자동차용 서버리스 엣지 데이터 처리 프레임워크 Lambda

초록

본 논문은 NVIDIA Jetson Orin Nano 기반 차량에 적용 가능한 서버리스(edge‑native) 아키텍처인 Lambda 프레임워크를 제안한다. 개발자는 ROS 2와 연동된 파이썬 함수만 작성하면 센서 데이터 필터링·선별·녹화를 구현할 수 있으며, 오케스트레이터가 배포·스케줄·격리 등을 자동으로 관리한다. 실험 결과, 기존 ROS 2 기반 네이티브 구현에 비해 지연·지터가 감소하고 메모리 사용이 안정적이며, 실시간 요구조건을 만족한다.

상세 분석

Lambda 프레임워크는 클라우드‑엣지 연동 모델과 차량 내부 실행 모델을 명확히 구분한다. 클라우드 컴포넌트는 차량 메타데이터, 함수 정의, 인증 정보를 중앙에서 관리하고, MQTT‑유사 제어 채널을 통해 엣지 오케스트레이터와 동기화한다. 엣지 측에서는 Rust 기반 오케스트레이터가 각 Lambda 함수를 독립 프로세스로 실행하도록 설계했으며, 이는 전통적인 단일 모노리식 ROS 2 노드 대비 프로세스 격리와 자원 예측성을 크게 향상시킨다.

런타임은 DDS(ROS 2) 토픽을 다중 생산자‑단일 소비자(MPSC) 패턴의 링버퍼와 고정 메모리 슬롯으로 매핑한다. 고대역폭 이미지 데이터는 한 번 복사 후 참조 카운팅을 통해 파이썬 런타임에 zero‑copy 전송되며, 저대역폭 IMU 데이터는 별도 복사 후 처리한다. 이러한 설계는 메모리 파편화를 최소화하고, 실시간 스케줄링 시 락‑프리 접근을 보장한다.

함수 트리거는 두 가지 모드로 제공된다. ① 주기적 모드에서는 지정된 인터벌마다 모든 버퍼를 폴링하고, ② 이벤트‑드리븐 모드에서는 특정 토픽에 새 메시지가 도착하면 즉시 실행한다. 현재 구현은 토픽당 하나의 트리거만 허용해 경쟁 조건을 회피하고, 결정론적 스케줄링을 확보한다. 다중 센서 융합이 필요할 경우 추가 토픽을 직접 읽어 결합 로직을 구현하도록 설계돼 확장성을 유지한다.

프레임워크는 ONNX 런타임 호출을 API로 제공해, 경량화된 딥러닝 추론을 함수 내부에서 손쉽게 수행할 수 있다. 로그와 상태 보고는 구조화된 메시지로 오케스트레이터에 전달되며, 이는 클라우드로 역전파돼 원격 모니터링 및 OTA 업데이트에 활용된다.

성능 평가에서는 세 가지 대표 Lambda를 구현했다. (1) IMU FFT는 고주파 신호를 FFT 변환해 도로 거칠기 점수를 산출하는 CPU‑집중 작업이며, (2) Brake + Dark는 IMU와 카메라 데이터를 동시에 처리해 제동·조도 조건을 판단하는 복합 워크로드, (3) YOLO11m 객체 검출은 ONNX 모델을 이용해 프레임당 객체를 식별하고 특정 클래스·신뢰도 기준을 만족하면 녹화를 트리거한다. 동일한 QoS 설정 하에 네이티브 ROS 2 파이썬 구현과 비교했을 때, Lambda는 평균 레이턴시가 15 %~25 % 감소하고 지터 변동폭이 30 % 이상 감소했다. 메모리 사용량은 고정 슬롯 덕분에 피크가 10 % 이하로 억제되었으며, CPU 사용률은 이벤트‑드리븐 모드에서 유휴 시 0 %에 가까워 전력 효율성을 높였다.

또한, 함수 배포·업데이트가 클라우드에서 단일 명령으로 이루어지므로, 차량 플릿 전체에 동일한 필터링 로직을 일관되게 적용할 수 있다. 이는 데이터 수집 단계에서 레이블링 비용을 크게 절감하고, 희귀 상황(예: 급제동·저조도) 중심의 데이터셋 균형을 자동으로 맞출 수 있게 한다.

전반적으로 Lambda는 서버리스 개념을 자동차 엣지 환경에 맞게 경량화·실시간화한 사례로, ROS 2와의 친화성, 프로세스 격리, zero‑copy 데이터 파이프라인, 그리고 클라우드‑엣지 관리 체계를 통해 기존 방법론 대비 개발 생산성 및 운영 효율성을 동시에 향상시킨다.