자율주행 차량 발전을 위한 준비된 분산 네트워크

분산 인텔리전스 네트워크는 자율주행 자동차를 더 똑똑하고 안전하게 만들 수 있는 열쇠가 될 수 있습니다. 많은 사람들이 이 차량을 미래의 이동 수단으로 보고 있습니다. 그러나 제조업체와 규제 기관이 해결해야 할 몇 가지 문제가 여전히 존재합니다.

자율주행 차량은 근본적으로 센서와 기타 데이터를 활용해 경로를 유지하고 장애물을 피하며 승객을 안전하게 목적지까지 이동시킵니다. 이러한 센서에는 LiDAR, 레이더, 열영상 및 기타 첨단 시스템이 포함될 수 있습니다. 모든 시스템은 향후 차량 성능을 향상시키는 데 활용될 수 있는 데이터 흔적을 생성합니다.

연합 학습

제조업체가 차량의 자율주행 성능을 향상시키기 위해 찾은 한 방법은 연합 학습이라고 하는 시스템을 사용해 데이터를 공유하도록 하는 것입니다. 연합 학습(FL)은 개별 차량이 로컬에서 모델을 학습하고 모델 업데이트만 중앙 서버와 공유하는 분산 머신러닝 접근 방식입니다. 이 방식은 원시 센서 데이터를 차량 내부에 보관함으로써 데이터를 중앙 서버로 전송하지 않아도 되어 프라이버시를 보호합니다. 이러한 데이터는 생태계를 위한 공유 모델을 학습하는 데 사용됩니다.

연합 학습의 문제점

연합 학습 시스템의 주요 문제는 서버와 직접 연결이 필요하다는 점입니다. 전기차를 많이 운행한다면, 위치에 따라 인터넷 연결이 불안정해질 가능성이 높습니다. 이러한 상황은 차량이 업데이트를 놓치는 원인이 될 수 있습니다.

출처 – Teslaroti

분산 연합 학습 (DFL)

분산 연합 학습(DFL) 시스템은 차량이 피어투피어 통신을 통해 AI 모델을 직접 교환함으로써 중앙 서버에 대한 의존성을 없앱니다. 이러한 시스템은 수집된 데이터를 차량 간에 직접 전달할 수 있습니다. 이 설정은 공유를 확대하지만, 여전히 차량이 네트워크에서 제외될 수 있는 몇 가지 문제가 존재합니다.

첫째, 시스템이 제대로 작동하려면 귀하의 차량이 다른 연합 학습 네트워크 차량과 마주쳐야 합니다. 넓은 지역이나 혼잡한 도시에서는 서로 마주칠 가능성이 크게 줄어들어, 차량 데이터가 다른 차량에 전달되기 전에 오래되고 구식이 될 수 있습니다. 또한, 이러한 시스템은 제한된 상호작용을 통해 개인이 수집한 데이터만 전송합니다.

프라이버시 우려

분산 연합 학습 시스템의 또 다른 주요 문제는 프라이버시 우려입니다. 중앙 서버가 있으면 개인 또는 민감한 데이터에 대한 주요 책임자를 쉽게 파악할 수 있습니다. 그러나 분산 네트워크에서는 책임이 개인에게 넘어갑니다. 이러한 구조는 프라이버시 침해나 오용에 대한 우려를 불러일으키고 있습니다.

분산 인텔리전스 네트워크 연구

엔지니어 팀은 이러한 네트워크가 직면한 문제에 대한 새로운 해결책인 캐시된 분산 연합 학습(Cached-DFL)을 소개했습니다. 향상된 차량 데이터 공유 시스템은 올해 인공지능 진보 협회(Association for the Advancement of Artificial Intelligence) 컨퍼런스에서 공개되었습니다.

엔지니어들은 모든 차량이 자유롭게 데이터를 서로 전달할 수 있다는 점에서 소셜 미디어와 유사한 전기차(EV) 데이터 공유 방식을 제시했습니다. Cached-DFL 접근 방식은 최적 조건에서 최대 100미터까지 가능한 고속 디바이스 간 통신을 활용합니다. 그러나 실제 효과는 차량 속도, 환경 간섭, 연결 안정성 등 요인에 따라 달라집니다. 고속으로 반대 방향으로 이동하는 차량은 데이터 교환을 위한 짧은 시간만 가질 수 있습니다. 이 접근 방식은 차량이 변화하는 도로 상황, 위험 요소 및 기타 제한에 대비하는 능력을 향상시킬 것입니다.

