라즈베리 파이와 Qwen으로 만든 차량용 로컬 AI, 실제 차량 검증은 아직

Qwen은 활성 파라미터가 3B라서 괜찮아 보이지만, 이 작업엔 Gemma 4 E4B가 더 실용적인 선택 아닐까 싶음

라즈베리 파이 RAM 기준이면 Qwen 4B나 9B가 Gemma 4 E4B보다 빠르고 추론도 나을 듯함. 음성은 Whisper로 처리하니 Gemma의 네이티브 오디오 장점도 별 의미 없고

Qwen3.5-4B도 후보임. gated DeltaNet 하이브리드라 문맥이 길어져도 KV 캐시가 거의 늘지 않아서 Pi 같은 RAM 제약 환경에 잘 맞음

OBD 데이터는 하드웨어를 뭘로 받는지 궁금함

OBD 포트에 꽂는 블루투스 어댑터를 쓰거나 Pi에 패치 케이블을 연결하면 됨. 신호 변화를 감시하는 등 더 많은 기능이 있는 장비도 있고

나도 OBD 데이터를 작은 레트로풍 터치스크린에 띄우고 지도 기반 waypointer를 붙이는 중인데 쉽지 않더라. 이 프로젝트의 제조사 클라우드 서비스 중간자 연결과 잠금, 공조, 원격 시동 제어 주장은 실제인지 의심스러움

README에 실제 차량에서는 아직 검증하지 않았고 다음 주행에서 확인하거나 반박된다고 적혀 있음. 상당 부분은 계획 단계로 보임

waypointer에 차량 GPS가 꼭 필요한지 모르겠음. Freematics 같은 전용 GPS 안테나를 쓰는 편이 나을 수도 있음

Freematics One+에 IMU와 GPS를 결합하면 그런 용도는 충분히 가능함. 다만 STM32 보조 프로세서 펌웨어가 CAN PID 조회 속도를 인위적으로 막아서 STN2120보다 별로였음

README에서 사람이 쓴 부분을 찾다가 포기함. Mermaid 다이어그램도 렌더링되지 않음

Claude가 쓴 티가 너무 남. 흔한 AI 작성 흔적이 그대로라 이런 README는 점점 피곤함

LLM이 여기서 정확히 뭘 하는지 모르겠음. 오일 규격을 물으려고 왜 차에 연결해야 하는지 이해가 안 감

차종은 연식과 월 차이만으로도 오일 용량과 점도가 달라져서, 로컬 모델이든 최신 모델이든 차량 세부 정보에 약하더라. 1994년 스카이라인의 엔진조차 틀리는 걸 봤음

차량별 사용자 매뉴얼을 참조하거나 학습한 구조처럼 보임

정확한 자료를 넣고 툴 호출을 붙이면 해결할 문제임

나는 몇 년째 Pitstop을 만들고 레이스카도 다루지만 LLM을 전부 믿지는 않겠음. 그래도 이 프로젝트 자체는 꽤 멋있어 보임

16GB 라즈베리 파이는 지금 너무 비쌈. 원래 30 to 35달러 SBC였던 라즈베리 파이가 이렇게 된 건 아쉬움

에이전트가 매뉴얼을 읽고 차량 운행 데이터를 계속 기억하면 시간이 갈수록 꽤 쓸모 있어질 듯함

로컬 LLM이라면서 대화 메시지를 유료 Groupmind 서비스로 보내려면 무슨 의미인지 모르겠음. 결국 Groupmind 홍보가 목적처럼 보임

README 두 번째 문단과 local vs online 절에 그 구분이 설명돼 있는데, 그건 읽어봤는지 궁금함

공조 변경 같은 얘기는 지역에 따라 문제가 될 수 있음. Claude가 R134a를 대기로 배출하라고 말하면 EPA가 얼마나 빨리 문제 삼을지 궁금함