[論文レビュー] Data Sharing and Compression for Cooperative Networked Control

Jiangnan Cheng, Marco Pavone+3 more|arXiv (Cornell University)|Sep 29, 2021

Age of Information Optimization参考文献 31被引用数 6

ひとこと要約

本稿では、データ圧縮とコントローラー性能を同時に最適化することで、ネットワーキング制御システムにおける圧縮・タスクに特化した予測を学習する共同設計フレームワークを提案する。モデル予測制御（MPC）の予測誤差に対する感度をモデル化することで、タスクに特化しないベースラインと比較して、データ送信量を80%削減しながら制御性能を25%向上させた。実際のセルラー通信、IoT、電力需要データを用いて検証した。

ABSTRACT

Sharing forecasts of network timeseries data, such as cellular or electricity load patterns, can improve independent control applications ranging from traffic scheduling to power generation. Typically, forecasts are designed without knowledge of a downstream controller's task objective, and thus simply optimize for mean prediction error. However, such task-agnostic representations are often too large to stream over a communication network and do not emphasize salient temporal features for cooperative control. This paper presents a solution to learn succinct, highly-compressed forecasts that are co-designed with a modular controller's task objective. Our simulations with real cellular, Internet-of-Things (IoT), and electricity load data show we can improve a model predictive controller's performance by at least $25\%$ while transmitting $80\%$ less data than the competing method. Further, we present theoretical compression results for a networked variant of the classical linear quadratic regulator (LQR) control problem.

研究の動機と目的

• 平均予測誤差を最適化するが、関係のない時間的特徴に帯域を無駄に使うタスクに特化しない予測の非効率性に対処すること。
• 再構成誤差ではなく、エンドツーエンドのコントローラー費用を最小化するように時系列予測を圧縮する手法を開発すること。
• データ駆動型予測、圧縮、モデルベース制御を統合した一貫した共同設計フレームワークを構築し、協調的なネットワーキング制御を実現すること。
• 交通ルーティング、電力網管理、IoT制御などの実世界応用において顕著な性能向上を示すこと。
• ネットワーキングLQR制御問題における圧縮の理論的洞察を提供し、タスクに適した表現の原理的設計を可能にすること。

提案手法

• コントローラーの感度を予測誤差に対する勾配信号として用い、標準的な予測誤差ではなくコントローラーのコスト関数を最小化する共同最適化問題を定式化する。
• 時系列 $ s_t $ の圧縮表現 $ \phi_t $ を学習する微分可能アーキテクチャを導入し、コントローラーで $ \hat{s}_t $ に復元する。
• 制御コストと予測誤差を組み合わせた重み付き損失を用い、タスク固有の目的と一般化の目的を調整するハイパーパrameter $ \lambda^F $ を導入する。
• MPCベースの制御では、制御行動が予測誤差にどのように感度を持つかを計算し、予測表現の勾配最適化を可能にする。
• 実データセット（セルラー、IoT、電力）にフレームワークを適用し、有限時間ホライズンコスト関数を用いたローリングホライズンMPCを用いて評価する。
• 理論的分析により、ネットワーキングLQRの変種における圧縮の上限を導出し、データレートと制御性能の最適なトレードオフの仕組みを示す。

実験結果

リサーチクエスチョン

• RQ1 下流のコントローラーのコスト関数に特化した圧縮予測を設計できるか？　一般的な予測精度を最適化するのではなく、タスクに特化したものにできるか？
• RQ2 制御目的と圧縮を共同で設計することで、エンドツーエンドの制御コストを低減し、データ送信量を最小化できるか？
• RQ3 実世界のネットワーキング制御応用において、タスクに特化した圧縮は、タスクに特化しない手法をどの程度上回るか？
• RQ4 ネットワーキングLQRシステムにおいて、圧縮レートと制御性能の理論的関係は何か？
• RQ5 予測誤差が時間ホライズン全体にわたってどのように分布するかが制御性能に与える影響は？　特に重要な時間帯を優先するように分布を設計できるか？

主な発見

• 提案手法は、IoT、交通、バッテリーのデータセットについて、それぞれボトルネックサイズが4、4、2であっても、最適制御コストの5%以内に収まる。
• IoT、交通、バッテリーのデータセットについて、ベースライン手法と比較して、それぞれ15倍、15倍、96倍の圧縮率を達成した。
• 同じボトルネックサイズにおいて、タスクに特化しないベースラインは、すべてのデータセットで提案手法よりも最低25%高い制御コストを負担した。
• 通信トラフィックデータセットでは、$ Z=60 $ のタスクに特化しない手法は最適値と比較して100%高い制御コストを負担しており、タスク固有の誤差感度を無視するリスクを示している。
• すべての3つのデータセットにおいて、タスクに特化した手法および重み付き共同設計手法の制御誤差（最適制御と実行制御のMSE）は顕著に低かった。
• 重み付き共同設計アプローチは、ローリングホライズンで最初の制御行動に依存するMPCにとって特に重要な近い将来の予測誤差を最も小さくしたが、後方のホライズンでも妥当な誤差を維持した。