강화학습 기반 엣지 오프로딩과 실시간 비디오 처리 연구
Reinforcement Learning for Edge Offloading and Real-Time Video Processing
연구 내용
엣지 서버 선택과 프레임 처리 결정을 강화학습으로 수행하여 비디오 처리의 종단 지연을 낮고 네트워크 안정성을 유지하는 연구
모바일 및 엣지 환경에서 DNN 기반 비디오 처리의 계산 부담을 로컬과 엣지 간에 분배하고, 프레임 단위 의사결정을 통해 지연을 관리합니다. spatiotemporal 특성을 반영하기 위해 LSTM과 graph neural network를 결합한 상태 임베딩을 구성하고, 단일 상태 관측에서 다중 행동을 선택하며 학습 환경과 다른 네트워크에서도 정책을 적응시키는 방향을 사용합니다. 또한 Lyapunov optimization으로 네트워크 흐름 제어를 보장하고, 그 제어 신호를 행동 공간 가이드로 활용해 프레임 드롭과 객체 검출 성능을 함께 고려하는 설계를 수행합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
시작 단계에서는 분산 컴퓨팅 환경에서 DNN 추론 작업의 스케줄링을 DRL로 수행해 종단 지연을 낮추는 접근을 제시했습니다. 이후 비디오 프레임 변환을 대상으로 로컬 처리와 엣지 처리 선택을 DRL로 학습하는 연구로 확장되었습니다. 이어서 네트워크의 공간 상관성과 시간 상관성을 반영하는 LSTM 및 그래프 기반 상태 임베딩을 도입해 학습 오버헤드와 적응성을 동시에 고려했습니다. 최근에는 Lyapunov-guided RL 구조로 네트워크 안정성을 보장하면서 객체 검출을 위한 프레임 드롭 전략과 지연을 함께 제어하는 방식으로 발전했으며, 실제 RC 차량의 실시간 스트림 처리 적용을 포함합니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
- 실시간 비디오 객체 검출 파이프라인
- 프레임 레이트 제어 및 프레임 드롭 정책
- 엣지 서버 선택 기반 오프로딩
- 지연-정확도 트레이드오프 최적화
- 피드백 지연 강건형 오프로딩 정책
- 네트워크 안정성 보장 스케줄링
- 모바일 AR/VR 추론 지원
- 산업용 비전 스트리밍 분석
- 차량 탑재 비디오 인식 모듈
- 엣지-클라우드 비디오 처리 분배 시스템
관련 논문
구분
제목
Deep reinforcement learning based edge computing for video processing
Reducing DNN inference latency using DRL
Distributed Computation of DNN via DRL With Spatiotemporal State Embedding
Joint Frame Drop and Object Detection Task Offloading for Mobile Devices via RL With Lyapunov Optimization