[논문]공공 빅데이터를 이용한 UAV 위험구역검출 및 회피방법

박경석; 김민준; 김승호

doi:10.3745/ktsde.2019.8.6.243

공공 빅데이터를 이용한 UAV 위험구역검출 및 회피방법
Detecting and Avoiding Dangerous Area for UAVs Using Public Big Data 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.6, 2019년, pp.243 - 250

박경석 (첨단정보통신융합산업기술원) , 김민준 (한국정보화진흥원 AI데이터팀) , 김승호 (경북대학교 컴퓨터학부)

초록
AI-Helper

움직이는 UAV는 많은 위치에너지와 운동에너지를 가지므로 지상으로 추락하는 경우 많은 충격량을 가질 수 있다. 이는 인명피해로 연결될 수 있기 때문에 본 논문에서는 UAV 비행경로 상의 인구밀집지역을 위험구역으로 정의하였다. 기존의 UAV 경로비행은 사용자에 의해 미리 설정된 경로만을 운행하는 수동적인 형태였다. 일부 UAV는 경로비행 중 장애물을 회피하는 시스템 등 안전기능을 포함하고 있지만, 실시간 비행환경변화에 대응하기에는 부족하다. UAV 경로비행에 공공 빅데이터를 활용할 경우, 위험구역을 검출하고 회피비행을 수행할 수 있어서 실시간 비행환경변화에 대한 대응이 향상될 수 있다. 따라서 본 논문에서는 실시간으로 수집된 빅데이터를 활용하여 위험구역을 회피하는 최적경로 비행 방안을 제안한다. 실험 결과, 제안하는 자동경로비행에서 목적지와 목적지에 따른 경로를 지정할 경우, 실시간으로 위험지역을 판단하여 최적 우회경로로 비행하는 것을 확인하였다. 추후 회피방안에 따라 비행하여 획득하는 영상의 질적 만족도를 높일 수 있는 방안을 연구할 예정이다.

Abstract ▼ AI-Helper

Because of a moving UAV has a lot of potential/kinetic energy, if the UAV falls to the ground, it may have a lot of impact. Because this can lead to human casualities, in this paper, the population density area on the UAV flight path is defined as a dangerous area. The conventional UAV path flight was a passive form in which a UAV moved in accordance with a path preset by a user before the flight. Some UAVs include safety features such as a obstacle avoidance system during flight. Still, it is difficult to respond to changes in the real-time flight environment. Using public Big Data for UAV path flight can improve response to real-time flight environment changes by enabling detection of dangerous areas and avoidance of the areas. Therefore, in this paper, we propose a method to detect and avoid dangerous areas for UAVs by utilizing the Big Data collected in real-time. If the routh is designated according to the destination by the proposed method, the dangerous area is determined in real-time and the flight is made to the optimal bypass path. In further research, we will study ways to increase the quality satisfaction of the images acquired by flying under the avoidance flight plan.

주제어

표/그림 (19)

그림 Fig. 1. Example of Big Data Processing
그림 Fig. 2. An UAV Operation System
그림 Fig. 3. An Initial Input Path
그림 Fig. 4. A Flight Path Algorithm
그림 Fig. 5. A Workflow for Setting Flight Paths
그림 Fig. 6. The Proposed Process for Collecting and Processing Public Big Data
그림 Fig. 7. Flight Dangerous Area Geofencing
그림 Fig. 8. An Optimal Bypass Flight Path
그림 Fig. 9. An Example of the Occluded Dangerous Area and the Bypass Flight Pass
그림 Fig. 10. Flight Path Comparison
표 Table 1. The Number of Tag Counts of Traffic Cards
표 Table 2. Query Format for Local Culture Festivals
표 Table 3. Response Message Format for Local Culture Festivals
그림 Fig. 11. A Pixhauk Drone
그림 Fig. 12. A Result using Local Culture Festival Information
그림 Fig. 13. A Result using the Number of Tag Counts of Transportation Cards
그림 Fig. 14. A Result using the Integrated Data
그림 Fig. 15. A Result using the Overlapped Dangerous Area
표 Table 4. A Quantity Analysis on the same Path Through the Flight Modes

