모바일 엣지 컴퓨팅 기반 실내 자율주행 제어용 신경망 모델 연구

Neural Network Models for Indoor Autonomous Vehicle Driving Control in Mobile Edge Computing

연구 내용

LiDAR 기반 실내 위치 범위 데이터를 입력으로 하여 엣지 컴퓨팅 환경에서 실내 자율주행 차량의 주행 명령을 예측하는 신경망 제어 연구

본 연구는 GPS가 제한된 실내 환경에서 자율주행 차량이 센서로 위치를 인식하고, 외부 이벤트를 실시간으로 처리하여 안전성을 확보하는 제어 방법을 다룹니다. 모바일 엣지 컴퓨팅 환경의 자원 제약을 고려하여 LiDAR로 취득한 범위 데이터를 신경망 입력으로 구성하고, 입력 데이터 포인트 수에 따른 모델 설계를 수행합니다. 라즈베리파이 기반 차량 구현과 실내 원형 주행 트랙 데이터 수집을 통해 응답 시간, 배터리 사용 양상, 주행 명령 정확도 등을 평가하며, 자원 사용과 제어 성능 간 균형을 도출합니다.

관련 프로젝트

0건

연구 흐름

초기 접근은 실내 자율주행에서 GPS 대신 LiDAR 범위 데이터를 사용해 현재 위치에 따른 주행 명령을 예측하는 신경망 제어 구조를 설정하는 데 집중되었습니다. 이후 라즈베리파이 기반 차량과 실내 주행 트랙을 구축하여 학습과 추론을 실제 구동 조건에서 반복 검증할 수 있도록 하였습니다. 최종적으로 입력 데이터 포인트 수 변화에 따른 모델 성능과 자원 사용 특성을 함께 평가하여, 실내 엣지 환경에서 적합한 신경망 선택 기준을 제시했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

실내 자율주행 제어 로직
LiDAR 기반 엣지 AI 추론
저지연 주행 명령 예측
엣지 컴퓨팅 제약 기반 로보틱스 제어
실내 이동 플랫폼 성능 평가
인도어 물류 운반 로봇 제어
실내 주행 시나리오 데이터셋 구축
배터리 제약 하 센싱·추론 최적화
주행 안전성 중심 모델 선택
모바일 엣지 배포용 제어 모델