본 연구는 화재 구조와 같이 시기 적절하고 정확한 3D 장면 모델링이 상황 인식을 가능하게 하는 주요 엣지 네이티브 사용 사례에 필수적인 실시간 다중 시점 3D 재구성에 초점을 맞추고 있습니다. 엣지 자원의 동적이고 예측 불가능한 특성으로 인해 발생하는 이미지 품질 저하, 불안정한 네트워크 링크, 서버 부하 변동과 같은 중단은 재구성 파이프라인의 신뢰성을 저해합니다. 본 연구에서는 자원 제약적이고 중단되기 쉬운 환경에서도 합리적인 시간 내에 고품질 재구성을 보장하기 위해 강화 학습(RL) 기반 엣지 자원 관리 프레임워크를 제시합니다. 특히, 이 프레임워크는 카메라 선택 및 서버 선택을 위한 두 개의 협력적 Q-러닝 에이전트를 채택하며, 두 에이전트 모두 엣지 환경과의 상호 작용을 통해 정책을 완전히 온라인으로 학습합니다. 실제 제약 조건 하에서 학습을 지원하고 시스템 성능을 평가하기 위해, 연구에서는 실제 중단 시나리오에서 스마트 도시 엣지 인프라를 에뮬레이션하기 위해 실험실에 호스팅된 최종 장치와 FABRIC 인프라에 호스팅된 엣지 서버로 구성된 분산 테스트베드를 구현했습니다.