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서 제안하는 비행 방법은 인구밀집지역의 경우 안전에 취약하기 때문에 안전하게 비행이 가능한 경로로 비행하는 것을 목적으로 한다. 오프라인 데이터는 지자체로부터 제공받은 2018년 대구지역 교통카드 승하차 태그데이터를 이용하였으며 지역행사정보는 UAV 비행 시점의 지역 행사정보를 Open API를 이용하여 실시간으로 전송받는다.
본 논문에서는 기존의 자동경로비행기법에 추가적으로 해당 경로에 대한 행사정보, 교통카드 태그정보 등 유동인구를 판단할 수 있는 데이터를 활용해 UAV 스스로 위험구역을 회피하는 최적 경로비행 설정 기법을 제안한다. 먼저 UAV 비행규제및 기존의 자동경로비행기법, 빅데이터 구조를 2장에서 다루도록 한다.
본 논문에서는 이 중 1년 단위로 발생하는 시계열의 변동 요인인 계절 변동(seasonal variation)을 분석하기 위해 2018년 동안의 교통카드 승하차 태그데이터를 수집 및 분석하였 다. 이러한 분석은 과거에 대한 정보가 존재하고, 과거의 패턴이 미래에도 반복될 것이라는 가정에 의해서 이루어진다.
빅데이터 분석은 사용자가 인식하지 못한 데이터 간의 상관관계를 발견할 수 있기 때문에 시간을 크게 줄이고 문제 해결을 위한 주요 정보를 제공할 수 있다[8]. 이에 본 논문에서는 월별, 시간대별 해당 정류장에서 승하차를 위한 교통카드 태그 수를 분석하여 자동경로비행에 접목시키는 방법을 제안한다. 또한 빅데이터 수집 기술을 이용하여 경로비행을 실시한 시간의 행사정보를 수집하여 자동경로비행에 활용하였다.
따라서 본 논문에서는 실시간으로 반영되는 지역행사정보와 교통카드 태깅 정보를 이용하여 인구밀집도를 조사한다. 이후 인구밀집지역을 우회하여 비행하는 위험지역 회피 방법을 제안하고자 한다.
또한 위험구역이 겹칠 경우 적중률이 낮아지는 부분에 있어 geofence 에너지 손실률 및위험도를 고려하여 연구할 예정이다. 추가적으로 회피 비행에 따른 비행 목표 품질의 저하 정도를 세분화하여 조사하고, 이를 단계적으로 최소화할 수 있는 방안을 연구하고자 한다.

가설 설정

본 논문에서는 이 중 1년 단위로 발생하는 시계열의 변동 요인인 계절 변동(seasonal variation)을 분석하기 위해 2018년 동안의 교통카드 승하차 태그데이터를 수집 및 분석하였 다. 이러한 분석은 과거에 대한 정보가 존재하고, 과거의 패턴이 미래에도 반복될 것이라는 가정에 의해서 이루어진다.

