階層型フェデレーテッド・ラーニングによる高効率かつスケーラブルな自動運転制御
| Project/Area Number |
22K17880
|
|---|
| 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 Electro-Communications |
|---|
Principal Investigator |
杜 兆陽 電気通信大学, 大学院情報理工学研究科, UECポスドク研究員 (70938547)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2024: ¥260,000 (Direct Cost: ¥200,000、Indirect Cost: ¥60,000)
Fiscal Year 2023: ¥260,000 (Direct Cost: ¥200,000、Indirect Cost: ¥60,000)
Fiscal Year 2022: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
|
|---|
| Keywords | フェデレーテッドラーニング / 深層強化学習 / LSTM / 自動運転 |
|---|
| Outline of Research at the Start |
車両の移動性，道路の複雑性により，将来の交通状況に関する予測が難しいため，長期的に最適な経路の選択が難しい．本研究では，階層型フェデレーテッド・ラーニング（Federated Learning: FL）に基づき，二つの手法：深層強化学習ベースの階層型FLを用いた自動運転行動の学習，LSTMベースの階層型FLを用いた交通状況の予測。利用手法を提案し，低通信オーバヘッドでの車両間，車両と路側装置間，車両とクラウド間の有機的連携を実現し，高効率かつスケーラブルな自動運転車の移動制御技術を確立する。シミュレーション評価に加えて，実証実験を用いた検証を行う。
|
| Outline of Annual Research Achievements |
2022年度では、以下の研究を実施した。
FLシステムと深層強化学習に関するシミュレーションソフトを改造しました。シミュレーションはもちろん、ラズベリーパイとPCを組み立てた実機実験も達成しました。シミュレーションでは、クライアント上のフェデレーテッドラーニングを実行する時間を評価することは困難であるため、実機実験を構築しました。車両ネットワークでより実用的な検証を実現するのが期待できます。
また、ファジー論理に基づいたクライアント選択スキームを設計しました。提案されたスキームは、ファジー論理的な手法に基づいて、ローカルサンプルの数、クライアントの計算能力、および利用可能なネットワークスループットを考慮しました。シミュレーション結果により、提案手法がベースラインより優れていることが示されました。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2022年度では、すでに国内会議一編、国際会議一編（査読付き）発表しており、ジャーナル一編投稿中です。申請時提案している2022年度の研究内容についての成果を出しました。
|
| Strategy for Future Research Activity |
2023年では、以下の研究目標があります。
1、深層強化学習モデルの一つであるDouble Deep Q-Network（Double DQN）を用いて，DQNのQ値に対する過大評価問題を解決する。
2、2022年の成果に基づき，交通状況予測の研究内容を実施する。LSTMベースの階層型FLで，路側装置間，エッジサーバ間の連携で，道路状況のより正確な予測を実現する。
3、2022年の成果では、クラウドサーバとクライアントのFLシステムを構築しました。エッジサーバを考慮してないため、階層型FLについてのシミュレータ改造および原理検証について努めたいと思います。
|
Report
(1 results)
Research Products
(2 results)
