[논문 리뷰] Digital Twins and Testbeds for Supporting AI Research with Autonomous Vehicle Networks

Anıl Gürses, Gautham Reddy외 8명|arXiv (Cornell University)|2024. 04. 01.

Digital Transformation in Industry인용 수 5

한 줄 요약

이 논문은 자율주행 차량 네트워크(AVN)에서 개발 환경의 비교(시뮬레이션, SITL 디지털 트윈, 샌드박스 HITL, 물리적 테스트베드)를 제시하고, 실세계 데이터로 보정된 SITL 기반 DT를 옹호하며, AERPAW 플랫폼에서 DT 기반의 AI 위치추정 사례 연구를 시연한다.

ABSTRACT

Digital twins (DTs), which are virtual environments that simulate, predict, and optimize the performance of their physical counterparts, hold great promise in revolutionizing next-generation wireless networks. While DTs have been extensively studied for wireless networks, their use in conjunction with autonomous vehicles featuring programmable mobility remains relatively under-explored. In this paper, we study DTs used as a development environment to design, deploy, and test artificial intelligence (AI) techniques that utilize real-world (RW) observations, e.g. radio key performance indicators, for vehicle trajectory and network optimization decisions in autonomous vehicle networks (AVN). We first compare and contrast the use of simulation, digital twin (software in the loop (SITL)), sandbox (hardware-in-the-loop (HITL)), and physical testbed (PT) environments for their suitability in developing and testing AI algorithms for AVNs. We then review various representative use cases of DTs for AVN scenarios. Finally, we provide an example from the NSF AERPAW platform where a DT is used to develop and test AI-aided solutions for autonomous unmanned aerial vehicles for localizing a signal source based solely on link quality measurements. Our results in the physical testbed show that SITL DTs, when supplemented with data from RW measurements and simulations, can serve as an ideal environment for developing and testing innovative AI solutions for AVNs.

연구 동기 및 목표

• 자율주행 차량 네트워크(AVN)에 대한 개발 환경의 비교 개요를 제공한다.
• 실시간 관찰을 활용한 디지털 트윈(DT)을 통해 AVN에서 AI 기법을 설계, 배포, 테스트하는 방법을 보여준다.
• 실세계 데이터로 보정된 DT가 물리적 테스트베드로의 전환을 가능하게 하는 엔드투엔드 워크플로우를 제시한다.
• DT+PT 접근법을 검증하기 위한 AERPAW 플랫폼 내의 구체적인 AI 보조 위치추정 사례 연구를 소개한다.

제안 방법

• AVN에서의 AI를 위한 시뮬레이션, 디지털 트윈(SITL), 샌드박스(HITL), 물리적 테스트베드 환경을 비교한다.
• DT가 PtV와 VtP 연결을 제공하는 방식으로 AVN 개발 주기를 설명한다.
• AERPAW의 DT 기반 연구 워크플로우의 구조와 동작을 설명한다.
• RW 데이터를 보정하여 DT 개발을 통해 AI 알고리즘의 현장 배치를 PT로의 배포까지의 사례 연구를 제시한다.

Figure 1 : DT assisted AVN technology development cycle from idea to RW deployment, including continuous refinement of DT through validation and tuning.

실험 결과

연구 질문

• RQ1 다른 개발 환경(시뮬레이션, DT SITL, 샌드박스 HITL, PT)이 AVN에서의 AI 개발에 대해 어떻게 비교되는가?
• RQ2 DT가 AVN의 비용을 줄이고 AI 개발을 가속하는 역할은 무엇인가?
• RQ3 RW 데이터를 사용해 DT를 보정하여 위치추정과 같은 AVN 작업의 AI 알고리즘을 개선할 수 있는가?
• RQ4 DT 기반의 개발 주기가 시뮬레이션에서 물리적 테스트베드로의 AI 솔루션 전환을 원활하게 할 수 있는가?
• RQ5 UAV/UAV 및 지상 차량 네트워크 실험을 위해 AERPAW DT를 사용하는 이점과 한계는 무엇인가?

주요 결과

• RW 데이터로 보정되고 시뮬레이션과 함께 보완될 때, DT가 PT만 사용하는 경우보다 AVN의 AI 개발을 가속할 수 있다.
• AERPAW는 DT 개발이 샌드박스 테스트에 선행하고 최종 PT 검증으로 이어지는 워크플로우를 시연하여 환경 간 소프트웨어의 원활한 전환을 가능하게 한다.
• DT 기반의 AI 위치추정 접근법(예: 입자 필터 및 CNN 기반 핑거프린팅)은 RW 데이터를 활용해 DT 전용 교육을 넘어 일반화 성능을 향상시킬 수 있다.
• RW 데이터 로그는 시뮬레이터와 DT 모델을 실제 RW 실험에서 관찰되는 깊은 페이딩과 비이상 채널 조건에 맞춰 조정하는 데 필수적이다.
• 연구는 SITL DT가 AVN AI 연구에 강력한 개발 환경임을 시사하며, 전적으로 PT 실험에 비해 확장성과 비용 이점을 제공한다.

Figure 2 : Interactions between PT , digital twin, sandbox, and simulation for experiment development and testing.