제안 방법

2와 같이 일반적으로 GPS 데이터를 기반으로 한다. 2차원의 GPS 좌표를 통한 경로점을 지정하고, 고도설정을 통해 3차원의 공간에서 UAV는 자동경로비행을 수행한다. UAV의 운용자는 UAV의 지상통제시스템에 원하는 경로의 GPS 좌표 및 고도를 입력하거나, 지도상에 포인트를 입력한다.
하지만 충돌 회피의 경우에도 UAV에 대한 제어권을 상실한 경우에는 위험 요소가 여전히 존재한다. 따라서 본 논문에서는 실시간으로 반영되는 지역행사정보와 교통카드 태깅 정보를 이용하여 인구밀집도를 조사한다. 이후 인구밀집지역을 우회하여 비행하는 위험지역 회피 방법을 제안하고자 한다.
이에 본 논문에서는 월별, 시간대별 해당 정류장에서 승하차를 위한 교통카드 태그 수를 분석하여 자동경로비행에 접목시키는 방법을 제안한다. 또한 빅데이터 수집 기술을 이용하여 경로비행을 실시한 시간의 행사정보를 수집하여 자동경로비행에 활용하였다.
또한 지역별 인구밀집도를 판단하기 위해 교통카드 태깅 정보를 이용하였다. 하지만, 공공데이터포털에서는 교통카드 태깅 정보는 개인정보보호를 위해 실시간 제공하지 않기 때문에 대안으로 2018년 포털에서 제공하는 정보를 기반으로 교통카드를 이용한 승하차 인원수를 오프라인 형식으로 수집하였다.
Table 4는 위험구역의 개수에 따른 우회 비행시간, 비행거리등 정량적 수치를 비교, 분석하였다. 또한 최단거리 비행에 비해 경로상 GPS 적중률을 비교하였다. 본 실험은 최단거리 1km기준으로 5m/s의 속도로 비행하도록 설정하였다.
여기서, 임계치는 대구지역 정류장에서 교통카드 태그수의 평균을 기준으로 계산하였다. 반대로 해당 정류장에서 승하차를 위한 교통카드 태그 수가 임계치 이상인 경우(Case2) 본 논문에서 제안한 최적경로비행을 한다.
본 논문에서 제안한 최적비행경로 설정에 대한 알고리즘을 적용하기 위해서 총 3가지 경우로 나누어 실험을 하였다.
본 논문에서는 그중 지역 행사정보, 교통카드 승하차정보를 이용하여 인구밀집지역을 파악하였으며 위험구역으로 정의하여 회피하는 방안을 제안하였다. 이후 UAV의 최적경로 설정 알고리즘을 통해 효율적인 회피경로를 설정하였다.
하지만, 공공데이터포털에서는 교통카드 태깅 정보는 개인정보보호를 위해 실시간 제공하지 않기 때문에 대안으로 2018년 포털에서 제공하는 정보를 기반으로 교통카드를 이용한 승하차 인원수를 오프라인 형식으로 수집하였다. 본 논문에서는 데이터의 수집, 추출, 분석을 위해 Python 프로그래밍 언어를 사용하였다.
또한 최단거리 비행에 비해 경로상 GPS 적중률을 비교하였다. 본 실험은 최단거리 1km기준으로 5m/s의 속도로 비행하도록 설정하였다. 실험결과 최단거리 기준으로 거리 및 시간의 차이는 발생하나 시간이 위험구역 1개를 기준으로 약 10초에서 20초 차이이므로 근소하다고 볼 수 있다.
4와 같다. 비행모드와 안전모드로 나누어 고려하였다. 비행모드의 경우는 UAV가 반드시 최단거리 비행을 하는 경우이다.
이후 UAV의 최적경로 설정 알고리즘을 통해 효율적인 회피경로를 설정하였다. 실험 결과, 직선 위주의 경로 비행만 수행하는 기존의 방법과 달리 본 논문에서 제안한 방법은 위험지역을 검출하고 우회 하는 경로비행을 수행하였다. 제안한 방법을 통해 공공 빅데이터를 이용한 외부 환경을 고려한 경로비행의 방향성을 제시할 수 있었다.
오프라인 데이터는 지자체로부터 제공받은 2018년 대구지역 교통카드 승하차 태그데이터를 이용하였으며 지역행사정보는 UAV 비행 시점의 지역 행사정보를 Open API를 이용하여 실시간으로 전송받는다. 실험은 임의의두 구간을 지정하여 진행하였다. 데이터 분석에는 Python3.
따라서 상황에 따라 비행경로 선택을 하는 절차가 필요하다. 우선 사용자가 경로 계획을 입력하면 Geofence의 적용여부 및 위험지역의 적용범위를 확인한다. Geofence 적용 시에는 데이터 수집 및 처리과정을 통해 회피경로를 설정하고, Geofence의 미적용 시에는 최단거리 직선경로를 설정한다.
본 논문에서는 그중 지역 행사정보, 교통카드 승하차정보를 이용하여 인구밀집지역을 파악하였으며 위험구역으로 정의하여 회피하는 방안을 제안하였다. 이후 UAV의 최적경로 설정 알고리즘을 통해 효율적인 회피경로를 설정하였다. 실험 결과, 직선 위주의 경로 비행만 수행하는 기존의 방법과 달리 본 논문에서 제안한 방법은 위험지역을 검출하고 우회 하는 경로비행을 수행하였다.
지역행사정보 또는 교통카드를 이용한 승하차 인원수가 본 논문에서 제시한 임계치보다 큰 경우에 위험지역으로 판단하여 처리되며 실제 필요한 정보를 데이터베이스에 저장하게 된다. 이후 수집된 많은 양의 데이터를 분석 알고리즘을 통해 분석하고 유용한 데이터를 추출한다. 예를 들어 교통카드 승하차 인원이 많은 정류장을 유동인구가 많은 지역으로 가정하여 일정 수준 이상 유동인구가 많은 지역을 추출하여 UAV 비행 시 회피가 필요한 구역으로 지정한다.
최단거리만을 고려했던 기존 최적경로비행과 달리 본 논문에 서는 안전 경로 설정을 위해 인구밀집도를 중요한 요소로 고려한 최적비행경로 설정을 적용하였다. 이를 고려하기 위한 인구 밀집판단 의사코드는 Fig.
또한 지역별 인구밀집도를 판단하기 위해 교통카드 태깅 정보를 이용하였다. 하지만, 공공데이터포털에서는 교통카드 태깅 정보는 개인정보보호를 위해 실시간 제공하지 않기 때문에 대안으로 2018년 포털에서 제공하는 정보를 기반으로 교통카드를 이용한 승하차 인원수를 오프라인 형식으로 수집하였다. 본 논문에서는 데이터의 수집, 추출, 분석을 위해 Python 프로그래밍 언어를 사용하였다.

