Onboard AI 기반 차량용 이더넷 환경에서의 실시간 비디오 스트리밍 전송 안정성 향상 연구
An Onboard AI-based Approach for Robust Live Video Streaming over Automotive Ethernet
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 커넥티드 및 자율주행차량과 소프트웨어 정의 차량의 발전으로 차량 내 전자제어장치의 수가 급격히 증가함에 따라, 차량 내 네트워크는 도메인 기반 구조에서 존(Zonal) 기반 구조로 전환되고 있다. 이러한 변화 속에서 차량용 이더넷은 기존 차량용 네트워크 기술의 대역폭 한계를 극복하고 높은 확장성을 확보할수 있는 기술로 주목받고 있다. 그러나 전자제어장치의 연산 자원은 여전히 제한적이기 때문에, 실시간 비디오 데이터와 같은 고대역폭 데이터를 안정적으로 전송하기 위한 효율적인 자원 관리 기술이 필요하다. 이에 본 연구에서는 가용 연산 자원에 따라 전송 데이터의 최대 크기를 동적으로 조절하는 인공지능 모델인 ARM-Net(Adaptive Resource Management Network)를 제안하였다. ARM-Net은 MLP 기반 경량 구조로 설계되어 처리 효율을 높이면서 저지연성을 실현하였으며, 학습 결과 은닉층의 크기가 256 이상일 때높은 정확도를 보이고 양자화 적용 후에도 99% 이상의 분류 정확도를 유지하였다. 테스트베드의 실험 결과는 부하 시나리오별 상황에서 전체 전송 시간 중 60% 이상에서 가용 CPU 자원을 안정권 내에 유지함으로써, 수동 제어 방식과 동등한 수준의 전송 안정성을 확보할 수 있음을 보였다.
Abstract
The rapid growth of Connected and Autonomous Vehicles and Software-Defined Vehicles (SDVs) has led to a significant increase in the number of Electronic Control Units (ECUs), driving the transition of In-Vehicle Networks (IVNs) from domain-based to zonal architectures. In this context, Automotive Ethernet (AE) has emerged as a key technology to overcome the bandwidth limitations of conventional in-vehicle communication systems and to provide high scalability. Nevertheless, since the computational resources of ECUs remain limited, efficient resource management technologies are required to ensure the stable transmission of high-bandwidth data such as live video streaming. In order to address this issue, we propose ARM-Net (Adaptive Resource Management Network), an AI-based lightweight MLP model that dynamically adjusts the maximum transmission rate (MTR) according to available computational resources. The training results present that performance improvement converges when the hidden layer size exceeds 256, while maintaining more than 99% classification accuracy even after quantization. The evaluation results on a testbed demonstrate that the proposed scheme maintained available CPU resources within a stable range for more than 60% of the total transmission time under various load scenarios, thereby achieving transmission stability comparable to that of the manual control method.