Loading the company…
Loading the company…
㈜코가로보틱스
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2017. Industry: Machinery & Robotics. Group consolidated revenue for 2024 was ₩1.1bn — this includes subsidiaries and is not the revenue of this entity alone. It has 3 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Disclaimer of opinion”.
Loading…
Latest filing 2026-09-29 · latest registration 2026-09-29 · newest first
초차원 컴퓨팅 기반 검색 증강 생성 장치가 개시된다. 일 실시예에 따른 검색 증강 생성 장치는 네트워크 인터페이스; 상기 네트워크 인터페이스와 작동적으로(operatively) 연결된 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는, 실행시, 상기 적어도 하나의 프로세서가, 대상 문서(target document)를 초차원 컴퓨팅(hyperdimensional computing, HDC)에 관한 연산을 통해, 대상 이진 하이퍼벡터(target binary hypervector)를 생성하고, 상기 대상 이진 하이퍼벡터가 포함된 초차원 공간(hyperdimension space)을 식별한 것에 기반하여, 상기 초차원 공간에 포함된 적어도 하나의 이진 하이퍼벡터를 탐색 가능한 구조로 연결함으로써 대상 그래프(target graph)를 생성하고, 쿼리 하이퍼벡터(query hypervector)를 수신한 것에 기반하여, 상기 쿼리 하이퍼벡터를 상기 대상 그래프에 적용함으로써, 상기 초차원 공간에서 상기 쿼리 하이퍼벡터에 유사한 결과 문서(retrieved document)를 결정하도록 야기하는 명령어들을 저장할 수 있다.
프루닝 장치가 개시된다. 일 실시예에 따른 프루닝 장치는 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는, 실행시, 상기 적어도 하나의 프로세서가, 대상 모델(target model)에 포함된 적어도 하나의 신경망 레이어(neural network layer) 중, 제1 신경망 레이어 그룹 및 제2 신경망 레이어 그룹을 식별하고, 상기 대상 모델의 학습(training)을 수행하기 위한 대상 에폭(target epoch)에서, 상기 제1 신경망 레이어 그룹으로부터, 프루닝(pruning)의 대상이 되는 대상 신경망 레이어를 결정하고, 상기 대상 에폭 내 배치(batch)를 기준으로, 상기 대상 신경망 레이어의 비활성화 계수(decaying factor)를 통해 상기 대상 모델의 순전파(forward propagation)를 수행한 것에 기반하여, 상기 제2 신경망 레이어 그룹의 업데이트를 수행하고, 상기 제2 신경망 레이어 그룹의 업데이트를 수행한 것에 기반하여, 상기 대상 모델의 프루닝을 수행하도록 야기하는 명령어들을 저장할 수 있다.
초차원 컴퓨팅 기반 검색 증강 생성 장치가 개시된다. 일 실시예에 따른 검색 증강 생성 장치는 네트워크 인터페이스; 상기 네트워크 인터페이스와 작동적으로(operatively) 연결된 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는, 실행시, 상기 적어도 하나의 프로세서가, 대상 문서(target document)를 초차원 컴퓨팅(hyperdimensional computing, HDC)에 관한 연산을 통해, 대상 이진 하이퍼벡터(target binary hypervector)를 생성하고, 상기 대상 이진 하이퍼벡터가 포함된 초차원 공간(hyperdimension space)을 식별한 것에 기반하여, 상기 초차원 공간에 포함된 적어도 하나의 이진 하이퍼벡터를 탐색 가능한 구조로 연결함으로써 대상 그래프(target graph)를 생성하고, 쿼리 하이퍼벡터(query hypervector)를 수신한 것에 기반하여, 상기 쿼리 하이퍼벡터를 상기 대상 그래프에 적용함으로써, 상기 초차원 공간에서 상기 쿼리 하이퍼벡터에 유사한 결과 문서(retrieved document)를 결정하도록 야기하는 명령어들을 저장할 수 있다.