대상 데이터

UAV의 안전하고 최적화된 자동경로 비행을 위해 정형 또는 비정형화된 빅데이터를 활용하였다. 기존의 외부요소를 고려하지 않은 UAV의 경로비행과 달리 빅데이터를 사용하면 UAV 비행의 목적과 외부환경 요소에 알맞은 비행경로설정에 활용할 수 있는 수많은 종류의 정보를 획득할 수 있다.
공공데이터포털(https://www.data.go.kr)의 공개된 OpenAPI 데이터와 지자체에 의뢰해서 개인정보 비식별화 된 오프라인 데이터를 이용하여 빅데이터를 수집하였다. 실시간으로 수집되는 대구시 중구의 행사정보에 관한 빅데이터를 이용하였다.
실시간으로 수집되는 대구시 중구의 행사정보에 관한 빅데이터를 이용하였다. 또한 지자체에서 제공받은 2018년 교통카드를 이용한 승하차 인원수의 데이터를 오프라인데이터로 수집하였다. 공연 행사정보는 행사명, 행사개수, 행사시간, 위치 등의 정보를 포함한다.
7과 같이 원점을 기준으로 특정 반경(L/2) 을 갖는 원형으로 Geofence 처리를 하고, 위험구역을 우회하는 비행경로를 설정한다. 본 논문에서는 Geofence의 반경을 50m로 설정하였다.
빅데이터가 유용하게 활용될 수 있는 대표적인 분야는 시계열 분석 분야이다. 시계열 데이터는 시간 경과에 따라 특정 시간 간격으로 기록되는 일련의 데이터이다. 시계열 데이터는 수개월에서 수개월 동안 수집되는 경우 빅데이터의 특징을 가지며 사용자가 수동으로 분석하고 구성하는 것은 어렵다.
kr)의 공개된 OpenAPI 데이터와 지자체에 의뢰해서 개인정보 비식별화 된 오프라인 데이터를 이용하여 빅데이터를 수집하였다. 실시간으로 수집되는 대구시 중구의 행사정보에 관한 빅데이터를 이용하였다. 또한 지자체에서 제공받은 2018년 교통카드를 이용한 승하차 인원수의 데이터를 오프라인데이터로 수집하였다.
본 논문에서 제안하는 비행 방법은 인구밀집지역의 경우 안전에 취약하기 때문에 안전하게 비행이 가능한 경로로 비행하는 것을 목적으로 한다. 오프라인 데이터는 지자체로부터 제공받은 2018년 대구지역 교통카드 승하차 태그데이터를 이용하였으며 지역행사정보는 UAV 비행 시점의 지역 행사정보를 Open API를 이용하여 실시간으로 전송받는다. 실험은 임의의두 구간을 지정하여 진행하였다.

