과 로봇을 연결하는 프레임워크입니다. 이를 통해 사용자는 별도의 복잡한 개발 과정 없이 AI 모델의 강력한 지능을 로봇 제어에 직접 통합할 수 있습니다.

본 튜토리얼에서는 먼저 MCP의 개념과 구조를 설명하고, ROS와 MCP를 연동하여 구현한 ROS-MCP 프레임워크를 소개합니다. 이어서 ROS-MCP를 활용하여 Gazebo 환경 내에서 TurtleBot을 제어하는 실습을 진행함으로써, ROS-MCP의 설치, 구성, 활용 방법과 실제 적용 사례를 단계적으로 보여드리고자 합니다. 이를 통해 참가자들은 MCP와 ROS-MCP를 이해하고, 자신이 개발하는 로봇 시스템에 AI 모델을 연동하여 활용할 수 있는 실질적인 경험을 얻을 수 있습니다.

프로그램

제목

성명

소속

직위

MCP, ROS-MCP 소개

이정수

한양대학교

박사과정

ROS-MCP 실습

박재균

한양대학교

석사과정

주제

지능형 로봇을 위한 모션 생성 기술의 진화

일시

※ 추후 안내

장소

※ 추후 안내

조직자

성 명

윤성의

소 속

한국과학기술원

직 위

교수

좌장

성 명

윤성의

소 속

한국과학기술원

직 위

교수

요약

모션 플래닝(Motion Planning)은 로봇이 복잡한 환경 속에서 효율적이고 안전하게 움직일 수 있도록 경로를 설계하는 핵심 기술입니다. 이러한 기술의 발전은 산업, 의료, 탐사 등 다양한 영역에서 로봇의 활용 가능성을 크게 확장시키고 있습니다. 「모션 플래닝 개요」세션에서는 로봇 모션 플래닝의 기본 개념 및 다양한 적용 사례들을 소개하고, 「환경 인식을 위한 센싱 기술 소개」에서는 카메라, 라이다(LiDAR) 등 다양한 센서를 활용해 로봇이 주변 환경을 인식하는 방식을 다룹니다. 「심층 강화 학습 응용 기술 소개 – 로봇 팔 및 사족 로봇」세션은 강화학습과 심층 신경망을 이용한 로봇 제어 및 모션 생성 기법을 소개하며, 실제 로봇 팔과 사족 로봇에 적용된 최신 연구 성과를 살펴봅니다. 마지막으로,「Vision-Language-Action(VLA) 모델 소개」에서는 시각·언어·행동 정보를 통합적으로 이해해 자율적 판단과 행동을 가능하게 하는 최신 지능형 로봇 기술을 소개합니다.

본 튜토리얼은 환경 인식에서 모션 생성, 그리고 지능적 행동으로 이어지는 로보틱스 기술 전반을 포괄적으로 다루며, 최신 연구 동향과 발전 방향을 소개합니다.

프로그램

제목

성명

소속

직위

모션 플래닝 개요

윤성의

한국과학기술원

교수

환경 인식을 위한 센싱 기술 소개

이세빈

한국과학기술원

박사과정

심층 강화 학습 응용 기술 소개 – 로봇 팔 및 사족 로봇

윤민성

한국과학기술원

박사과정

Vision-Language-Action(VLA) 모델 소개

양태근

한국과학기술원

박사과정

주제

Spatial AI Tutorial: From Sensor Fusion to Deep Learning

일시

※ 추후 안내

장소

※ 추후 안내

조직자

성 명

김기섭, 조영근, 임형태

소 속

DGIST, 인하대학교, MIT

직 위

교수, 교수, 박사후연구원

좌장

성 명

조영근

소 속

인하대학교

직 위

교수

요약

Spatial AI (공간지능) 는 로봇이 스스로의 센서를 이용해 주변 환경을 이해하고 새로운 공간을 향해 나아가기 위해 필수적인 핵심 기술이다. 이를 달성하기 위해서는 전통적인 SLAM 의 수학적 이론부터 최근의 딥러닝 기반의 인식 기법들까지 아우르는 이해가 요구된다. 본 튜토리얼은 이러한 Spatial AI의 근본 개념들 및 여러 어플리케이션에 대한 기초를 다룬다. 구체적으로는 포인트클라우드 정합, 백엔드 최적화, IMU 융합, 그리고 AI 기반 SLAM 등으로 구성된다.

