研究課題/領域番号 |
22K17880
|
研究種目 |
若手研究
|
配分区分 | 基金 |
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 |
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)
|
研究期間 (年度) |
2022-04-01 – 2025-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2024年度: 260千円 (直接経費: 200千円、間接経費: 60千円)
2023年度: 260千円 (直接経費: 200千円、間接経費: 60千円)
2022年度: 4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
|
キーワード | フェデレーテッドラーニング / 深層強化学習 / LSTM / 自動運転 |
研究開始時の研究の概要 |
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。
|
研究実績の概要 |
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。
|
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
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。
|
今後の研究の推進方策 |
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。
|