초차원 컴퓨팅에 관한 모델 학습 장치가 개시된다. 일 실시예에 따른 모델 학습 장치는 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는, 실행시, 상기 적어도 하나의 프로세서가, 대상 모델에 적용되는 학습 데이터에 포함된 입력 벡터(input vector) 및 투영 행렬(projection matrix)에 대한 초차원 컴퓨팅(hyperdimensional computing, HDC)의 바인딩(binding)에 관한 제1 연산을 수행함으로써, 미리 결정된 레이블(lable)을 가지는 대상 하이퍼벡터(target hypervector)를 획득하고, 상기 대상 하이퍼벡터에 대해, 상기 초차원 컴퓨팅의 번들링(bundling)에 관한 제2 연산을 수행함으로써, 클래스 하이퍼벡터(class hypervector)를 결정하고, 상기 대상 하이퍼벡터 및 상기 클래스 하이퍼벡터에 기반하여, 상기 대상 모델의 오류 벡터(error vector)를 결정하고, 상기 투영 행렬과 동일한 차원을 가지는 하이퍼 행렬(hyper matrix)을 식별한 것에 기반하여, 상기 오류 벡터 및 상기 하이퍼 행렬을 통해 상기 투영 행렬의 업데이트를 수행하도록 야기하는 명령어들을 저장할 수 있다.
언어 모델을 이용한 로봇 제어 장치 및 방법이 개시된다. 언어 모델을 이용한 로봇 제어 장치에 있어서, 일 실시예에 따른 로봇 제어 장치는, 프로세서와, 상기 프로세서에 의해 실행 가능한 인스트럭션을 저장하는 메모리를 포함하고, 상기 프로세서는, 로봇의 위치 정보 및 시간 정보에 기초하여 제1 말뭉치 데이터(corpus data)를 생성하여 말뭉치 데이터베이스에 누적하고, 상기 말뭉치 데이터베이스에 누적된 말뭉치 데이터를 언어 모델에 입력함으로써 컨텍스트 정보를 생성하고, 상기 컨텍스트 정보 및 상기 제1 말뭉치 데이터를 상기 언어 모델을 통해 처리함으로써 상기 로봇의 사용자에게 서비스를 제공하도록 상기 로봇을 제어한다.
본 발명은 컴퓨팅 모듈로서, 연산부; 메모리; 입출력부(IO); 및 CAN 통신부를 포함하고, 상기 컴퓨팅 모듈의 용도에 따라서 이더넷 통신부를 더 포함한다. 또한, 상기 연산부는 단일 프로세서, 멀티 프로세서, 및 FPGA 중 어느 하나이다. 또한, 상기 연산부는 상기 메모리에 저장되어 있는 명령을 실행하고, 상기 명령은 운영 체계, 분산 운영 체계, 및 애플리케이션 컨테이너를 포함하고, 상기 운영 체계 상에서 상기 분산 운영 체계가 동작하고, 상기 분산 운영 체계 상에서 상기 애플리케이션 컨테이너가 동작한다. 또한, 상기 애플리케이션 컨테이너는 최종적으로 실행되는 애플리케이션을 저장하는 가상의 컨테이너로서, 상기 애플리케이션이 실행되기 위한 모든 변수를 포함하고 있으며, 상기 애플리케이션이 루트(root)에 단독으로 설치되어 있는 것과 같은 설치 환경을 제공한다.
단차 극복 기능을 갖는 캐스터 장치 및 이를 포함하는 운반 수단에 관해 개시되어 있다. 개시된 단차 극복 기능을 갖는 캐스터 장치는 제1 및 제2 프레임부를 포함하고 상기 제1 및 제2 프레임부에 각각 제1 및 제2 가이드홀이 형성된 프레임 부재, 상기 제1 및 제2 프레임부에 양측 부분이 고정되어 설치된 제1 샤프트, 상기 제1 및 제2 가이드홀에 양측 부분이 끼워져 상기 제1 및 제2 가이드홀을 따라 이동 가능하도록 설치된 제2 샤프트, 상기 제1 프레임부에 인접하여 배치된 것으로, 상호 이격된 제1-1 홀과 제2-1 홀을 구비하고, 상기 제1 샤프트가 상기 제1-1 홀에 끼워지고 상기 제2 샤프트가 상기 제2-1 홀에 끼워지도록 배치되는 제1 링크 플레이트, 상기 제2 프레임부에 인접하여 배치된 것으로, 상호 이격된 제1-2 홀과 제2-2 홀을 구비하고, 상기 제1 샤프트가 상기 제1-2 홀에 끼워지고 상기 제2 샤프트가 상기 제2-2 홀에 끼워지도록 배치되는 제2 링크 플레이트, 상기 제1 및 제2 링크 플레이트의 후측 영역에 체결되어 설치된 메인 바퀴 및 상기 제1 및 제2 링크 플레이트의 전방측 영역에 체결되어 설치된 것으로, 상기 메인 바퀴 보다 작은 직경을 갖고, 기본 배치 상태에서 상기 메인 바퀴의 하단 높이 보다 높은 하단 높이를 갖는 보조 바퀴를 포함할 수 있다.
