모바일 엣지 컴퓨팅은 전통적인 클라우드 컴퓨팅의 지연(latency) 문제를 해결하기 위한 해법으로 제안되어 왔다. 특히 모바일 엣지 컴퓨팅은 안전을 위해 지연 없이 대량의 데이터를 처리해야 하는 자율주행과 같은 분야에서 필요하다. 실내 자율주행은 모바일 엣지 컴퓨팅 서비스 중 하나로서 주목받고 있다. 또한 실외 주행과 달리 실내 자율주행은 GPS 장치를 사용할 수 없기 때문에, 위치 인식에는 센서에 의존한다. 그러나 차량을 주행하는 동안 안전을 위해 외부 사건에 대한 실시간 처리와 오류의 보정이 요구된다. 더불어 자원 제약이 있는 모바일 환경이므로 효율적인 자율주행 시스템이 필요하다. 본 연구는 실내 환경에서의 자율주행을 위한 기계학습 방법으로 신경망 모델을 제안한다. 신경망 모델은 LiDAR 센서로 측정한 범위 데이터(range data)를 기반으로 현재 위치에 대해 가장 적절한 주행 명령을 예측한다. 입력 데이터 포인트의 개수에 따라 평가하기 위해 6개의 신경망 모델을 설계하였다. 또한 주행 및 학습을 위해 Raspberry Pi 기반의 자율주행 차량을 제작하고, 데이터 수집과 성능 평가를 위한 실내 원형 주행 트랙을 구성하였다. 마지막으로 혼동 행렬(confusion matrix), 응답 시간(response time), 배터리 소모(battery consumption), 주행 명령 정확도(driving command accuracy)를 기준으로 6개의 신경망 모델을 평가하였다. 아울러 신경망 학습을 적용했을 때, 입력 개수의 효과가 자원 사용에서 확인되었다. 본 결과는 실내 자율주행 차량에서 적절한 신경망 모델을 선택하는 데 영향을 미칠 것이다.

실시간으로 엣지 컴퓨팅이 제공할 수 있는 유망한 분야 중 하나는 자율주행이다. 완전 자율주행 차량은 실내 주차장과 같은 건물 내부 및 도로에서 다양한 센서와 통신 모듈을 활용하여 주행할 수 있다. 그러나 실내 주차장과 외부 세계 간 통신이 제한되어 있고, 현재 자율주행 차량은 모든 정보를 독립적으로 처리하는 데 필요한 실시간 성능 역량이 부족하므로, 실내 환경에서 완전 자율주행 차량을 위한 제어 방안을 개발할 필요가 있다. 본 연구에서는 엣지 클러스터 컴퓨팅에 기반한 자율주행 차량용 스마트 주차장을 제안한다. 스마트 주차장은 고정형 엣지와 이동형 엣지 차량으로 구성되며, 주차장 관리를 위해 그리드 맵을 사용한다. 스마트 주차의 성능을 평가하기 위해, 기존 주차 환경에서의 주차 시간과 이동 거리를 비교하였다. 또한 자원 비용과 데이터 전송 횟수를 분석하여, 효과적인 서비스 제공 및 유지보수를 위해 필요한 엣지의 수를 확인하였다.