Ye Miao 등 연구진은 딥 강화 학습(DRL) 기반의 새로운 분할 라우팅(SR) 알고리즘 DRL-SR을 제시하여, 기존 SR 방식의 한계를 극복하고 네트워크 성능을 향상시켰습니다. DRL-SR은 라우팅과 경로 분할을 동시에 최적화하고, 교통 행렬을 상태 공간으로 활용하여 흐름 테이블 발행 시간을 최소화하는 데 성공했습니다. 실험 결과, DRL-SR은 처리량, 지연 시간, 패킷 손실률을 개선하여 SDN 기반 네트워크의 효율성을 높였습니다.

본 연구는 교통 환경에서의 안전을 위한 탁월한 객체 탐지(TSOD)에 초점을 맞춰, 대규모 데이터셋 TSOD10K와 새로운 모델 Tramba를 제안합니다. Tramba는 이중 주파수 시각 상태 공간 모듈과 Helix-SS2D 메커니즘을 통해 복잡한 교통 환경에서도 중요한 객체를 효과적으로 식별합니다. 이 연구는 자율주행 시스템의 안전성 향상에 크게 기여할 것으로 기대됩니다.

다중 모달 과학 문제 해결을 위한 혁신적인 멀티 에이전트 프레임워크 MAPS가 등장하여 기존 최고 성능 모델을 15.84% 상회하는 성과를 거두었습니다. 빅 세븐 성격 모델과 소크라테스식 안내를 결합한 독창적인 접근 방식으로 다중 모달 정보의 포괄적인 추론 및 자기주도적 학습을 가능하게 합니다.

이탈리아 연구팀이 딥러닝을 활용하여 하반신 외골격 로봇의 지형 인식 및 제어 성능을 향상시킨 연구 결과를 발표했습니다. LSTM 및 CNN-LSTM 모델의 높은 정확도와 SHAP 분석을 통한 센서 최소화 전략은 실시간 응용이 가능한 경량화된 시스템 구현에 기여할 것으로 기대됩니다.

Li Bin, Yang Dongdong, Liu Lei 세 연구원의 연구는 회전식 RIS를 이용한 MEC 시스템 최적화를 통해 에너지 소비를 최대 47.3%까지 줄일 수 있음을 보여주었습니다. SAC 기반 알고리즘을 활용한 이 연구는 미래의 에너지 효율적인 MEC 시스템 구축에 중요한 의미를 지닙니다.