로봇 구동 시스템은, 로봇에 구비된 복수의 센서로부터 측정된 복수의 시계열 센서 데이터를 인코딩하여 복수의 입력 고차원 벡터를 생성하는 인코더(Encoder), 각 시점에 대응하여 사용자로부터 입력 받은 로봇 구동 신호가 나타내는 제어 동작 신호가 라벨링된 상기 복수의 센서의 복수의 센서 정보를 포함하는 학습 데이터셋을 이용하여 대상 고차원 컴퓨팅(Hyperdimensional Computing, HDC) 모델을 복수의 로봇 동작 각각과 센서 정보가 매칭된 고차원 벡터를 생성하도록 학습시키는 모방 학습부, 및 상기 대상 HDC 모델의 학습이 완료되면, 상기 대상 HDC 모델로부터 생성된 복수의 대상 고차원 벡터와 상기 복수의 입력 고차원 벡터 간의 유사도를 분석하는 유사도 분석기를 포함하고, 상기 대상 HDC 모델은, 상기 유사도 분석 결과에 기초하여 상기 복수의 로봇 동작 중 상기 복수의 입력 고차원 벡터 각각에 대응하는 로봇 동작을 매치하여 복수의 동작 고차원 벡터를 생성할 수 있다.
분산형 로봇 제어 장치가 개시된다. 복수의 로봇을 분산형으로 제어하기 위한 분산형 로봇 제어 장치에 있어서, 일 실시예에 따른 분산형 로봇 제어 장치는, 제1 로봇으로부터 감지 가능 거리 내에 위치하는 하나 이상의 장애물을 감지하는 센서와, 상기 센서의 감지 결과에 기초하여 상기 제1 로봇이 이동하기 위해 사용하는 제1 경로를 생성하고, 상기 제1 로봇으로부터 통신 가능 거리 내에 위치한 제2 로봇으로부터 상기 제1 경로 중에서 적어도 일부의 경로를 공유하는 제2 로봇이 이동하기 위해 사용하는 제2 경로를 수신하고, 상기 제1 경로 및 상기 제2 경로에 기초하여 상기 제1 경로와 상기 제2 경로 사이의 교착 상태를 나타내는 데드락(deadlock)의 발생 여부를 판단하고, 상기 데드락의 발생 여부에 기초하여 상기 제1 경로 또는 상기 제2 경로 중에서 적어도 하나의 경로를 변경하는 프로세서를 포함한다.
자율주행 로봇의 SLAM을 구현하기 위한 장치 및 방법이 개시된다. 본 개시의 자율주행 로봇의 SLAM을 구현하기 위한 장치 및 방법은, 적어도 하나의 프로세서; 및 위치 정보를 포함하는 복수 개의 노드를 포함하는 복수 개의 경험 지도에 대한 정보를 포함하는 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 자율주행 로봇의 현재 위치에 대한 노드에 대해, 상기 자율주행 로봇의 다음 위치로 가능한 복수 개의 후보 노드들을 판단하도록 설정되고, 상기 복수 개의 후보 노드들 중에서, 상기 자율주행 로봇의 위치 추정시 가장 낮은 에러율을 가지는 후보 노드를 판단하도록 설정되고, 상기 가장 낮은 에러율을 가지는 후보 노드에 대해 상기 자율주행 로봇의 위치를 추정하도록 설정될 수 있다.
