Adaptive Cooperative Learning for Spatio-Temporal Environmental Variation in Vehicular Communications
Project/Area Number |
21K17734
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 60060:Information network-related
|
Research Institution | The University of Tokyo (2022) Aoyama Gakuin University (2021) |
Principal Investigator |
田谷 昭仁 東京大学, 生産技術研究所, 助教 (10867948)
|
Project Period (FY) |
2021-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
Keywords | 分散協調学習 / 車車間通信 / 環境適応 / フェデレーテッドラーニング / 関数空間 / 協調学習 / 深層学習 |
Outline of Research at the Start |
自動車向け無線通信では、安全性の観点から高信頼かつ低遅延であることが求められ、その実現のためには電波伝搬や混雑度など環境に合わせた通信制御が必須である。しかし、高速で遠距離を移動する車両は環境の変化にさらされるため、制御手法そのものを環境に合わせて変化させなければならない。環境の類似する周囲の車両と協力して機械学習を行うことで、その環境に適した制御方法の獲得しつつ、環境変化にも素早く対応できるシステムを考案する。
|
Outline of Annual Research Achievements |
昨年度開発した分散協調学習手法のアルゴリズムを論文誌に投稿し採録された。本アルゴリズムは械学習を行う車両が中央制御局に管理されることなく、自律的に協調しながら機械学習するものである。従来の分散学習とは異なり、ニューラルネットワークのパラメータを車両間で共有しながら共通のパラメータに収束させるのではなく、異なるパラメータであっても同一入力に対して同一出力すれば同じ予測モデルであるという考えのもと、関数そのものを最適化対象とすることが特徴である。この手法を利用することで多様な環境に応じて端末ごとに少しずつ異なる予測モデルを学習させるといった応用が可能になる。 さらに、ミリ波帯電波を利用した車車間高速通信向けに空間依存性のある通信環境の学習手法を考案した。ミリ波通信は送受信機間に遮蔽物があると通信容量が低下する。本研究では他車両が遮蔽物となり通信容量が低下することを想定して、車両密度が連続的に変化する広域範囲を対象に各地での車両密度に応じた通信容量を学習する。なお、当初予定していた車両のみでの完全分散型アルゴリズムから変更して、路上基地局でのエッジコンピューティングを利用することとした。提案手法はベイズ推定を利用しており、通信容量を点推定ではなく確率密度分布として予測する。各地点のエッジサーバごとに異なる通信容量分布を学習しておき、それらからエッジサーバのない地点での通信容量分布を導くことができる。シミュレーション評価により、地点ごとに異なる分布を予測できることを確認しており、多様な環境への通信制御の動的適用に応用可能である。本研究成果は国際会議に投稿し、採録が決定されている。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度に開発した、分散協調学習アルゴリズムを論文誌に投稿し、採択された。また、空間的に通信環境が異なる地域において、各地点での環境の学習結果から未学習地点での環境を推定する手法を確立した。時間的な変化に対しても同様の手法が応用可能である。 さらに、昨年度にモデル同士の差異を距離として数学的に定量化する手法を考案しており、それを応用した機械学習モデルの学習による時間変化の可視化手法を開発中である。
|
Strategy for Future Research Activity |
初年度から進めている分散学習アルゴリズムの学習過程の可視化を行う。これは機械学習モデル同士の距離がどのように変化していくかの定量的分析の一部であり、その収束の様子から学習対象の環境に対してどの程度学習が進んでいるかを解析可能になる。また、環境変化が速い条件下でも適用が可能なように、学習の高速化についても研究を進める。 さらに、車両から周囲環境をセンシングする手法としてWiFiセンシングの検討を行う。
|
Report
(2 results)
Research Products
(10 results)