| 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 |
完了 (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技術 / ファジ論理 / 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．
|
| 研究成果の概要 |
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，本研究では，フェデレーテッド・ラーニング（Federated Learning: FL）手法に基づき，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提案した．既存のFLを高性能化させるため，以下の4つの基盤技術の研究を行った：(1) 深層強化学習ベースのFL情報処理技術，(2)ファジィ論理を用いた事前学習技術，(3) 学習クライアント選択とモデル技術，(4)自律分散環境におけるブロックチェーンを用いたFL技術．シミュレーション評価および実車両を用いた実験を含む多様な実証を行った．
|
| 研究成果の学術的意義や社会的意義 |
本研究では，深層強化学習とFLの組み合わせによる通信・計算・ストレージ資源の共同最適化を実現し，車両間協調で各車両の行動改善を行う手法に関する議論を行った．FLを用いた車両IoT情報処理基盤は独創的な研究であり，車両IoTにおける協調知能の実現にとって重要な一歩である．本研究で提案した手法は，高効率かつ高性能な車両IoT情報処理基盤を実現するための重要な技術であり，今後は，協調型自動運転などの高度な連携協調システムにおける活用が期待される．
|