로봇 제어를 위한 데이터 처리 장치 및 방법이 개시된다. 로봇 제어를 위한 데이터 처리 장치에 있어서, 일 실시예에 따른 데이터 처리 장치는, 데이터를 저장하는 메모리와, 상기 메모리에 저장된 인스트럭션을 수행하는 프로세서를 포함하고, 상기 프로세서는, 센서 드라이버로부터 감지 결과를 수신하고, 복수의 모듈을 포함하는 로봇 제어 프로그램을 실행함으로써 상기 감지 결과에 따라 로봇을 제어하고, 상기 복수의 모듈 간의 데이터 전송을 처리하고, 상기 데이터의 처리에 의한 상기 메모리에 저장된 데이터의 변경에 응답하여 응답 신호를 생성한다.
이동형 로봇의 충전 스테이션 도킹 방법이 개시된다. 일 실시예에 따른 이동형 로봇의 충전 스테이션 도킹 방법은 이동형 로봇에 구비되는 라이다가 상기 이동형 로봇 주위의 지형 정보를 획득하는 단계, 상기 거리 및 각도 정보로부터 연속되는 점들을 군집화하여 클러스터를 형성하는 단계, 상기 클러스터로부터 상기 충전 스테이션의 위치를 결정하는 단계, 및 상기 충전 스테이션까지의 경로를 계산하는 단계를 포함할 수 있다.
일 실시예에 따른 자율 이동 로봇에 의해 수행되는, 객체 추적 방법이 개시된다. 일 실시예에 따른 객체 추적 방법은 상기 자율 이동 로봇의 주위 소정 영역에 대한 컬러 영상을 획득하는 단계, 레이저 센서를 통해 상기 소정 영역에 대한 스캐닝 정보를 획득하는 단계, 상기 스캐닝 정보에 기초하여 상기 소정 영역 내에서 움직이는 객체 대한 동적 객체 정보를 산출하는 단계, 상기 컬러 영상 정보 및 상기 동적 객체 정보에 기초하여, 추적 대상이 되는 타깃 객체와 상기 움직이는 객체 중 상기 타깃 객체를 제외한 논타깃 객체의 그리드 맵 내 위치 정보를 추정하는 단계 및 상기 위치 정보에 기초하여 상기 타깃 객체를 추적하는 단계를 포함할 수 있다.
클라우드 기반으로 가변 컨텍스트를 지원하는 적응형 서빙 로봇에 관해 개시되어 있다. 개시된 적응형 로봇은, 정보를 표시하거나 외부 정보를 입력 받는 전면부, 음식물이나 음식물이 담긴 쟁반이 놓이는 선반부 및 상기 적응형 서빙 로봇의 이동을 가능하게 하는 주행 유닛을 포함한다.
시뮬레이션을 통해 획득된 훈련 데이터를 이용하는 환경에서도, 높은 파지 성공률을 제공할 수 있는 로봇의 파지를 위한 학습 방법 및 훈련 데이터 생성 방법이 개시된다. 개시된 로봇의 파지를 위한 학습 방법은 가상 로봇이 가상 물체를 파지하는 시뮬레이션을 통해 획득되며, 상기 가상 로봇의 엔드 이펙터 및 상기 가상 물체가 포함된 시뮬레이션 영상을 입력받는 단계; 상기 시뮬레이션 영상에 대해 픽셀 수준의 도메인 적응(pixel-level domain adaptation)을 수행하여, 상기 시뮬레이션 영상에 대한 변환 영상을 생성하는 단계; 상기 변환 영상에 대한 특징 수준의 도메인 적응(feature-level domain adaptation)을 위해, 상기 변환 영상에 대한 특징 벡터를 생성하는 제1인공 신경망을 학습하는 단계; 및 상기 변환 영상 및 상기 제1인공 신경망을 이용하여, 실세계 로봇의 파지를 위한 강화 학습을 수행하는 단계를 포함한다.
