[논문] 네트워크 다단계 제어 파이프라인을 위한 DAG 기반 QoS 인식 동적 작업 배치

Source: arXiv - 2605.19887v1

Overview

이 논문은 현대 “Physical AI” 로봇에서 흔히 사용되는 다단계 제어 파이프라인을 위한 QoS‑인식 동적 작업 배치 프레임워크를 제시한다. 인식‑계획‑제어 워크플로우를 방향성 비순환 그래프(DAG)로 모델링하고, 각 단계가 언제(보드 내, 엣지에서, 혹은 하이브리드) 실행될지를 지속적으로 결정함으로써 지연 시간을 낮게 유지하고, 마감 시간 초과를 방지하며, 불필요한 배치 전환을 줄이는 것을 목표로 한다.

Key Contributions

• 제어 파이프라인의 DAG 형식화 – 각 단계(센서, 인식, 플래너, 컨트롤러)를 명시적인 연산 비용, 통신 지연, 가능한 배치 속성을 가진 노드로 정의.
• QoS‑구동 비용 함수 – 꼬리 지연, 마감 위반률, 하드웨어 활용도, 그리고 빈번한 배치 전환을 억제하는 해밍 거리 패널티를 결합.
• 동적 작업 배치(DTP) 알고리즘 – 히스테리시스와 최소 체류 시간을 적용한 윈도우 기반 평가로 네트워크 상황 변동 시 “채터링” 방지.
• 세 가지 해석 가능한 배치 옵션 – 완전 로컬, 정적 오프로드, 하이브리드(부분 오프로드)로 구성해 실시간 운영에 충분히 작은 의사결정 공간 유지.
• 진행 중인 검증 계획 – 두 단계 시뮬레이션 후 산업용 로봇 팔을 이용한 하드웨어‑인‑더‑루프(HIL) 실험.

Methodology

1. 파이프라인 모델링 – 엔드‑투‑엔드 제어 루프를 DAG로 표현하고, 엣지는 데이터 흐름을, 노드는 두 가지 핵심 벡터를 보유:
   • 연산 비용 (해당 단계에 필요한 CPU/GPU 사이클).
   • 통신 비용 (중간 결과 전송에 필요한 네트워크 지연 및 대역폭).
2. 배치 집합 정의 – 각 노드에 대해 가능한 배치 집합을 세 가지 옵션으로 제한: 로봇 내부 실행, 인근 엣지 서버 오프로드, 혹은 작업 분할(하이브리드).
3. 비용 함수 구성 – 슬라이딩 타임 윈도우 내에서 알고리즘이 평가하는 항목:
   • 꼬리 엔드‑투‑엔드 지연 (예: 95번째 백분위).
   • 마감 위반률 (하드 실시간 한계를 초과한 사이클 비율).
   • 하드웨어 활용도 (로봇 AI 가속기의 과부하 방지).
   • 전환 패널티 (연속 배치 벡터 간 해밍 거리).
4. 의사결정 엔진 – DTP 컨트롤러는 매 윈도우 틱마다 세 옵션 공간을 열거해 경량 최적화를 수행하고, 히스테리시스 임계값과 최소 체류 시간을 적용해 배치를 안정화.
5. 검증 로드맵 –
   • Phase 1: 고정밀 네트워크·연산 시뮬레이터로 지연, 지터, 워크로드 시나리오를 전 sweep.
   • Phase 2: 산업용 Ethernet/IP 네트워크와 엣지 GPU 서버에 연결된 보드‑내 AI 가속기를 탑재한 실제 로봇 팔에서 DTP 알고리즘을 실시간으로 실행하고 QoS 지표를 로깅.

Results & Findings

작업이 진행 중이므로 최종 수치가 아닌 초기 시뮬레이션 경향을 보고한다:

• 지연 vs. 배치 – 하이브리드 배치는 정적 오프로드에 비해 95번째 백분위 지연을 15‑25 % 감소시키며, 특히 네트워크 지터가 5 ms를 초과할 때 효과가 두드러진다.
• 마감 위반 – 전환 패널티 항목이 포함된 경우, 지터 급등 시마다 배치를 전환하는 단순 임계값 기반 ATP에 비해 마감 초과가 ≈30 % 감소한다.
• 활용도 균형 – 비용 함수 덕분에 로봇 AI 가속기의 평균 부하가 70 % 이하로 유지돼 안전‑중요 저레벨 제어 루프에 여유를 남긴다.
• 안정성 – 최소 체류 시간 3 s와 히스테리시스 임계값이 배치 “채터링”을 제거해 90 % 이상의 테스트 실행에서 안정적인 배치 패턴을 확보한다.

이러한 경향은 DAG 기반 DTP가 산업 자동화에 필수적인 결정론적 타이밍을 유지하면서 변동하는 네트워크 상황에 적응할 수 있음을 시사한다.

Practical Implications

• 엔지니어링 비용 절감 – 시스템 통합자는 무거운 인식 모델을 어디서 실행할지 수동으로 프로파일링할 필요 없이 DTP 컨트롤러에 의존해 자동으로 결정할 수 있다.
• 엣지 자원 활용도 향상 – 네트워크가 안정적일 때만 오프로드하므로 엣지 서버가 과부하되는 것을 방지하고, 여러 로봇이 동일한 컴퓨팅 풀을 공유할 수 있다.
• 안전·규정 준수 개선 – 강력한 마감 보장을 유지하면서도 고성능 AI 모델을 활용함으로써 IEC 61508 등 산업 표준을 만족하기 쉽다.
• 확장 가능한 배포 – 후보 집합이 3개에 불과해 의사결정 로직이 가볍고, CPU 예산이 제한된 임베디드 컨트롤러에서도 적용 가능.
• 엣지‑우선 아키텍처와 호환 – 기존 산업용 Ethernet/IP 혹은 TSN(Time‑Sensitive Networking) 인프라에 하드웨어 변경 없이 프레임워크를 도입할 수 있으며, 필요한 것은 배치 컨트롤러 소프트웨어만 추가하면 된다.

Limitations & Future Work

• 진행 중인 작업 – 현재 제시된 결과는 시뮬레이션 및 초기 HIL 테스트 기반이며, 실제 생산 라인에서의 전면적인 현장 시험은 아직 진행되지 않았다.
• 정적 후보 집합 – 배치를 3가지 옵션으로 제한함으로써 문제를 단순화했지만, 다중 엣지 노드에 걸친 모델 파티셔닝 등 더 세분화된 분산 전략을 놓칠 수 있다.
• 네트워크 모델 단순화 – 현재 시뮬레이션은 단일 홉 엣지 링크를 가정하고 있어, 다중 홉 혹은 무선 산업 네트워크에서는 추가 변동성이 발생할 수 있다.
• 에너지 소비 미모델링 – 이동형 로봇의 배터리 소모 등 전력 영향은 아직 비용 함수에 포함되지 않았다.

향후 연구 방향은 동적 모델 프루닝을 지원하도록 DAG를 확장하고, 에너지‑인식 메트릭을 도입하며, 다양한 GPU/FPGA 자원을 갖춘 이질적인 엣지 클라우드에서 프레임워크를 시험하는 것이다. 또한 저자들은 DTP 컨트롤러를 ROS 2 패키지 형태로 오픈소스화하여 채택을 가속화할 계획이다.

Authors

• Thien Tran
• Jonathan Kua
• Thuong Hoang
• Minh Tran
• Yuemin Ding
• Jiong Jin

Paper Information

• arXiv ID: 2605.19887v1
• Categories: cs.DC, cs.MA, cs.RO, eess.SY
• Published: May 19, 2026
• PDF: Download PDF