MISYS 연구실에서 인턴을 모집합니다.

 

소개: MISYS (Mobility Intelligence and Computing Systems) 연구실은 모빌리티를 위한 인공 지능 기술과 시스템 소프트웨어 기술을 연구하는 연구실입니다.

 

지도교수: 김강희 교수

 

연구실 현황

▶  인원: 인턴 6명 (김강희 지도 학생들), 포닥 1명, 기계설계 전문가 1명, 행정 1명

▶  실적: 2025 Roboracer Grand Prix 3위 수상, 2022 산업부 자율주행 경진대회 2위 수상

 

바라는 인재상

▶  자율주행 AI와 시뮬레이션 모델을 함께 다루며 코딩 실력을 키우려는 도전적인 학생

▶  지도교수 및 팀원들과 열린 마음으로 공감하고 소통하는 학생

 

신청방법

▶  2026년 6월 9일(화)까지 김강희 교수에게 이메일 신청(khkim@ssu.ac.kr): 자기소개/성적표/시간표 첨부(면접 시간을 정하기 위함)

▶  2026년 6월 중에 면접 실시 후 인턴 합격 여부를 알려드립니다.

▶  이메일에 휴대폰 연락처를 반드시 기재하기 바랍니다.

 

인턴 기간: 2026년 7월 ~ 2026년 12월 (11월말에 인턴 연장 협의)

 

자격 요건

▶  2026년 6월 기준 3학년생 - 4학년생

▶  AI소프트웨어학부, 소프트웨어학부, AI융합학부 외에도 타학부생 지원 가능

▶  4학년생은 "대학원 진학 희망자"만 지원할 수 있음

 

근무 조건

▶  방학 중 주 40 시간 근무, 학기 중 주 20 시간 근무

 

공통 혜택

▶  매월 소정의 인건비 지원

 

선별 혜택

▶  우수 인턴은 국내 학술 대회 (매년 6월 또는 12)에 연구 논문을 발표할 수 있음

 

후보 프로젝트들

▶  R2S2R (Real-to-Sim-to-Real) 은 실차 주행 데이터로 시뮬레이터의 물리 모델을 갱신하고(Real→Sim), 그 위에서 학습된 AI를 다시 실차에 이식·검증하는(Sim→Real) 자율주행·로보틱스용 워크플로우이다.  본 연구실은 Sim-to-Real gap을 줄이기 위해서 이 워크플로우를 반복하여 시뮬레이션 모델과 자율주행 AI를 함께 개선하는 연구를 수행한다.

▶  R2S2R 워크플로우를 반반으로 나누어 두 개의 프로젝트, Real→Sim 프로젝트와 Sim→Real 프로젝트를 추진하고자 한다. 두 프로젝트 모두 시뮬레이션 모델 작업과 실차 작업이 함께 포함된다.

▶  연구실은 AI 기반 자율주행을 지향하며 AI 학습을 위한 학습 프레임워크 설계와 성능 비교를 목적으로 로보틱스 자율주행 스택도 함께 연구한다. 

▶  개발은 Python·C++, Ubuntu·Docker·ROS2·NVIDIA Isaac Sim/Isaac Lab·PyTorch, HW는 고성능 노트북 + NVIDIA Jetson 환경에서 진행한다. 테스트베드는 실내 평지용 Roboracer 1/10 모형차와 야외 오프로드용 1/5 모형차이다.

 

Project 1. R2S2R Real→Sim : 시뮬레이션 모델링 자동화

Isaac Sim으로 시뮬레이션 모델을 구축한 후, 실차 데이터를 수집하고 비교하여 모델을 갱신하는 R2S2R의 Real→Sim 워크플로우를 담당한다. 시뮬레이터 모델 구축을 위해서 공간 모델링 자동화와 차량 모델링 자동화를 연구한다. 공간 모델링 자동화는 물리 세계에서 수집된 센서 데이터를 기반으로 SLAM을 수행하여, Isaac Sim에서 사용할 공간 모델을 자동으로 생성한다. 차량 모델링 자동화는 물리 차량에서 수집된 주행 데이터를 기반으로 물리제약AI를 학습시키고 추론하여, Isaac Sim에서 사용할 차량 물리 모델 계수들을 자동으로 추출한다. 

시뮬레이션 모델링 자동화 기술은 피지컬 AI에서 핵심적인 기술이다. 주요 연구 산출물은 (1) 시뮬레이션 모델 구축 방법, (2) 공간/차량 모델링 자동화 방법, (3) 모델 충실도 평가 방법, (4) 재현 가능한 공개 자산(Universal Scene Description·캘리브레이션 데이터셋·물리 모델 등)이다.

 

Project 2. R2S2R Sim→Real : AI 강화학습과 실차 적응 자동화

Project 1이 제공하는 시뮬레이터 위에서 센서 데이터로부터 차량 제어 명령을 곧바로 생성해내는 End-to-End AI를 강화학습 방식으로 학습시키고, 실차에 이식하며, Sim-to-Real gap을 정량화하여 Project 1로 피드백하는 R2S2R의 Sim→Real 워크플로우를 담당한다. 시뮬레이션 작업으로는 강화 학습 프레임워크 개발, 도메인 랜덤화 스케줄링, 커리큘럼 기반 학습 설계 등이 포함된다. 실차 작업으로는 E2E AI가 차량에 자동 적응하기 위한 잔차 학습, 실시간 응답성 개선, 성능 평가 등이 포함된다. 

E2E AI의 강화 학습과 실차 적응 자동화는 자율주행 AI의 핵심적인 기술이다. 주요 연구 산출물은 (1) 강화학습 프레임워크, (2) 잔차 학습 프레임워크, (3) 응답시간 자동최적화 프레임워크, (4) Sim-to-Real gap 자동 식별 방법 등이다.