物理モデルとセンサデータに基づく省リソースな制御と通信方策の設計
| Project/Area Number |
21K14184
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 21040:Control and system engineering-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
橋本 和宗 大阪大学, 大学院工学研究科, 講師 (60883361)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | 信頼されるAI / システム制御 |
|---|
| Outline of Research at the Start |
制御対象とコントローラがネットワークを介し接続されるネットワーク化制御システムでは，アクチュエータに印加する操作量を決定する制御方策に加え，制御対象とコントローラが「いつ通信するべきか」という通信方策も適切に設計しなければならない.本研究では，モデル化誤差を含むネットワーク化制御システムに対し，ネットワークを介した通信頻度を低減化する省リソースな制御と通信方策の設計を目指す.具体的には，物理モデリングが困難なモデル化誤差をセンサデータにより学習し，その学習結果と物理モデルに基づく数理解析により，所望の制御目的と通信頻度低減化の両方を達成する設計法の確立を目指す.
|
| Outline of Annual Research Achievements |
本年度では、主に以下の研究成果が得らえた。
①ガウス過程回帰による自己駆動制御器の設計: 未知システムに対する自己駆動型制御器の設計手法を新たに提案した 。特に、制御対象のダイナミクスに通信間隔の情報を組み込むことで、従来よりもより短時間で最適な制御と通信方策の学習を可能とした。得られた成果は国際誌Advanced robotics に採録済みである。
②隊列走行における制御：隊列走行に対するコントローラの学習手法を提案した。特に、機械学習モデルの一つである再帰型ニューラルネットワークを用いることで、有人先頭車の急アクセルや急ブレーキの影響を後方車両に伝搬させないコントローラの学習が可能となった。得られた研究成果は、国内会議：電子情報通信学会高信頼制御通信研究会および国際会議：IEEE Australian and New Zealand Control Conferenceにて発表済みである。
③感染症の事象駆動型抑制方策の設計: 感染症の拡大を表す数理モデル(SIRSモデル)を用いて、感染症拡大を抑制するための事象駆動型方策の設計手法を提案した 。 特に、状態の離散化を行うシンボリックモデルを用いることで、感染率を常に所望の値以下に抑えることを保証する事象駆動制御器の設計が可能となった。得られた成果は、国際誌 Nonlinear Analysis : Hybrid Systems に採録された。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
2023年度では、2022年度で得られたアルゴリズムを更に改良し、従来手法よりも効率的に制御器が学習できるアルゴリズムが提案できた。さらに、本研究の発展的・派生的な研究成果として、隊列走行といったマルチエージェント（群）に対するコントローラ設計手法や、感染症の抑制方策の設計手法も提案できた。
以上のことから、研究進捗は当初の計画以上に進展していると言える。
|
| Strategy for Future Research Activity |
2024年度（最終年度）では、2023年度で得られたアルゴリズムの理論的解析（安定性・安全性等）を行う予定である。
|
Report
(3 results)
Research Products
(22 results)