음식물 서빙을 위한 서빙 로봇에 관해 개시되어 있다. 개시된 서빙 로봇은 음식물이나 음식물이 담긴 쟁반이 놓여지는 복수의 트레이, 상기 복수의 트레이가 수용되는 수용 공간을 제공하는 트레이 수납부, 상기 복수의 트레이 및 상기 수용 공간을 자외선을 이용해서 살균하도록 구비된 자외선 살균 부재, 상기 트레이 수납부 아래에 구비된 것으로 상기 트레이 수납부의 이동을 가능하게 하는 주행 유닛 및 상기 트레이 수납부의 외측에 구비된 것으로 적어도 음식물 서빙과 관련된 정보를 표시하기 위한 디스플레이 유닛을 포함할 수 있다. 상기 트레이 수납부는 지지 기둥부를 포함할 수 있고, 상기 지지 기둥부의 일측면에 상기 복수의 트레이가 상하로 상호 이격하여 설치될 수 있으며, 상기 트레이의 제1 단부가 상기 지지 기둥부에 고정되어 설치될 수 있다. 상기 자외선 살균 부재는 상기 트레이의 상기 제1 단부에 인접하게 구비된 제1 자외선 발광모듈 및 상기 트레이의 하면에 구비된 제2 자외선 발광모듈 중 적어도 하나를 포함할 수 있다.
이동 로봇의 사람 인식 및 추적 방법이 개시된다. 이동 로봇의 사람 인식 및 추적 방법은 상기 이동 로봇은 인식하여 추적할 사람을 학습시켜 하나의 가우시안 분포도를 생성하는 단계, 상기 이동 로봇은 카메라와 라이다 센서를 이용하여 그리드 맵을 생성하는 단계, 상기 이동 로봇이 상기 사람의 위치를 상기 그리드 맵에서 추정하는 단계, 및 상기 그리드 맵에서 추정된 사람의 위치에 따라 상기 이동 로봇은 상기 사람을 추적하는 단계를 포함하며, 상기 이동 로봇은 인식하여 추적할 사람을 학습시켜 하나의 가우시안 분포도를 생성하는 단계는 상기 이동 로봇은 서로 다른 시간에 상기 추적할 사람을 촬영하여 상기 추적할 사람이 포함된 복수의 제1이미지들을 생성하는 단계, 상기 이동 로봇은 RGB 컬러 모델로 표현된 상기 복수의 제1이미지들을 HSV 컬러 모델로 표현되는 복수의 제2이미지들로 변환하는 단계, 상기 이동 로봇은 상기 복수의 제2이미지들 각각에 포함된 상기 사람의 상의 영역에 대한 복수의 데이터들을 추출하는 단계, 상기 이동 로봇은 상기 추출된 복수의 데이터들을 이용하여 상기 추출된 사람의 상의 영역의 3D HSV 분포도를 생성하는 단계, 상기 이동 로봇은 상기 3D HSV 분포도에 가우시안 혼합 모델을 적용하여 복수의 가우시안 분포도들을 생성하는 단계, 및 상기 이동 로봇은 상기 복수의 가우시안 분포도들 ...(이하생략)
이동 로봇의 위치 추정 방법이 개시된다. 복수의 바퀴들, 상기 복수의 바퀴들 각각의 회전을 감지하여 각각의 감지 신호를 전송하는 복수의 엔코더들, IMU 센서, 메모리, 및 프로세서를 포함하는 이동 로봇의 위치 추정 방법은 상기 프로세서는 평상시 상기 복수의 엔코더들의 감지 신호들만을 이용하여 상기 이동 로봇의 위치를 추정하는 단계, 상기 프로세서는 상기 복수의 엔코더들과 상기 IMU 센서를 이용하여 외력 발생을 추정하는 단계, 상기 외력 발생이 추정될 때, 상기 프로세서는 상기 복수의 엔코더들을 이용하지 않고, 상기 IMU 센서에 의해 추정된 추정 신호만을 이용하여 상기 이동 로봇의 위치를 추정하는 단계, 및 상기 외력 발생이 종료될 때, 상기 프로세서는 상기 IMU 센서를 이용하지 않고 상기 복수의 엔코더들만을 이용하여 상기 이동 로봇의 위치를 추정하는 단계를 포함한다. 상기 외력 발생을 추정하는 단계는 상기 프로세서는 상기 복수의 엔코더들로부터 각각의 감지 신호를 수신하여 상기 이동 로봇의 제1헤딩 방향을 추정하는 제1추정 동작을 실행하는 단계, 상기 프로세서는 상기 IMU 센서에 의해 측정된 측정 신호를 수신하여 상기 이동 로봇의 제2헤딩 방향을 추정하는 제2추정 동작을 실행하는 단계, 상기 프로세서는 상기 제1헤딩 방향과 상기 제2헤딩 방향 사이의 각도를 계산하는 계산 동작을 실행하는 단계...(이하생략)
보다 향상된 파지 성공률을 제공할 수 있는 로봇의 파지 방법 및 이를 위한 학습 방법이 개시된다. 개시된 로봇의 파지 방법은 로봇의 엔드 이펙터 및 적어도 하나의 파지 물체를 포함하는 작업 공간 영상을 입력받는 단계; 복수의 분리 레벨 중에서 선택된 레벨에 따라서, 상기 작업 공간 영상으로부터 상기 엔드 이펙터 및 타겟 파지 물체가 포함된 타겟 영역 이외의 영역이 제거된 분리 영상을 생성하는 단계; 및 상기 분리 영상 및 미리 학습된 제1인공 신경망을 이용하여, 상기 타겟 파지 물체에 대한 상기 엔드 이펙터의 파지 자세를 결정하는 단계를 포함한다.
