파운데이션 모델은 뛰어난 소수 샷 학습과 데이터 생성 능력을 가진다. 우리는 이를 활용하여 최소한의 실제 데이터로 자동 유도 차량(Automated Guided Vehicle, AGV) 비례–적분–미분(Proportional–Integral–Derivative, PID) 제어기를 적응적으로 튜닝한다. 우리의 소수 샷 전이 학습 전략은 새로운 조건에서 요구되는 지루한 시행착오 기반 재튜닝을 해결한다. 초기 AGV 데이터로 앙상블 회귀 모델을 학습한 뒤, 사전 학습된 파운데이션 모델을 사용하여 소수의 신규 시행으로부터 합성 제어 샘플을 생성하고 이를 통해 데이터셋을 증강한다. 이렇게 결합된 실제 및 합성 데이터로 앙상블을 파인튜닝하면 시나리오가 변화하는 동안 효과적인 비례–적분(Proportional–Integral, PI) 이득에 신속히 수렴하면서도 정밀하고 안정적인 주행을 보장한다. 실제 자동 유도 차량(AGV) 시험 결과, 다양한 속도에서 견고한 추종 성능을 확인하였고, 수동 재튜닝 노력을 감소시켰다. 측면 추종 Root Mean Square Error(RMSE)는 몇 차례의 적응 사이클 동안 20 m/min에서 1.17 m에서 0.71 m로 감소하였다. 오프라인에서는 생성적 사전학습 트랜스포머(Generative Pre-trained Transformer, GPT) 기반 학습이 5–25 m/min 구간에서 높은 예측 정확도(R 2 > 0.90)를 유지하는 반면, 실제 로그만으로 학습한 경우 고속 영역에서 R 2가 약 0.33으로 저하되었다. 생성형 AI와 고전적 제어를 결합한 본 접근은 새로운데, 광범위한 데이터가 필요하거나 수동 조정이 요구되는 기존 방법들과 달리, 우리는 소수 샷 측정과 최소 시행만으로 적응 성능을 구현하기 위해 인공 지능(AI)이 합성한 데이터를 활용한다.

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