데이터처리

해당 정류장에서 승하차를 위한 교통카드 태그 수가 본 논문에서 제안한 임계치보다 작을 경우(Case1) 기존의 방법과 동일하게 비행한다. 여기서, 임계치는 대구지역 정류장에서 교통카드 태그수의 평균을 기준으로 계산하였다. 반대로 해당 정류장에서 승하차를 위한 교통카드 태그 수가 임계치 이상인 경우(Case2) 본 논문에서 제안한 최적경로비행을 한다.

이론/모형

지도는 네이버지도를 사용하였으며 경로비행은 Mission Planner 를 사용하였다. 본 실험에서는 Fig. 11과 같이 pixhauk 기반의 자체제작 드론을 사용하였다.
지도는 네이버지도를 사용하였으며 경로비행은 Mission Planner 를 사용하였다. 본 실험에서는 Fig.

성능/효과

실험을 통해 설정된 최종 경로 및 Geofence 구역은 GCS (Ground Control System)에 입력하여 지도상에 시각적으로 확인할 수 있도록 나타내었다. 초기 경로는 대구제일중학교에서 경상감영공원까지 약 1km의 거리로 설정하였으며, 각 포인트 간에 직선경로로 설정된 형태를 보인다.
실험 결과, 직선 위주의 경로 비행만 수행하는 기존의 방법과 달리 본 논문에서 제안한 방법은 위험지역을 검출하고 우회 하는 경로비행을 수행하였다. 제안한 방법을 통해 공공 빅데이터를 이용한 외부 환경을 고려한 경로비행의 방향성을 제시할 수 있었다. 또한 비행 목적에 맞는 분야별 빅데이터 적용 방안을 도출하여 현재보다 안전하고 높은 수준의 임무를 수행할 수 있을 것으로 기대된다.

후속연구

공공 빅데이터의 양적/질적 품질의 향상과 함께 Open API 를 통한 실시간 데이터 접근 방안의 확충된다면 다양한 분야로의 활용 방안이 모색될 수 있다. 그와 더불어 개인정보 보호 또는 활용을 위한 마이데이터의 적용 등이 이루어진다면 데이터 경제의 원유로써 활용 가능성은 더욱 높아질 것이다.
공공 빅데이터의 양적/질적 품질의 향상과 함께 Open API 를 통한 실시간 데이터 접근 방안의 확충된다면 다양한 분야로의 활용 방안이 모색될 수 있다. 그와 더불어 개인정보 보호 또는 활용을 위한 마이데이터의 적용 등이 이루어진다면 데이터 경제의 원유로써 활용 가능성은 더욱 높아질 것이다.
제안한 방법을 통해 공공 빅데이터를 이용한 외부 환경을 고려한 경로비행의 방향성을 제시할 수 있었다. 또한 비행 목적에 맞는 분야별 빅데이터 적용 방안을 도출하여 현재보다 안전하고 높은 수준의 임무를 수행할 수 있을 것으로 기대된다.
향후 공공 빅데이터를 활용한 위험경로 회피 방안을 고도화할 수 있는 방안을 연구할 예정이다. 또한 위험구역이 겹칠 경우 적중률이 낮아지는 부분에 있어 geofence 에너지 손실률 및위험도를 고려하여 연구할 예정이다. 추가적으로 회피 비행에 따른 비행 목표 품질의 저하 정도를 세분화하여 조사하고, 이를 단계적으로 최소화할 수 있는 방안을 연구하고자 한다.
향후 공공 빅데이터를 활용한 위험경로 회피 방안을 고도화할 수 있는 방안을 연구할 예정이다. 또한 위험구역이 겹칠 경우 적중률이 낮아지는 부분에 있어 geofence 에너지 손실률 및위험도를 고려하여 연구할 예정이다.

