[論文レビュー] Deep Learning-aided Application Scheduler for Vehicular Safety Communication

Mohammad Irfan Khan, François-Xavier Aubet+2 more|arXiv (Cornell University)|Jan 25, 2019

Vehicular Ad Hoc Networks (VANETs)参考文献 14被引用数 6

ひとこと要約

本論文では、IEEE 802.11pベースのV2Xネットワークにおける隣接車両の送信パターンを予測するために長短期記憶（LSTM）ネットワークを用いた深層学習ベースのアプリケーションスケジューラを提案する。時間的・空間的側面でチャネル活動を学習・予測することで、車両は活動が少ない時期に送信をスケジューリングでき、混雑で動的な環境において衝突を顕著に低減し、安全メッセージの受信を向上させる。

ABSTRACT

802.11p based V2X communication uses stochastic medium access control, which cannot prevent broadcast packet collision, in particular during high channel load. Wireless congestion control has been designed to keep the channel load at an optimal point. However, vehicles' lack of precise and granular knowledge about true channel activity, in time and space, makes it impossible to fully avoid packet collisions. In this paper, we propose a machine learning approach using deep neural network for learning the vehicles' transmit patterns, and as such predicting future channel activity in space and time. We evaluate the performance of our proposal via simulation considering multiple safety-related V2X services involving heterogeneous transmit patterns. Our results show that predicting channel activity, and transmitting accordingly, reduces collisions and significantly improves communication performance.

研究の動機と目的

• 確率的CSMAアクセスと隠れノードによる影響により、802.11pベースのV2Xネットワークで持続的なパケット衝突が生じる課題に対処すること。
• 高密度で動的な車両環境においても完全に衝突を防止できない現行の混雑制御メカニズムの限界を克服すること。
• 安全に重要なブロードキャストメッセージの信頼性と受信確率を向上させるために、事前スケジューリングを可能にすること。
• 中央集権的な調整やプロトコル変更を必要としない、分散型で知的なスケジューリングを実現すること。
• 隣接車両の送信パターンを予測することで、実世界に近いV2Xシナリオにおいて測定可能なパフォーマンス向上が達成されることを示すこと。

提案手法

• 1ホップの隣接ノードの歴史的送信パターンを用いて、長短期記憶（LSTM）ユニットを備えた再帰的ニューラルネットワーク（RNN）を学習する。
• 隣接車両からのパケット生成イベントの時系列データを入力として、時間的依存性や送信の規則性を学習する。
• 学習済みの隣接ノード送信パターンに基づき、局所的な車両における将来のチャネル活動（使用中/空き状態）を予測する。
• 予測された低活動期間中に自車両の送信をスケジューリングすることで、衝突を回避する。
• 感知された空きスロットを超えて、衝突を引き起こす可能性がある隠れノードの送信を検出し、予測する。
• 予測ベースのスケジューラーをアプリケーション層に統合し、標準化されたITS-G5 MACレイヤーを変更せずに運用する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、動的なV2X環境における隣接車両の送信パターンを効果的に学習・予測できるか？
• RQ2 802.11pベースの車両通信ネットワークにおいて、チャネル負荷が高い状況でチャネル活動を予測することで、パケット衝突をどの程度低減できるか？
• RQ3 予測ベースのスケジューリングは、標準的なCSMAアクセスと比較して、安全関連V2Xメッセージの受信比率をどの程度向上させるか？
• RQ4 隠れ端末の送信行動を学習・予測することが、隠れ端末が存在する状況でのネットワーク全体のパフォーマンスに与える影響は何か？
• RQ5 学習ノードと非学習ノードが混在するハイブリッドシナリオにおいて、性能はどのようにスケーリングするか？

主な発見

• LSTMベースのスケジューラーは、予測された低活動期間中に送信を可能にすることで、パケット衝突を顕著に低減する。
• 提案手法は、特に高密度の高速道路環境において、安全メッセージの受信比率を向上させる。
• 隠れノードの活動を予測することが最大のパフォーマンス向上をもたらし、多くの衝突が検出不能な隠れ端末の送信に起因しているためである。
• 標準的なCSMAやDCCメカニズムよりも優れたパフォーマンスを達成しており、特にチャネル負荷が高い状況で顕著である。
• 学習ベースのスケジューラーを実装する車両が少数であっても、高い信頼性を維持する。
• シミュレーション結果により、隣接ノードの行動を学習・予測することで、分散型V2Xネットワークにおける共有無線媒体の効率的利用が可能になることが確認された。