1. 삼성전자를 지원한 이유와 입사 후 회사에서 이루고 싶은 꿈을 기술하십시오.
"어려움을 성취감으로 버티고 재미를 느끼다"
자동 제어를 수강하며 제어기와 보상기에 대해 학습을 하였습니다. 제어 이론 상, 수학적 계산이 복잡해 초반에 어려움을 겪었습니다. 하지만 평소 끈기 있는 자세로 업무에 임하여 이해할 때까지 반복 학습했습니다. 이를 기반으로 PID 제어 설계 프로젝트도 경험했습니다. 설계 시, 이론을 Matlab과 Simulink를 활용하여 구현하니 재미를 느꼈고 시스템 자동화와 제어 설계에 관심을 가지게 되었습니다. 이에 자동화 제어의 심화 학습을 하고 싶어 강화학습과 제어 시스템 설계를 수강하며 제어 시스템 설계에서 상태 공간 제어를 학습하였고 controller와 estimator 설계도 구현했습니다. 해당 과목에서 5등이라는 성적을 거둬 성취감과 보람을 느꼈고 이러한 자극을 극대화 시킬 수 있는 곳은 삼성전자라 생각하여 지원하게 되었습니다.
“로봇의 정밀 제어 솔루션 개발”
프로젝트들을 구현하며 강화학습이나 딥러닝에서 컨셉에 따라 알고리즘이나 신경망의 성능이 제각기 다른 것을 경험했습니다. 혹은 위치 제어 같은 경우는 PI제어보단 PD제어가 성능이 좋은 모습을 보입니다. 따라서, 상황에 따른 로봇/자동화의 정밀 제어 솔루션을 개발하는 것이 삼성전자에서 제가 이루고 싶은 꿈입니다. 여러 제어 기법들을 활용하여 로봇에 정밀한 제어 솔루션을 개발하고 그 시스템이 현장에 적용되는 것을 보고 싶습니다.
2. 본인의 성장과정을 간략히 기술하되 현재의 자신에게 가장 큰 영향을 끼친 사건, 인물 등을 포함하여 기술하시기 바랍니다. (※작품속 가상인물도 가능)
"끊임없는 피드백과 지식 향상에 대한 열정"저는 부모님 아래에서 다수의 긍정적인 것들을 느끼며 자랐습니다.특히 제가 어렸을 때, 아버지께서 대학 교수로 근무하시면서 평일이나 주말에도 늦은 시간까지 끊임없이 공부하시는 모습을 보고 자라 학업에 대한 진실성과 끈기를 간접적으로 많이 보고 배웠습니다. 이에 따라 자연스럽게 제가 맡은 업무에 성실하고 책임의식을 가지며 행동하게 되었습니다. 또한, 저보다 높은 위치에 있는 사람들과 스스로를 끊임없이 비교하여 피드백을 해왔습니다. 이 방식이 때로 저의 자신감을 낮추기도 했지만, 발전하는 데에도 큰 영향을 주었습니다.
“ 체계적인 계획 수립과 협력하는 자세”
졸업 작품 프로젝트를 통해 장기 계획의 중요성과 팀 협업에 대해 많이 깨달았습니다.
졸업 작품은 딥러닝 기반의 실종자 추적 지능형 CCTV 구현이였습니다. 졸업 작품의 경우 프로젝트 기간이 최소 4개월일 정도로 긴 프로젝트이기에 체계적으로 준비해야 한다고 생각했습니다. 그렇기에 제가 Project Manager역할을 맡아 팀원들의 선호와 역량에 맞게 역할 분담하여 하드웨어 설계 2명과 소프트웨어 설계 2명으로 나누었습니다. 하드웨어 설계 팀은 도면 설계와 카메라 Pan-Tilt제어를 진행하고 저를 포함한 소프트웨어 설계 팀은 딥러닝 기반 사람 추적 기술과 PC와 라즈베리파이 간의 통신을 진행하였습니다. 하드웨어 설계 팀과 소프트웨어 설계 팀의 원활한 의사소통을 위해 SLACK을 활용하여 프로젝트 현재 진행 상황을 공유하고 각 팀에서 구현해야 할 목표들을 스프린트 단위로 구체화하여 단기적 목표들로 쪼개어 구성했습니다. 프로젝트에 필요한 예산들도 학교 지원 금액으로는 부족하였기에 다른 공모전도 함께 진행하여 충분한 예산 편성을 하였습니다. 이와 같이 체계적으로 프로젝트를 진행하였기에 문제가 없을 거라 생각했지만 하드웨어 설계 팀에서 진행하는 카메라 Pan-Tilt제어가 SLACK과 주간 회의를 통해 예상보다 오래걸린 것을 확인하고 저도 가담하여 문제점을 순차적으로 확인했습니다. 처음으로 발견한 문제점은 라즈베리파이에서 서보모터의 떨림 문제였습니다. 해당 문제가 서보모터의 고질적인 떨림 현상인 것을 확인하고 로우레벨 라이브러리를 활용하여 지터링없이 원활히 구동시켰습니다. 또한 카메라가 실종자라고 인식된 사람을 따라갈 때 overshoot이 발생하는 것을 확인하고 PID제어와 게인 튜닝을 통해 Error가 상당히 낮아진 것을 확인하였고 실제로 overshoot이 없게끔 작동하였습니다. 이렇게 Pan-Tilt제어에서 문제가 해결되니 늦어졌던 진행이 오히려 처음 예상한 계획보다 빠르게 진행되어 여유롭게 프로젝트를 마쳐 좋은 성적을 받고 더불어 논문 투고와 학회에서 포스터 세션까지 진행하였습니다.
