[논문 리뷰] A Quantum-inspired Hybrid Swarm Intelligence and Decision-Making for Multi-Criteria ADAS Calibration

Sanjai Pathak, Ashish Mani외 1명|arXiv (Cornell University)|2026. 02. 04.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

결정자 루프가 포함된 양자 영감을 받은 하이브리드 스웜 인텔리전스(QiHSI) 프레임워크를 제시하여, ADAS 보정을 위한 다중 목표 살프 스웜 최적화에 양자 영감을 받은 메커니즘을 삽입한다.

ABSTRACT

The tuning of Advanced Driver Assistance Systems (ADAS) involves resolving trade-offs among several competing objectives, including operational safety, system responsiveness, energy usage, and passenger comfort. This work introduces a novel optimization framework based on Quantum-Inspired Hybrid Swarm Intelligence (QiHSI), in which quantum-inspired mechanisms are embedded within a multi-objective salp swarm optimization process to strengthen global search capability and preserve population diversity in complex, high-dimensional decision spaces. In addition, a decision-maker-in-the-loop strategy is incorporated to incorporate adaptive expert guidance, enabling the optimization process to respond dynamically to changing design priorities and system constraints. The effectiveness of QiHSI is assessed using established multi-objective benchmark problems as well as a practical ADAS calibration scenario. Experimental comparisons with several state-of-the-art evolutionary and swarm-based algorithms, including MSSA, MOPSO, MOEA/D, SPEA2, NSGA-III, and RVEA, show that the proposed method consistently produces well-distributed Pareto-optimal solutions with faster convergence and improved adaptability. These findings demonstrate that QiHSI offers a reliable and scalable approach for intelligent ADAS calibration, supporting the development of more responsive, efficient, and safety-oriented autonomous driving technologies.

연구 동기 및 목표

• 안전성, 반응성, 에너지 사용, 승객 편안함 등 ADAS 목표 간의 트레이드오프를 해결한다.
• 고차원 설계 공간에서 전역 탐색을 강화하고 모집단 다양성을 유지한다.
• 변경되는 우선순위와 제약에 대응하기 위해 적응형 전문가 지도를 통합한다.
• 표준 다객체 진화/스웜 알고리즘과 벤치마크한다.
• 실용적인 ADAS 보정 시나리오에의 적용 가능성을 입증한다.

제안 방법

• 전역 탐색과 다양성을 강화하기 위해 살프 스웜 최적화 프레임워크 내에 양자 영감을 받은 메커니즘을 삽입한다.
• 최적화 우선순위와 시스템 제약을 조정하기 위해 결정자-루프를 통합한다.
• 확립된 다객체 벤치마크와 실제 ADAS 보정 시나리오에 대해 평가한다.
• MSSA, MOPSO, MOEA/D, SPEA2, NSGA-III, 및 RVEA와 성능을 비교한다.
• 개선된 적응성을 갖춘 잘 분포된 파레토 최적 해의 생성을 보여준다.

실험 결과

연구 질문

• RQ1 다중 기준 ADAS 보정에서 QiHSI가 다양한 Pareto 최적 해 세트를 생성하는 데 어떻게 성능을 발휘하는가?
• RQ2 양자 영감 강화가 전통적인 스웜/진화 방법에 비해 수렴 속도와 다양성을 향상시킬 수 있는가?
• RQ3 변경되는 설계 우선순위에 최적화를 얼마나 잘 적응시키는지에 대한 결정자-루프의 효과는 무엇인가?
• RQ4 벤치마크 다객체 문제와 실제 ADAS 작업에서 QiHSI가 최첨단 알고리즘과 어떻게 비교되는가?

주요 결과

• QiHSI는 일관되게 잘 분포된 Pareto 최적 해를 산출한다.
• QiHSI는 여러 최첨단 알고리즘에 비해 더 빠른 수렴과 향상된 적응성을 달성한다.
• 이 프레임워크는 확립된 다객체 벤치마크와 실제 ADAS 보정 시나리오 모두에서 효과적이다.
• 실험적 비교에서 MSSA, MOPSO, MOEA/D, SPEA2, NSGA-III, 및 RVEA에 비해 우위를 보인다.
• 이 방법은 더 반응적이고 효율적이며 안전 지향적인 자율주행 기술 개발을 지원한다.