1. 연구 개요

그림 1. 제안하는 방법의 오버뷰

본 연구는 3D Gaussian Splatting(3DGS)의 효율적 렌더링 특성을 활용하여, 산업 환경의 대규모 실내 공간에서 동적 객체를 지속적으로 갱신하기 위한 엣지–서버 협력형 지속 학습 프레임워크를 제안한다. 엣지 단에서 변화 영역을 국소적으로 탐지하고, 패치 단위로만 서버에 전달함으로써 데이터 전송 비용과 학습 범위를 크게 감소시킨다.

2. 연구 배경 및 목적

수십 대 이상의 센서가 운용되는 산업 현장에서 매 주기마다 전체 이미지를 전송·학습하면, 네트워크 비용과 학습 부담이 급증한다. 이를 해결하기 위해 (1) 엣지 단에서 변화 영역만을 탐지하는 방법, (2) 패치 기반 선택적 전송과 국소 영역 학습을 통한 효율화, (3) NVIDIA Omniverse 기반 시뮬레이션을 통한 분산 구조 검증을 목표로 한다.

3. 제안 방법

그림 2. 학습에 사용된 가상환경 데이터셋 구성

가상 산업 환경 데이터셋으로 격자 형태 센서 780대를 배치하고, 초기 학습(t=0) 780장과 지속 갱신(t=1) 280장의 이미지를 구성하였다. 엣지 디바이스는 Virtual Twin 렌더링과 현실 이미지를 비교하여 변화 발생 시에만 패치를 압축·전송하며, 서버는 이를 3DGS 학습 가능 형태로 재가공하여 1분 이내 주기로 업데이트한다.

그림 3. t=1시점의 단일 카메라 뷰에 대한 2차원 변화 영역 탐지 예시

변화 영역 탐지에는 ViT의 의미적 특성을 활용하여 조명·노이즈 변화에 강건한 유사도 비교를 수행하며, 복셀 카빙 기반 3차원 재구성으로 얻은 변화 영역 내 가우시안만을 선택적으로 학습한다.

그림 4. 2차원 변화 영역에 기반한 가우시안 선택적 학습

4. 실험 결과

그림 5. 가상환경 데이터셋에 대한 실험 결과

제안 방법은 동일 JPG 압축 조건에서 전송량을 33.49 MB → 2.61 MB로 감소시켰으며, 센서 수 증가에 따른 누적 전송량 격차도 선형적으로 확대되었다. 학습 측면에서는 1,500회(iterations)만으로 유의미한 성능 향상을 달성하였고, 3.1M개 가우시안 배경 기준 약 40초 내 업데이트가 가능하였다. 기존 방법에서 발생하던 비변화 영역의 역전파 왜곡 문제도 해소되었다.

5. 결론 및 향후 연구 방향

본 연구는 엣지–서버 협력 구조 기반으로 3DGS를 효율적으로 지속 갱신하는 프레임워크를 제안·검증하였다. 향후 스트리밍 기반 연속 변화 탐지와 초경량 학습 전략을 도입하여 실시간 갱신 구조로 확장할 계획이다.