이 경험을 통해 체계적인 계획과 팀원간의 의사 소통이 프로젝트의 성사를 결정한다는 것을 느꼈습니다. 자동화 설비 제어 직무도 개인이 아닌 팀적으로 움직이기에 위의 경험을 바탕으로 업무에 대한 계획과 팀원들과 소통하는 개발자가 되겠습니다.
3. 최근 사회이슈 중 중요하다고 생각되는 한가지를 선택하고 이에 관한 자신의 견해를 기술해 주시기 바랍니다.
“사고 방지를 위한 Digital Twin 구현"저는 여러 상황을 대비하여 다양한 분야의 로봇들이 보급화 되어야 한다고 생각합니다.이미 많은 로봇들이 개발되었지만, 실생활에서 접할 수 있는 로봇은 서빙 로봇, 로봇 청소기 등 극히 한정적이라고 생각합니다. 재난 사건과 관련해서 언급하고자 합니다.지난 2022년 1월 11일 광주 화정아이파크 아파트 신축현장에서 23~38층 일부 구조물이 붕괴되는 사고가 일어났습니다. 따라서 건설 현장도 개선을 해야 하지만 붕괴 사고를 조기에 방지하고 혹여나 사고가 났을 시, 인명 피해를 최소화 하는 방안을 세워야 한다 생각합니다. 하인리히 법칙에 따라 이전에 발생했던 데이터들과 현재 발생하는 경미 사고, 징후들을 시뮬레이션함으로써 결과를 미리 예측하는 Digital Twin 기술을 구축하면 해결할 수 있다 생각합니다. 이 기술이 구현되면 붕괴 사고를 미리 방지할 수 있고 혹여나 일어나도 인명 피해까지로의 가능성은 확연히 줄일 수 있다고 생각합니다.
“상황에 따른 다양한 로봇의 필요성”
외국의 경우, 미국 마이애미 아파트 붕괴사고에서 생존자 수색과 구조 작업을 위해 탐지 로봇이 투입된 사례가 있습니다. 지난 1월, 삼성 전자는 ‘삼성봇’에 대해 산업용 로봇은 물론, 외골격 로봇, 로봇 청소기, 가정용 조리기구, 휴머노이드(사람 형태의 로봇), 서빙 로봇 등에 적용될 수 있다고 밝힌바 있습니다.저는 이 발표에 한 발자국 더 앞서 나가, 재난 상황에도 투입될 수 있는 즉, 상황에 따른 다양한 로봇이 필요하다 생각합니다. 이렇게 삼성 전자가 로봇을 더 넓은 분야에 상용화시킬 수 있다면, 로봇 산업계에서 국내 뿐 아니라 전세계에서 선두권에 있는 일본, 독일 등을 상대로도 글로벌 경쟁력을 갖출 수 있다고 생각합니다
4. 프로그램 개발, 알고리즘 풀이 등 SW개발 관련 경험 중 가장 어려웠던 경험과 해결방안에 대해 구체적으로 서술하여 주시기 바랍니다. (과제 개요, 어려웠던 점, 해결방법, 결과 포함)
"문제에 대한 편협한 시각에서 벗어나다"
강화 학습 프로젝트였던 Inverted Pendulum에 대한 알고리즘 비교를 구현해봤습니다.
DQN, REINFORCE, A2C 알고리즘을 사용하여 Inverted Pendulum인 타겟을 시작 점에서 1m를 이동 시킨 후, 수직 상태를 유지하는 것을 목표로 하고 알고리즘 간의 성능도 비교하고자 했습니다. 알고리즘들을 학습, 검증, 환경 set으로 구성하고 환경 set에서는 Inverted Pendulum의 동역학에 관한 코드로 구성하고 학습 set에서 해당 알고리즘을 학습 시켜 검증 set에서 검증하는 방법을 활용하려 계획했습니다. 하지만, 이론적으로만 공부한 알고리즘을 실제 프로젝트에 적용하는 데에 어려움을 겪었습니다. 처음에는 시작 점을 1m 옮겨야 하기에 Inverted Pendulum의동역학 해석과 관련 있다 생각해 환경set에서 타겟을 1m 이동하고 그 주변에 가까이 있을수록 reward를 크게 주고 1m를 벗어날 경우 reward를 작게 주었는데, 학습 때 아무리 Episode 수를 늘려도 검증 시 1m이상으로 이동하여 맵밖으로 넘어지는 결과를 보였습니다. 며칠동안 문제가 해결되지 않자 학습set을 확인했습니다. 그 결과, 학습을 시킬 때 거리 반비례로 reward를 주어야 검증 시 원하는 방식이 적용 된다는 것을 깨달았습니다. 그래서 Train에서 거리 반비례로 reward를 주는 문을 추가하였습니다. 학습된 알고리즘들은 검증한 결과, 타겟이 1m만큼 움직이고 계속 그 자리에 위치하려는 모습을 보였고 크로스 엔트로피도 작은 값으로 출력되었습니다. 성능 평가는 학습 동안 계산된 현재 스코어에 큰 가중치를 곱한 것과 누적 리워드에 낮은 가중치 곱한 것의 합으로 결정했습니다. 해당 결과, 동일 Episode에서 DQN, A2C, REINFORCE순으로 학습이 잘된다는 것을 도출하고 이론과도 같았습니다.
위의 경험과 같이 편협한 사고에서 벗어나서 끊임없이 고뇌하면 최선의 결과를 얻을 수 있다는 것을 느꼈습니다