다중 에이전트 인지의 학습된 증류 협업 그래프

다중 에이전트 인지에서 성능-대역폭 간의 균형을 향상시키기 위해, 우리는 훈련 가능한, 자세 인식형이며 적응형 에이전트 간 협업을 모델링하기 위한 새로운 소거된 협업 그래프(DiscoGraph)를 제안한다. 본 연구의 주요 기여는 두 가지 측면에서 나타난다. 첫째, 지식 소거를 통해 DiscoGraph를 훈련하기 위한 테이처-학생 프레임워크를 제안한다. 테이처 모델은 전반적인 시야 입력을 활용한 조기 협업을 수행하고, 학생 모델은 단일 시야 입력을 기반으로 한 중간 단계 협업을 기반으로 한다. 본 프레임워크는 학생 모델의 협업 후 특징 맵이 테이처 모델의 대응 관계와 일치하도록 제약함으로써 DiscoGraph를 훈련한다. 둘째, DiscoGraph에 행렬값 엣지 가중치를 도입한다. 이 행렬 내 각 요소는 특정 공간 영역에서의 에이전트 간 상호 주의를 반영하며, 각 에이전트가 정보가 풍부한 영역을 적응적으로 강조할 수 있도록 한다. 추론 시에는 단지 학생 모델인 소거된 협업 네트워크(DiscoNet)만 사용하면 된다. 테이처-학생 프레임워크의 특성 덕분에, 공유된 DiscoNet을 갖는 여러 에이전트는 전반적 시야를 가진 가상의 테이처 모델의 성능에 근접한 협업을 수행할 수 있다. 본 방법은 CARLA와 SUMO 공동 시뮬레이션을 활용해 생성한 대규모 다중 에이전트 인지 데이터셋인 V2X-Sim 1.0에서 검증되었다. 다중 에이전트 3D 객체 탐지에 대한 정량적 및 정성적 실험 결과, DiscoNet은 최신 기술 수준의 협업 인지 방법보다 더 우수한 성능-대역폭 균형을 달성할 뿐만 아니라, 보다 직관적인 설계 논리를 제공함을 입증하였다. 코드는 https://github.com/ai4ce/DiscoNet 에서 공개되어 있다.