본 논문은 지능형 교통 시스템에서 대규모 언어 모델과 임베디드 AI의 발전을 바탕으로, 차량 임베디드 AI 네트워크(VEANs)를 제시한다. VEANs에서 자율주행차(AVs)는 환경 인식 및 다중 에이전트 협업과 같은 기능을 가능하게 하는 차량 임베디드 AI 에이전트로 정의된다. 연산 지연 시간과 자원 제약으로 인해, 차량 임베디드 AI 에이전트에서 실행되는 로컬 AI 애플리케이션 및 서비스는 차량 임베디드 AI 에이전트 트윈으로 마이그레이션되어야 하며, 이는 집중적인 작업을 도로변 장치(RSUs)로 오프로드하여 지연 시간 문제를 완화하는 동시에 서비스 품질을 유지하는 차량 임베디드 AI 네트워크의 발전을 이끈다. 기존 방식의 RSU 간 작업 부하 불균형을 인식하여, AV-RSU 상호 작용을 슈타켈베르크 게임으로 모델링하여 효율적인 마이그레이션을 위한 대역폭 자원 할당을 최적화한다. 분산 조정을 통해 슈타켈베르크 균형을 근사화하기 위해 Tiny Multi-Agent Bidirectional LSTM Proximal Policy Optimization (TMABLPPO) 알고리즘을 설계했다. 또한, Path eXclusion (PX) 기반의 개인화된 신경망 가지치기 알고리즘은 훈련된 모델에서 작업에 중요한 매개변수를 식별하여 모델 복잡성을 줄이고 성능 저하를 최소화함으로써 이종 AV 연산 기능에 동적으로 적응한다. 실험적 검증을 통해 알고리즘이 시스템 부하를 균형화하고 지연 시간을 최소화하는 데 효과적임을 확인하고, 차량 임베디드 AI 에이전트 배포의 성능을 크게 향상시켰음을 보여준다.