캐시된 분산 연합 학습 (Cached-DFL)

캐시된 분산 연합 학습(Cached-DFL) 개념은 간헐적인 연결이 회피되는 것이 아니라 기대되는 네트워크 구축에 초점을 맞춥니다. 이 접근 방식의 일환으로 엔지니어들은 각 차량이 사용 가능한 경우 독립적으로 데이터를 저장하고 전달할 수 있도록 보장했습니다.

각 차량은 이 설정에서 자체 AI 모델을 학습합니다. AI 모델의 데이터에는 도로 상태, 신호 및 장애물과 같은 중요한 세부 정보가 포함됩니다. 그런 데이터는 차량이 전송 범위에 들어오면 자동으로 다른 차량에 전달됩니다.

다중 홉 전송 메커니즘

각 차량은 이 설정에서 중계 역할을 합니다. 차량은 자체 데이터와 함께 차량 간에 전달되는 10개의 외부 모델을 저장합니다. 시스템이 원본 데이터를 전달하는 것이 아니라 학습된 AI 모델을 전달한다는 점을 강조하는 것이 중요합니다. 이러한 전략은 성능을 향상시킵니다.

특히, 차량이 상호 작용할 때 최신 AI 모델을 공유합니다. 이 접근 방식의 일환으로, 성능 저하가 발생하기 전에 모든 오래된 정보가 제거됩니다. 구체적으로, 시스템은 고정된 20초 간격이 아니라 차량 만남을 기반으로 업데이트를 수행하며, 최신 AI 모델을 우선시합니다. Cached-DFL은 일반적으로 10 또는 20 epoch로 설정되는 신선도 임계값(τmax)을 사용해 구식 모델을 폐기하고 분산 학습의 관련성을 유지합니다.

다른 차량으로부터 학습

이 시스템의 주요 장점은 차량이 다른 차량의 만남을 통해 학습할 수 있게 한다는 점입니다. 또한, 이 전략은 네트워크 전체에서 관련 데이터를 공유하는 속도를 향상시킵니다. 현재 네트워크의 간헐적 상태를 고려하여 운전자는 즉각적인 상호작용을 넘어선 데이터에 접근할 수 있습니다.

분산 인텔리전스 네트워크 테스트

연구팀은 컴퓨터 시뮬레이션을 활용해 이론을 테스트했습니다. 엔지니어들은 가상 맨해튼을 구축하고 디지털 전기차(EV)를 다양한 경로로 주행하도록 설정했습니다. 차량 속도는 초당 14미터였습니다. 흥미롭게도, 시뮬레이션은 각 교차점에서 모든 차량이 무작위로 50/50 선택을 하도록 설계되었습니다. 이 접근 방식은 각 차량이 고유한 모델을 생성하고 공유할 수 있게 했습니다.

분산 인텔리전스 네트워크 테스트 결과

테스트 결과는 이 시스템이 향후 전기차(EV)를 어떻게 개선할 수 있는지에 대한 통찰을 제공했습니다. EV 모델을 생성하는 데 사용되는 데이터의 정확성과 시의성, 그리고 데이터가 생성·공유되는 방식에 영향을 미치는 다양한 요인이 존재함을 보여주었습니다.

테스트는 차량 간 만남이 많을수록 성능이 향상된다는 것을 보여주었습니다. 또한, 이 시스템이 사유 전기차 대규모 네트워크 전반에 시의적절한 데이터를 공유하는 데 이상적임을 입증했습니다. 팀은 속도, 캐시 크기, 모델 만료와 같은 핵심 데이터가 학습 효율에 영향을 미친다는 점을 확인했습니다.

분산 인텔리전스 네트워크의 이점

Cached-DFL 접근 방식에는 많은 이점이 있습니다. 첫째, 데이터 전파 측면에서 훨씬 효율적입니다. 연구원들은 이전 시스템이 차량이 수주 동안 구식 모델을 사용하게 되는 것과 달리, 시뮬레이션에서 대부분의 차량이 시의적절한 모델을 보유하도록 보장했습니다.

이 시스템은 자율주행 차량이 집단적으로 학습하고 서로에게 더 나은 운전 기술을 가르칠 수 있는 신뢰할 수 있는 경로를 제공합니다. 차량이 100% 가동 시간을 보장하지 못한다는 사실을 고려하므로 실제 환경에 이상적으로 적용될 수 있으며, 제조업체가 차량군을 더 빠르게 프로그래밍하는 데 유용한 도구가 될 수 있습니다.

