혁신적인 AI 기반 자율주행: 주문 배달과 모델 학습의 조화

Bokeng Zheng 등의 연구팀은 AI 기반 자율주행 차량이 주문 배달과 동시에 기초 모델 미세 조정을 수행하는 온라인 프레임워크를 제시했습니다. 다중 에이전트 강화 학습(MARL)과 그래프 신경망(GNN)을 결합하여 공간-시간적 이질성을 극복하고, 새로운 QoS 지표를 통해 두 과제의 균형을 맞추는 데 성공했습니다. 뉴욕시 택시 데이터를 활용한 실험 결과는 제안된 방법의 우수성을 보여줍니다.

AI 기반 자율주행의 새로운 지평: 주문 배달과 모델 학습의 완벽한 조화

최근 인공지능(AI), 특히 기초 모델(FM)의 발전은 스마트 도시를 중심으로 도시 생활의 혁신을 주도하고 있습니다. 이러한 흐름 속에서 차량 크라우드센싱(VCS)은 차량의 이동성과 센서 기능을 활용하여 중요한 역할을 수행하고 있습니다. 특히 승차 공유 차량은 자원 제약에도 불구하고 유연한 데이터 수집을 가능하게 하여 도시 정보화에 기여할 수 있습니다.

Zheng 박사 연구팀은 이러한 가능성에 주목하여, 엣지 지원 차량이 다양한 도시 데이터를 활용하여 주문 배달과 기초 모델 미세 조정이라는 두 가지 과제를 동시에 수행하는 혁신적인 시나리오를 제시했습니다. 하지만 주문 배달과 데이터 기반 모델 학습은 공간적, 시간적으로 상이한 특징을 가지고 있어 통합이 어렵습니다. 주문의 위치와 데이터 수집 지점(POI)의 분포가 일치하지 않을 수 있으며, 시간적 영향도 다릅니다. 주문은 대기 시간이 길어지면 무효화되지만, 데이터는 시간이 지날수록 유용성이 감소합니다.

이러한 어려움을 극복하기 위해 연구팀은 다중 에이전트 강화 학습(MARL) 기반의 새로운 온라인 프레임워크를 제안했습니다. 새로운 QoS(Quality-of-Service) 지표를 설계하여 데이터 양과 오래됨의 영향 하에서 두 가지 과제의 유용성을 균형 있게 평가합니다. 또한 그래프 신경망(GNN) 을 MARL과 통합하여 차량 간, 위치 간의 시간에 따라 변화하는 그래프 구조적 의존성을 포착함으로써 상태 표현을 향상시켰습니다. 뉴욕시 택시 주문 데이터셋을 활용한 실험 결과는 제안된 방법의 우수성을 입증했습니다.

이 연구는 AI 기반 자율주행 기술의 발전에 크게 기여하며, 스마트 도시 구축을 위한 새로운 가능성을 제시한다는 점에서 매우 고무적입니다. 앞으로 이러한 기술이 실제 도시 환경에 적용되어 효율적인 자원 관리와 도시 서비스 개선에 기여할 수 있기를 기대합니다.