퀘스트: 실용적인 공동 인지를 위한 쿼리 스트림

협업 인지 기술은 추가적인 시점 정보를 제공하고 감지 범위를 확장함으로써 개별 인지 성능을 효과적으로 향상시킬 수 있다. 기존의 협업 패러다임은 해석 가능성이 높은 결과 협업(result cooperation) 또는 유연성이 뛰어난 특징 협업(feature cooperation)으로 나뉜다. 본 논문에서는 해석 가능한 인스턴스 수준의 유연한 특징 상호작용을 가능하게 하는 '쿼리 협업(query cooperation)' 개념을 제안한다. 이 개념을 구체적으로 설명하기 위해, 쿼리 스트림이 에이전트 간을 흐르게 하는 협업 인지 프레임워크인 QUEST를 제안한다. 다양한 에이전트 간의 쿼리는, 공유 인식 인스턴스에 대해 융합을 통해 상호작용하고, 개별 에이전트가 인식하지 못한 인스턴스에 대해서는 보완을 통해 상호작용한다. 카메라 기반 차량-인프라 인지 시나리오를 대표적인 실용적 응용 사례로 삼아, 실제 데이터셋인 DAIR-V2X-Seq에서의 실험 결과를 통해 QUEST의 효과성을 입증하였으며, 또한 쿼리 협업 패러다임이 패킷 손실에 대한 강건성과 전송 유연성 측면에서 우수한 성능을 보임을 추가로 밝혔다. 본 연구가 실질적인 협업 인지 환경에서 에이전트 간 표현 상호작용을 더욱 원활하게 하여, 보다 효과적인 협업 인지 구현에 기여하기를 기대한다.