[논문 리뷰] LSAI: A Large Small AI Model Codesign Framework for Agentic Robot Scenarios

Longyu Zhou, Supeng Leng외 2명|arXiv (Cornell University)|2026. 03. 23.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

동적인 환경에서 sensing 정확도 향상과 협력 지연 감소를 위해 주의 기반 집계와 적응 분할로 에지에서 학습된 소형 모델과 대형 에지 모델을 결합하는 에이전트 로봇용 대–소 AI 모델 코드설계 프레임워크(LSAI)를 제안한다.

ABSTRACT

The development of Artificial Intelligence (AI) has enabled agentic robots an appealing paradigm for various applications, such as research and rescue in complex environment. In this context, the next wireless communication technology facilitates robot cooperation for efficient environment sensing and exploration. However, traditional AI solutions cannot always provide reasonable resource utilization decisions, which makes it challenging to achieve both accurate and low-latency research and rescue. To address this issue, we propose a, LSAI, a large small AI model codesign framework to achieve highly accurate and real-time robot cooperation with deep interaction between large AI model and small AI model. We first propose an attention-based model aggregation for LAI construction. It can assist agentic robots in accurately sensing physical environments. Next, we design an adaptive model splitting and update algorithm to enable the robots to perform accurate path planning for high-efficiency environment sensing with low energy consumption. Finally, we demonstrate the effectiveness of our proposed LSAI framework. The simulation results indicate that our solution achieves sensing accuracy of up to 20.4% while reducing sensing cooperation latency by an average of 17.9% compared to traditional AI solutions.

연구 동기 및 목표

• 제약된 자체 탑재 자원으로 동적 환경에서 다중 로봇 감지 및 경로 계획의 개선을 목표로 한다.
• 실시간으로 에지에서 구축된 대형 모델과 결합된 소형 탑재 모델을 결합해 에너지 효율적인 협력 감지를 가능하게 한다.
• 정확도와 반응성을 높이기 위해 주의 기반 모델 집계와 적응형 LAI/SAI 분할을 설계한다.

제안 방법

• 말단 SAI 모델 계층, 에지 LAI 모델 계층, 그리고 LSAI 모델 코드설계 계층의 3계층 LSAI 프레임워크를 도입한다.
• 업로드된 SAI 매개변수에서 LAI를 구성하기 위해 주의 기반 모델 집계를 사용하여 업데이트의 가중치를 적응적으로 조정한다.
• 로봇의轨迹에 맞춘 대형 모델 매개변수를 조정하는 적응형 LAI 분할 알고리즘을 개발하여 효율적인 경로 계획을 가능하게 한다.
• 로컬 SAI 모델과 LAI 하위모델을 결합하는 뉴럴 네트워크 융합 기반 모델 업데이트를 제안하여 온라인 경로 조정을 가능하게 한다.
• SAI 모델에 대해 DDPG 기반 학습 및 엣지에서의 로컬 학습, 집계 및 융합의 반복 라운드를 도입한다.
• sensing accuracy, 경로 계획 효율성, 시스템 지연에 대한 메트릭을 포함한 Gazebo 기반 3 km x 3 km 로봇 구조 구조 구출 시나리오로 평가한다.

실험 결과

연구 질문

• RQ1 대–소 AI 모델 코드 설계 프레임워크가 다중 로봇 탐사를 위한 sensing 정확도와 의사결정 지연을 향상시킬 수 있는가?
• RQ2 주의 기반 집계와 적응형 LAI 분할이 다양한 로봇 수에서 견고하고 에너지 효율적인 협력 감지를 제공할 수 있는가?
• RQ3 terminals에서 SAI를 결합하고 엣지에서 LAI를 통해 중앙 집중형 또는 분산형 기준선에 비해 sensing 정확도 및 경로 계획 효율성의 개선이 얼마나 되는가?

주요 결과

• LSAI는 로봇 규모에 따라 센싱 정확도에서 중앙 집중형 대형 모델 및 분산 소형 모델 기준선보다 우수하다.
• LSAI 하에서 로봇 수가 증가해도 경로 계획 효율성은 가장 높은 상태를 유지하며 감소 폭이 가장 작다(평균 약 0.936 vs 기준선의 0.822 및 0.746).
• LSAI에서 시스템 지연은 규모에 따라 일관되게 최저이며 평균 약 13분 vs 기준선의 약 20.2분 및 24.6분이다.
• 주요 업데이트를 강조하고 모델 집계 중 신뢰할 수 없는 업데이트를 완화하는 주의 기반 LAI 구성.
• 적응형 LAI 분할은 에너지 의식적이고 충돌 회피 경로 조정을 가능하게 하는 맞춤형 하위모듈을 생성한다.
• 뉴런 네트워크 융합 기반 SAI 업데이트는 실시간 경로 최적화를 제공하면서 통신 오버헤드를 감소시킨다.