Collaborative information processing platform for vehicular IoT based on federated learning
| Project/Area Number |
21H03424
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | The University of Electro-Communications |
|---|
Principal Investigator |
策力 木格 電気通信大学, 大学院情報理工学研究科, 教授 (90596230)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
村瀬 勉 名古屋大学, 情報基盤センター, 教授 (10530941)
李 鵬 (李鵬) 会津大学, コンピュータ理工学部, 上級准教授 (30735915)
計 宇生 国立情報学研究所, アーキテクチャ科学研究系, 教授 (80225333)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥17,550,000 (Direct Cost: ¥13,500,000、Indirect Cost: ¥4,050,000)
Fiscal Year 2023: ¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
Fiscal Year 2022: ¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000)
Fiscal Year 2021: ¥7,670,000 (Direct Cost: ¥5,900,000、Indirect Cost: ¥1,770,000)
|
|---|
| Keywords | フェデレーテッド・ラーニング / 車両IoT / ファジ論理 / 協調型情報処理基盤 / ファジィ論理 / 学習クライアント選択 / ブロックチェーン / 情報処理基盤 |
|---|
| Outline of Research at the Start |
本研究では，車両IoT情報処理基盤における処理量の増加と品質向上を同時に実現するために，フェデレーテッド・ラーニング（Federated Learning: FL）手法を導入し，複雑で多様な動的環境にも対応できる車両間協調と自己進化型制御手法を開発する．既存のFLを飛躍的に高性能化させるため，以下の4つの手法にチャレンジする：(1) 深層強化学習ベースのFL情報処理基盤の設計，(2)ファジィ論理を用いた事前学習，(3) 学習クライアント選択とモデル集約，(4)自律分散環境におけるブロックチェーンの導入．これらの技術の確立のため，手法の提案，評価および実車両を用いた実験を含む多様な実証を行う．
|
| Outline of Annual Research Achievements |
協調型自動運転などの高度な連携協調システムを実現するためには，高効率かつ高性能な車両IoT情報処理基盤が必要となる．車両IoT情報処理基盤における処理量の増加と品質向上を同時に実現するためには，通信・計算・ストレージ資源の最適な制御が必要である．この制御において各車両が観測できる状態空間に限界があるため，各車両における独立な制御ではなく，車両間の制御方式に関する知識共有に基づいた最適化が重要である．本研究では，フェデレーテッド・ラーニング（Federated Learning: FL）手法を導入し，複雑で多様な動的環境にも対応できる車両間協調と自己進化型制御手法を開発することで最適な制御技術を確立した．
既存のFLを飛躍的に高性能化させるため，2022年度の成果に基づき，2023年度には,以下の4つの手法の改良・評価をした：(1) 深層強化学習ベースのFL情報処理基盤技術の研究を行い，動的なタスク処理要求，複雑な周囲状況における資源配分を最適化する技術を確立した；(2)ファジィ論理を用いた事前学習を改良し，FLの収束を大幅に加速化し，複雑な動的環境における最適な資源配分モデルを早期に達成することに関する技術を確立した；(3) ファジ論理に基づいた学習クライアント選択とモデル集約手法の改良を行い，複雑な動的環境における学習クライアントへの評価をより正確にする技術を確立した；(4)自律分散環境におけるブロックチェーンの導入し，車両の移動，リソース制限を意識したコンセンサスアルゴリズムと台帳管理技術を確立した。
シミュレーション評価に加えて，FL学習クライアント選択とモデル集約手法のプロトタイプを開発し，実ネットワーク環境において提案手法の評価を行い，それの有効性を検証した．
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
Report
(3 results)
Research Products
(58 results)