참고문헌 (16)

Zhenyu Zhou, Caixia Gao, Chen Xu, Yan Zhang, Shahid Mumtaz, and Jonathan Rodriguez, "Social Big-Data-Based Content Dissemination in Internet of Vehicles," IEEE Transactions on Industrial Engineering, Vol.14, No.2, pp.768-777, 2018.
Kai Lin, Jiming Luo, Long Hu, M. Shamim Hossain, and Ahmed Ghoneim, "Localization Based on Social Big Data Analysis in the Vehicular Networks," IEEE Transactions on Industrial Engineering, Vol.13, No.4, pp.1932-1940, 2017.
S. J. Lee and D. H. Lee, "Real Time Predictive Analytic System Design and Implementation using Bigdata-log," Journal of the Korea Institute of Information Security & Cryptology, Vol.25, No.6, pp.1399-1410, 2015.
J. H. Lee, "Building an SNS Crawling System Using Python," Journal of the Korea Industrial Information Systems Research, Vol.23, No.5, pp.61-76, 2018.
R. Kune, P. K. Konugurthi, A. Agarwal, R. R. Chillarige, and R. Buyya, "The anatomy of Big Data Computing", Softw. Pract. Exper., Vol.46, No.1, pp.79-105, Jan. 2016.
G. George and D. Lavie, "Big Data and Data Science Methods for Management Research," Academy of Management Journal, Vol.59, No.5, pp.1493-1507, 2016.

상세보기
D. M. Park, "Automated Time Series Content Analysis with News Big Data Analytics : Analyzing Sources and Quotes in One Million News Articles for 26 Years," Korean Journal of Journalism & Communication Studies, Vol.60, No.5, pp. 353-407, 2016.
J. H. Moon, J. W. Park, S. H. Han, and E. J. Hwang, "Power Consumption Forecasting Scheme for Educational Institutions Based on Analysis of Similar Time Series Data," Journal of KIISE, Vol.44, No.9, pp.954-965, 2017.
J. H. Kwak and Y. S. Sung, "Autonomous UAV Flight Control for GPS-Based Navigation," IEEE Transactions on Industrial Engineering, Vol.6, pp.37947-37955, 2018.
Y. Zeng, R. Zhang, and T. J. Lim, "Wireless Communications with Unmanned Aerial Vehicles: Opportunities and Challenges," IEEE Commun. Mag., Vol.54, No.5, pp.36-42, May 2016.

상세보기
S. Zhang, Y. Zhou, Z. Li, and W. Pan, "Grey Wolf Optimizer for Unmanned Combat Aerial Vehicle Path Planning," Adv. Eng. Softw., Vol.99, pp.121-136, Sep. 2016.

상세보기
V. Roberge, M. Tarbouchi, and G. Labonte, "Comparison of Parallel Genetic Algorithm and Particle Swarm Optimization for Real-time UAV Path Planning," IEEE Transactions on Industrial Engineering, Ind. Informat., Vol.9, No.1, pp.132-141, Feb. 2013.

상세보기
M. Lungu, R. Lungu, and C. Rotaru, "New Systems for Identification Estimation and Adaptive Control of the Aircrafts Movement," Stud. Inform. Control, Vol.20, No.3, pp.273-284, 2011.
I. Lim and S. Ra, "Waypoints Altitude Planning for Terrain Collision Avoidance and Manueverability of an Unmanned Aerial Vehicle," The Journal of Korean Institute of Information Technolgy(JKIIT), Vol.16, No.9, pp.31-41, 2018.
N. Gageik, P. Benz, and S. Montenegro, "Obstacle Detection and Collision Avoidance for a UAV with Complementary Low-cost Sensors," IEEE Access, Vol.3, pp.599-609, 2015.

상세보기
R. He, R. Wei, and Q. Zhang, "UAV Autonomous Collision Avoidance Approach," Automatika, Vol.58, No.2, pp.195-204, 2017.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증