계층형 AI 실증연구
실증 대상 : 내포지식산업센터 내 이동형 로봇
적용 분야 : 모빌리티(교통 객체인식·흐름 분석) / 재난안전(이상상황 탐지)
연구책임자
장기태 교수
01연구의 개요
연구 배경
- 이동형 로봇은 고정형 CCTV나 센서가 확인하기 어려운 구간을 직접 이동하며 데이터를 수집할 수 있어 지역 현장 실증에 적합한 AI 적용 대상
- 내포신도시는 연구소와 실증 공간이 인접해 데이터 수집·AI 분석·현장 적용 검토를 단계적으로 수행하기에 적합한 환경을 보유
연구 목적
- 연구소 GPU 서버를 Cloud AI 학습 인프라로, 이동형 로봇을 On-Device AI 실증 대상으로 설정하여 계층형 AI 구조를 제한된 범위에서 검증
02연구의 필요성
실증 범위 구체화
- 도시서비스 전반을 대상으로 하면 실증 대상과 데이터 범위가 넓어 성과 도출이 어려우므로, 이동형 로봇으로 대상을 한정해 데이터 수집부터 모델 적용까지 전 과정을 검증
계층별 필요성
- Cloud AI : GPU 서버 중심 학습환경으로 영상·센서 데이터를 축적하고 반복 학습을 통해 모델 성능을 고도화
- Edge AI : 현장 데이터를 1차 처리·선별해 전송 부담을 줄이고 Cloud–On-Device 간 연계 흐름의 작동 가능성 확인
- On-Device AI : 로봇 내부 경량 모델로 보행자·차량을 인식해 통신 지연과 외부 서버 의존을 줄이고 현장 대응성 향상
03연구 내용
| 연구 항목 | 주요 내용 |
|---|---|
| GPU 서버 기반 실증 환경 구축 | AI 모델 학습 인프라 마련, 연구 데이터 저장·관리 운영환경 구성, 실험 이력 및 결과물 관리체계 마련 |
| 계층형 AI 적용 가능성 검증 | GPU 서버를 Cloud AI 중심 인프라로 활용해 On-Device AI 연계 구조를 검토하고 현장 처리 환경의 기초 성능 확인 |
| 모빌리티 분야 모델 실증 | 교통 영상·이동 데이터 기반 객체인식 및 교통상황 분석 모델 학습과 성능 검증, 연산자원 소요량 정리 |
| 재난안전 분야 모델 실증 | CCTV 영상·센서·위치정보 기반 이상상황 탐지 및 위험요소 인식 모델 학습과 기초 성능 검증 |
| 데이터센터 활용모델 정립 | 연구용 소형 AI 데이터센터 운영 기준 마련, 데이터 보관·접근 기준 정리, 지역 AI 데이터센터 연계 가능성 정리 |
04연구 절차 및 결과 검증
단계별 추진 절차
- 1단계 연구환경 구축 및 데이터 준비 : GPU 서버 학습환경과 데이터 저장 체계 마련, 주행 경로·센서 구성 설정, 학습·검증·테스트 데이터 구분
- 2단계 AI 모델 학습 및 기초 성능 분석 : 객체 인식 모델과 이상상황 탐지 모델 학습, 정확도·재현율 산정 및 성능 안정성 분석
- 3단계 계층형 AI 적용성 실증 : 학습 모델을 Edge·On-Device 환경 실행 형태로 변환하고 경량화 모델과의 정확도·추론시간 비교
- 4단계 결과 종합 : 오탐지·미탐지 사례 분석으로 개선사항을 도출하고 후속 연구 방향과 확장 방안 제시
결과 검증 방법
- 연산 성능·저장 안정성 기준의 연구환경 적정성 확인, 실험 절차의 재현 가능성 점검
- 정확도·재현율과 오탐률·미탐률, 이벤트 발생 시점 대비 탐지 지연시간을 검증 지표로 사용
05기대효과
기술적 기대효과
- 연구소 내부에서 학습·추론 검증을 수행해 외부 연산환경 의존도를 낮추고 반복 실험의 안정성 제고
- 중앙 학습 모델을 현장형 처리 환경에 적용하는 절차를 검증하여 계층형 AI 구조의 기술적 실현 가능성 확인
경제적·산업적 기대효과
- 외부 클라우드 사용 부담을 줄이고 연구 데이터를 내부에서 관리해 장기적 운영 리스크 감소
- 교통 분석·위험 탐지 기술을 연구 단계에서 검증해 현장 실증으로 확장하고 지역 AI 인프라 연계 경험 축적