| 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, 特任研究員 (70938547)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| 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 / ドローン / エッジ-クラウドネットワーク / 自動運転 / 深層強化学習 / LSTM |
|---|
| 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 |
私の研究では、ドローンを使用したネットワークシステムと、インターネットを使ったより速くて賢い計算方法について、新しい改善案を提案しました。これらのシステムは、情報を素早く処理し、人々がより良いサービスを受けられるようにするために非常に重要です。
最初の研究では、ドローンを使ったネットワークにおいて、データをやり取りする際の速度と効率を向上させる新しい方法を開発しました。ドローン間での通信は非常に重要ですが、時にはその速度や品質が十分でないことがあります。そこで、私はドローンが効率的に情報を交換できるようにする新しい仕組みを考案しました。この方法では、状況に応じて最適な通信方法を選択することができ、結果として全体の性能が向上します。
二つ目の研究では、インターネットを通じて計算処理を行う際に、情報の送受信にかかる時間を短縮するための新しいアプローチを提案しました。今日の技術では、データを送る場所が遠いと、処理に時間がかかりすぎてしまうことがあります。私たちは、この問題を解決するために、データをより効率的に処理する方法を考え出しました。この方法では、データを送受信する際の時間を減らすことができ、より速く、より良いサービスを提供できるようになります。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
まず、研究の初期段階で設定した目標に対して、現在までの進捗は目標に沿って順調に進んでいます。具体的には、ドローンネットワークの通信効率を向上させる新しいアプローチの開発と、エッジ-クラウドネットワークにおけるリアルタイムタスク処理の改善に向けた研究が、計画通りに進行しています。
研究の進行において、提案したモデル切り替えアルゴリズムやQ学習ベースの負荷分散法が、既存の方法と比較して顕著な性能向上を示す結果を得ることができました。これらの成果は、研究目的に明確に貢献しており、技術的な課題の解決に向けた有効な手段であることを示しています。
さらに、実験やシミュレーションを通じて得られたデータは、提案手法の有効性を裏付けるものであり、研究成果の信頼性を高めるものです。これにより、研究成果の公表や、関連分野への応用に向けた基盤が整いました。
また、研究チーム間の協力体制がしっかりと機能しており、問題発生時には迅速に解決策を模索し、適切な対応ができている点も、研究が順調に進展している要因の一つです。研究実施計画に基づいた定期的な進捗報告と評価を行うことで、計画から大きく逸脱することなく、着実に目標に近づいています。
これらの点を踏まえると、研究課題の進捗状況は「おおむね順調に進展している」と評価できます。今後も、研究計画に沿った取り組みを継続し、さらなる成果の創出を目指します。
|
| Strategy for Future Research Activity |
本研究の最終年度では、自動運転車の移動制御技術における二つの主要な課題、すなわち運転行動の決定と長期経路計画の最適化の研究をさらに深め、統合することを目指します。これまでの研究で得られた成果を基に、LSTMベースの階層型フェデレーテッド・ラーニング手法による交通状況の予測結果を自動運転行動の学習に有効活用し、実証実験を通じてその有効性を検証します。
まず、既に構築された階層型フェデレーテッド・ラーニングのフレームワークを用いて、深層強化学習ベースの運転行動決定手法とLSTMベースの交通状況予測手法の統合を行います。これにより、広域情報と狭域情報を融合させた運転行動の最適化を目指します。
次に、理論的な研究とシミュレーションに加え、実証実験により、提案するシステムの性能評価を行います。
また、実証実験の結果をもとに、提案システムの調整と最適化を行い、最終的な研究成果をまとめ上げます。研究成果は、学術論文の発表や国際会議での発表を通じて、学術界だけでなく、産業界にも還元することを目指します。
この年度の研究活動を通じて、自動運転車の運転行動選択と長期経路計画の最適化に関する新たな知見を得ることができると期待しています。また、実証実験による検証を行うことで、提案技術の実用性と有効性を確認し、自動運転車の移動制御技術の発展に貢献することを目標としています。
|