데이터 공유

분산 네트워크의 이점과 최대 10개의 AI 모델을 공유·저장할 수 있는 능력의 결합은 게임 체인저입니다. 이를 통해 모델이 네트워크를 통해 간접적으로 이동하여 모든 차량이 가장 중요한 데이터에 접근할 수 있게 합니다. 또한, 시스템은 다양한 지역에서 파생된 모델 간의 가장 관련성 높은 정보를 자동으로 우선순위화하여 그 유용성을 높입니다.

오픈 데이터

이 연구의 또 다른 주요 이점은 데이터를 Github 파일을 통해 모두에게 공개하기로 한 결정입니다. 이 결정은 혁신을 촉진하고 다른 연구자들이 연구 결과를 향상시킬 수 있게 합니다. 엔지니어들은 예제, 테스트, 캐시 파일, 기술 보고서 등을 찾아볼 수 있습니다.

분산 인텔리전스 네트워크 적용 분야

이 기술은 전기차 분야를 넘어 광범위한 적용 가능성을 가지고 있습니다. 자율주행 차량이 있는 모든 곳에서 이 기술은 변화를 가져올 것입니다. 연구자들이 조사한 주요 분야로는 드론, 로봇, 위성이 포함됩니다.

분산 인텔리전스 네트워크 연구자

Cached-DFL 연구는 NYU 소속 엔지니어 팀이 Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li, Houwei Cao가 이끌어 발표했습니다. 특히, 이 그룹은 다수의 국립 과학 재단(NSF) 지원금과 Resilient & Intelligent NextG Systems (RINGS) 프로그램의 재정 지원을 받았습니다.

자율주행 차량 기술 경쟁을 선도하는 기업

자율주행 차량을 도로에 보급하려는 경쟁이 활발히 진행 중입니다. 제조업체들은 매년 완전 자율주행 차량에 점점 가까워지고 있습니다. 그러나 이 거대한 과제는 많은 자원, 기술, 그리고 방대한 공급망을 필요로 합니다. 따라서 현재 시장을 장악하고 있는 핵심 기업은 소수에 불과합니다. 다음은 자율주행 혁신을 이끌고 있는 기업 중 하나입니다.

Uber Technologies, Inc.

Uber (UBER )는 2009년에 시장에 진입했으며 캘리포니아 주 샌프란시스코에 본사를 두고 있습니다. 이는 유명세를 얻은 최초의 분산형 라이드셰어링 앱이었습니다. 앱의 창립자는 Oscar Salazar Gaitan, Travis Kalanick, Garrett Camp이며, 분산형 라이드셰어링 경제에 대한 비전은 시장을 영원히 변화시켰습니다.

Uber를 떠올릴 때, 첫 번째 생각은 로봇 택시가 아닐 것입니다. 대신, 개인 차량을 탄 사람이 당신에게 차를 태워주는 모습을 상상하겠죠. 그러나 앞으로는 상황이 달라질 수 있습니다. Uber는 Waymo와 같은 선도 혁신 기업과 파트너십을 구축하고 지원하며, 자율주행 차량 기술의 가장 큰 후원자 중 하나이기 때문입니다.

회사는 이미 여러 도시에서 자율주행 Uber 차량을 테스트용으로 도로에 투입했으며, 텍사스 주 오스틴에서의 최신 사업도 포함됩니다. 이 접근 방식의 일환으로, 회사는 Alphabet 소유의 Waymo와 파트너십을 맺어 오스틴 지역 Uber 고객이 추가 비용 없이 자율주행 Jaguar I-PACE 전기 SUV로 업그레이드할 수 있도록 했습니다.

오늘날 Uber는 라이드셰어링 시장을 장악하고 물류, 음식 배달 등 다른 분야로도 사업을 확장했습니다. 현재 회사는 31,100명 이상의 직원을 고용하고 있습니다. 많은 투자자들은 Uber의 포지셔닝, 역사, 혁신적인 정신 때문에 포트폴리오에 현명한 추가 요소로 보고 있습니다.

Uber Technologies, Inc. 최신 소식

분산 인텔리전스 네트워크 – 미래 여행을 구동하다

스마트 자동차에는 스마트 시스템이 필요합니다. 따라서 향후 몇 달·몇 년 동안 분산 인텔리전스 네트워크에 대한 수요가 증가할 것입니다. 이러한 시스템은 차량이 자율주행 능력을 향상시키고, 스스로 성능을 개선하며, 더 멀리 나아가고, 다른 차량에 유용한 데이터를 제공하도록 합니다.

다른 머신러닝 프로젝트에 대해 알아보세요 지금

연구 참고문헌:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). 모바일 에이전트에서 모델 캐싱을 이용한 분산 연합 학습 [학술대회 논문]. Association for the Advancement of Artificial Intelligence Conference. 출처 https://arxiv.org/abs/2408.14001v2}