| 研究課題/領域番号 |
21H03424
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60060:情報ネットワーク関連
|
|---|
| 研究機関 | 電気通信大学 |
|---|
研究代表者 |
策力 木格 電気通信大学, 大学院情報理工学研究科, 教授 (90596230)
|
|---|
| 研究分担者 |
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)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)
2023年度: 5,070千円 (直接経費: 3,900千円、間接経費: 1,170千円)
2022年度: 4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
2021年度: 7,670千円 (直接経費: 5,900千円、間接経費: 1,770千円)
|
|---|
| キーワード | 車両IoT / フェデレーテッド・ラーニング / 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 |
|---|
| 研究開始時の研究の概要 |
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．
|
| 研究実績の概要 |
2022年度には，車両ネットワーク環境におけるフェデレーテッド・ラーニング（Federated Learning: FL）の品質向上に焦点をあて，項目2（ファジィ論理を用いた事前学習），項目3（学習クライアント選択とモデル集約），項目4（自律分散環境におけるブロックチェーンの導入）の研究開発を行った．項目2，3では，項目1（深層強化学習ベースのFLを用いた情報処理基盤）に基づき，FLの性能を改善するための事前学習手法，車両クライアント評価手法，をそれぞれ提案している．項目4では，自律分散環境におけるFLを可能とする手法を提案している．理論的評価に加えて，車両ネットワークシミュレータ「Veins」(https://veins.car2x.org/)を用いた資源管理の模擬を行い，実際のアプリケーションにおける影響を自動運転シミュレータ「AirSim」（https://microsoft.github.io/AirSim/）で検証した．また，一部の機能を実デバイスに実装し，プロトタイプ開発を行った．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
車両IoTにおけるタスク処理を想定し，フェデレーテッド・ラーニング（Federated Learning: FL）を用いた情報処理基盤の提案・改善を行った．2022年度には，研究項目2，3，4の研究開発を行い，予定通りの研究成果が得られた．特に，研究項目3の提案手法を実現デバイスにおいても実装し，プロトタイプシステムを構築し，評価を行った．よって，研究は予定通り順調に進展していると考える．
|
| 今後の研究の推進方策 |
2023年度には，項目間の連携を十分重視し，シミュレーション，実証実験を用いて相乗効果の検証を行う．車両ネットワークシミュレータ「Veins」(https://veins.car2x.org/)を用いた資源管理の模擬を行い，実際のアプリケーションにおける影響を自動運転シミュレータ「AirSim」（https://microsoft.github.io/AirSim/）で検証する．実証実験については，10台の車両と3個の路側装置で実証を行う．車両IoTのための情報処理システムの性能評価指標，評価方法も新たに検討する．実証実験による知見とシミュレーションのスケーラビリティを統合させ，通信・計算・ストレージ資源を総合的に考慮したタスク処理性能の評価手法を検討する．これは車両IoT関連研究を検証するための重要な参考になる
と考える．また，事前学習はフェデレーテッド・ラーニングの品質向上における影響が大きいことから，項目2（ファジィ論理を用いた事前学習）に関してより深く検討する価値があると考える．
|
