실시간 협력 인지 시스템을 위한 경량 프롬프트 해석기 PEARL
PEARL: A Lightweight Prompt-based Feature Interpreter Framework for Real-Time, Anonymous, and Heterogeneous Collaborative Perception
arXiv다양한 센서와 구조를 가진 자율주행차 간의 협력 인지(CP) 문제를 해결하는 경량 프롬프트 기반 해석기 'PEARL'을 개발했습니다.
- PEARL은 두 개의 경량 해석기를 병렬로 구동하여 실시간으로 최적 모델을 선택하며, 에이전트 설정 공유가 필요 없어 정보 보안성이 뛰어납니다.
- 시뮬레이션 및 실제 데이터셋에서 기존 대비 높은 정확도 향상(AP)을 보였으며, 통신 비용까지 획기적으로 절감하는 효율성을 입증했습니다.
- 본 프레임워크는 다양한 장비가 참여하는 이종(Heterogeneous) 협력 인지 시스템에 최적화되어 미래 모빌리티 분야의 핵심 기술로 활용 가능합니다.
협력 인지(CP) 간의 이질성(Heterogeneity)은 서로 다른 센서, 아키텍처, 훈련 데이터로 인해 발생하는 주요 과제입니다. 기존 연구들은 모델 재훈련이나 개별 해석기를 통해 이를 완화했지만, 이러한 방식들은 이웃 구성 요소에 대한 접근을 요구하거나 실시간 CP 배포에 적합하지 않으며, 실행 시간에 참여하는 새로운 에이전트에 대해서는 일반화 성능이 떨어지는 한계가 있었습니다.
PEARL은 이러한 문제를 해결하기 위해 개발된 기반의 경량 해석기(Prompt-Embedding framework)입니다. PEARL은 두 개의 경량 다중 스케일 해석기를 병렬로 구동하여 익명적이고 실시간적인 이종 CP를 지원합니다. 하나는 협력 탐지를 위해 주요 영역을 정렬하는 희소 탐지(LWSD) 해석기이며, 다른 하나는 에이전트 불변 특징을 생성하여 빠른 해석기 선택을 돕는 밀집/도메인 불변(LWDDI) 해석기가 역할을 합니다.
OPV2V, V2XSet 등 시뮬레이션 환경과 DAIR-V2X와 같은 실제 데이터셋에서 광범위하게 실험된 결과, PEARL은 실시간 모델 선택 전략만으로 무작위 선택 기준 대비 평균 정밀도(AP) 8.2% 향상을 달성했으며, 평균 1.67ms 만에 작동하는 효율성을 입증했습니다. 또한, 에이전트의 구성 정보나 모델 설정을 공유할 필요가 없어 개인정보 보호 측면에서도 이점을 제공합니다.
용어 풀이
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 프롬프트
- AI에게 주는 지시나 질문 글.
- 임베딩
- 글이나 이미지의 의미를 숫자 목록으로 바꾼 것. 의미가 비슷한 것을 찾을 때 써요.