| 講演抄録／キーワード |
| 講演名 |
2022-10-31 10:30
［ポスター講演］強化学習を用いた低遅延無線LANリソース制御方式の火力発電所環境下における検証
○依田大輝・鍋谷寿久（東芝） |
| 抄録 |
（和） |
産業向けM2M(Machine to Machine)分野では無線技術適用の期待が高まっており、特に制御通信用途においては通信遅延を低減することが重要である。一方で、無線通信の分野におけるAI技術の進化は目覚ましく、機械学習を用いた低遅延な無線リソース制御方式が広く検討されている。これらの研究では、一般的なチャネルモデルに従う伝搬路変動を想定したシミュレーションに基づく評価が多い。しかしながら、工場や発電所などの産業環境における伝搬環境は、多数の金属パイプや機器の影響により一般的な屋内伝搬モデルとは大きく異なるため、機械学習によるリソース制御が産業環境において適切に動作するかどうか定かではない。そのため、産業環境におけるリソース制御方法の有効性を評価するためには、実際の産業現場における伝搬路の変動を用いて評価することが重要である。本検討では、CSMA/CAアクセス制御を用いた無線LANシステムにおいて、時間的に変化する受信信号強度指標（RSSI）に基づき、強化学習を用いて大きな遅延時間を抑制する変調・符号化方式選択およびコンテンションウィンドウ制御方式を提案し、火力発電所内の様々な場所で測定したRSSI系列を用いて、一般的な屋内伝搬モデルに適合しない環境においても、強化学習によるリソース管理が適切に適用可能かどうかを評価した。その結果、強化学習を用いた提案手法により、大きな遅延時間の発生を抑制できることを確認した。 |
| （英） |
In industry, the demand for wireless communications is increasing, and especially in control communication applications, it is important to reduce communication delays. AI technology has evolved remarkably in recent years, and in the field of wireless communications, many studies have looked at how to reduce these delays through radio resource management using machine learning. In many of these studies, the effectiveness of resource control methods has been demonstrated by simulations that assume a varying propagation path according to a channel model. However, industrial environments such as factories and power plants are expected to differ significantly from the typical indoor propagation model due to the influence of numerous metallic pipes and equipment. Therefore, to evaluate the effectiveness of resource management methods in industrial environments, it is not sufficient to use only a modeled propagation path. Rather, it is important to evaluate such methods using propagation path variations at actual industrial sites. In this paper, we propose a method of modulation and coding scheme selection and contention window control for wireless LAN systems using CSMA/CA access control, which uses reinforcement learning to suppress large delay times based on the time-varying received signal strength indicator (RSSI). In particular, by using the RSSI series measured at various locations in a thermal power plant, we evaluated whether resource management through reinforcement learning can be properly applied in environments that do not conform to the general indoor propagation model. |
| キーワード |
（和） |
無線通信 / リソース制御 / 遅延時間 / 強化学習 / / / / |
| （英） |
wireless communication / radio resoursce management / delay time / reinforcement learning / / / / |
| 文献情報 |
信学技報 |
| 資料番号 |
|
| 発行日 |
|
| ISSN |
|
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
RISING |
| 開催期間 |
2022-10-31 - 2022-11-02 |
| 開催地（和） |
京都テルサ（1日目），オンライン開催（2，3日目） |
| 開催地（英） |
Kyoto Terrsa (Day 1), and Online (Day 2, 3) |
| テーマ（和） |
超知性通信ネットワークに関する研究， 一般 |
| テーマ（英） |
|
| 講演論文情報の詳細 |
| 申込み研究会 |
RISING |
| 会議コード |
2022-10-RISING |
| 本文の言語 |
日本語 |
| タイトル（和） |
強化学習を用いた低遅延無線LANリソース制御方式の火力発電所環境下における検証 |
| サブタイトル（和） |
|
| タイトル（英） |
Validation of a Low Latency Method for Wireless LANs using Reinforcement Learning in a Thermal Power Plant Environment |
| サブタイトル（英） |
|
| キーワード(1)（和/英） |
無線通信 / wireless communication |
| キーワード(2)（和/英） |
リソース制御 / radio resoursce management |
| キーワード(3)（和/英） |
遅延時間 / delay time |
| キーワード(4)（和/英） |
強化学習 / reinforcement learning |
| キーワード(5)（和/英） |
/ |
| キーワード(6)（和/英） |
/ |
| キーワード(7)（和/英） |
/ |
| キーワード(8)（和/英） |
/ |
| 第1著者 氏名（和/英/ヨミ） |
依田 大輝 / Daiki Yoda / ヨダダ イキ |
| 第1著者 所属（和/英） |
株式会社東芝 (略称： 東芝)
Toshiba Corporation (略称： Toshiba) |
| 第2著者 氏名（和/英/ヨミ） |
鍋谷 寿久 / Toshihisa Nabetani / |
| 第2著者 所属（和/英） |
株式会社東芝 (略称： 東芝)
Toshiba Corporation (略称： Toshiba) |
| 第3著者 氏名（和/英/ヨミ） |
/ / |
| 第3著者 所属（和/英） |
(略称： )
(略称： ) |
| 第4著者 氏名（和/英/ヨミ） |
/ / |
| 第4著者 所属（和/英） |
(略称： )
(略称： ) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2022-10-31 10:30:00 |
| 発表時間 |
45分 |
| 申込先研究会 |
RISING |
| 資料番号 |
|
| 巻番号（vol） |
vol. |
| 号番号（no） |
|
| ページ範囲 |
|
| ページ数 |
|
| 発行日 |
|
|