본 발명의 일 실시예에 따른 심층 신경망(deep neural network) 시스템의 데이터 처리 방법은 입력 데이터를 수신하는 단계, 복수의 가중치 레이어(weight layer)를 통해 입력 데이터를 처리함으로써 제1 중간(intermediate) 데이터를 생성하고, 입력 데이터에 선형 함수를 적용함으로써 제2 중간 데이터를 생성하는 단계, 및 제1 중간 데이터 및 상기 제2 중간 데이터를 합하는 단계를 포함한다. 여기서, 입력 데이터는 복수의 특징 맵(feature map)의 데이터를 포함한다.
본 발명의 일 실시예에 따른 자율 주행 장치의 자율 주행 방법은 자율 주행 장치의 전면 방향의 이미지를 촬영하는 것, 촬영된 이미지로부터 전방 이미지 및 바닥 이미지를 분리하는 것, 전방 이미지를 이용하여 상기 자율 주행 장치가 위치하는 장소를 추정하는 것, 바닥 이미지를 이용하여 자율 주행 장치의 위치를 추정하는 것 및 추정된 위치에 기초하여 주행 방향을 제어하는 것을 포함한다. 여기서, 전방 이미지 및 바닥 이미지를 분리하는 것은 촬영된 이미지로부터 검출된 직선 성분들을 이용하여 수행된다.
본 발명의 일 실시예에 따른 자율 주행 장치의 자율 주행 방법은 자율 주행 장치의 전면 방향의 이미지를 촬영하는 단계, 촬영된 이미지로부터 전방 이미지 및 바닥 이미지를 분리하는 단계, 전방 이미지를 이용하여 상기 자율 주행 장치가 위치하는 장소를 추정하는 단계, 바닥 이미지를 이용하여 자율 주행 장치의 위치를 추정하는 단계 및 추정된 위치에 기초하여 주행 방향을 제어하는 단계를 포함한다. 여기서, 전방 이미지 및 바닥 이미지를 분리하는 단계는 촬영된 이미지로부터 검출된 직선 성분들을 이용하여 수행된다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 22 of 22 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2023 | 2024 |
|---|---|---|
| Revenue | 1.3 | 1.1 |
| Cost of sales | 0.8 | 0.9 |
| Gross profit (loss) | 0.5 | 0.3 |
| Selling, general and administrative expenses | 8.7 | 9.4 |
| Operating income (loss) | (8.1) | (9.1) |
| Non-operating income | 0.2 | 1.4 |
| Other gains | 0.0 | 0.0 |
| Finance income | 0.2 | 1.4 |
| Non-operating expenses | 1.5 | 18.8 |
| Other losses | 0.0 | 16.1 |
| Finance costs | 1.5 | 2.6 |
| Profit (loss) before tax | (9.5) | (26.5) |
| Income tax expense | (0.5) | (0.2) |
| Net income (loss) | (9.0) | (26.4) |
Revenue ₩1.1bn, down 14.3% YoY.
Operating margin -819.5% (prior -625.3%).
Net income ₩-26.4bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.