 

본 Spatial AI Tutorial 에서는 센서 퓨전 및 학습기반 Spatial AI 동향을 이해하기 위한 기초에 대해 함께 알아보고자 한다. 예를 들어서, MIT 박사후연구원인 임형태 박사가 포인트클라우드 정합을 위한 기초 수학 이론 및 최근의 학습기반 정합 방식의 기초에 대해 소개한다. 그리고 인하대학교 조영근 교수는 SLAM 의 백엔드를 구성하는 확률론적 및 선형대수 기반의 최적화 이론에 대한 튜토리얼을 제공한다. 그리고 DGIST의 김기섭 교수는 강인한 SLAM을 위해 쓰이는 IMU 센서에 대해 소개하고 이것이 어떻게 기존의 카메라 및 라이다 기반 SLAM 기법에 전통적/학습기반적으로 융합되어 쓰일 수 있는지에 대한 강의를 제공한다. 마지막으로 숙명여자대학교 이준호 교수는 최근 딥러닝 기반의 Visual SLAM을 이해하기 위해 필요한 로봇공학자를 위한 AI 및 딥러닝 기초이론 및 동향에 대해 소개하고자 한다.

 

참가자는 이 튜토리얼을 통해 향후 Spatial AI 연구의 방향성을 함께 모색할 수 있을 것이다.

프로그램

제목

성명

소속

직위

From ICP to Learning-based Approaches

임형태

MIT

박사후연구원

SLAM Back-end

조영근

인하대학교

교수

IMU Basics and Inertial Aided Navigation

김기섭

DGIST

교수

AI Fundamentals for Monocular Visual SLAM

이준호

숙명여자대학교

교수

주제

History and Introduction to SLAM

일시

※ 추후 안내

장소

※ 추후 안내

조직자

성 명

김기섭, 조영근, 임형태

소 속

DGIST, 인하대학교, MIT

직 위

교수, 교수, 박사후연구원

좌장

성 명

조영근

소 속

인하대학교

직 위

교수

요약

SLAM(Simultaneous Localization and Mapping)은 로봇이 자신의 센서를 이용해 주변 환경을 인식하고 자율적으로 이동하기 위해 반드시 필요한 핵심 기술이다. 본 세션은 SLAM의 역사적 발전 과정과 개념적 기반을 함께 살펴보는 입문 강연이다.

 

첫 번째 연사인 서울대학교 김아영 교수는 SLAM의 발전사를 체계적으로 정리하고, 대표 에디터로 참여한 SLAM Handbook 프로젝트를 소개한다. 이를 통해 SLAM 교육 및 연구 입문자들이 해당 자료를 어떻게 활용할 수 있을지 논의할 예정이다. 이어지는 발표에서는 SLAM 문제의 정의, 수학적 공식화, 주요 센서(카메라, LiDAR, IMU 등)와 지도 표현 방식 등 SLAM의 기본 개념을 다룬다. 서울과학기술대학교의 최성록 교수 및 GIST의 김표진 교수는 SLAM을 시작하기 위한 3차원 공간의 표현법에 대해 논한다. 이를 통해 참가자들은 SLAM이 무엇이며, 왜 중요한지, 그리고 최근의 AI 기반 로보틱스 연구와 어떻게 연결되는지를 직관적으로 이해할 수 있을 것이다.

프로그램

제목

성명

소속

직위

History of SLAM and SLAM Handbook

김아영

서울대학교

교수

A Short Journey from 3D Vision to 3D Representations

최성록

서울과학기술대학교

교수

Representations for 3D Visual World

김표진

GIST

교수