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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.