[論文レビュー] Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems

Aidin Ferdowsi, Ursula Challita+1 more|arXiv (Cornell University)|Dec 12, 2017

Traffic Prediction and Management Techniques参考文献 11被引用数 25

ひとこと要約

本稿では、インтелиジェントトランスポーテーションシステム（ITS）向けに、ディープラーニングを活用したモバイルエッジ分析アーキテクチャを提案する。このアーキテクチャは、車両およびレーンサイドユニットで異種センサー情報を現地で処理することで、遅延を低減し、信頼性を向上させる。ネットワークエッジに畳み込みニューラルネットワーク（CNN）および再帰ニューラルネットワーク（RNN）を配置することにより、リアルタイムのコンピュータビジョン、ドライバー行動予測、セキュアなサイバーフィジカル操作を実現し、クラウド依存度と通信オーバーヘッドを顕著に低減する。

ABSTRACT

Intelligent transportation systems (ITSs) will be a major component of tomorrow's smart cities. However, realizing the true potential of ITSs requires ultra-low latency and reliable data analytics solutions that can combine, in real-time, a heterogeneous mix of data stemming from the ITS network and its environment. Such data analytics capabilities cannot be provided by conventional cloud-centric data processing techniques whose communication and computing latency can be high. Instead, edge-centric solutions that are tailored to the unique ITS environment must be developed. In this paper, an edge analytics architecture for ITSs is introduced in which data is processed at the vehicle or roadside smart sensor level in order to overcome the ITS latency and reliability challenges. With a higher capability of passengers' mobile devices and intra-vehicle processors, such a distributed edge computing architecture can leverage deep learning techniques for reliable mobile sensing in ITSs. In this context, the ITS mobile edge analytics challenges pertaining to heterogeneous data, autonomous control, vehicular platoon control, and cyber-physical security are investigated. Then, different deep learning solutions for such challenges are proposed. The proposed deep learning solutions will enable ITS edge analytics by endowing the ITS devices with powerful computer vision and signal processing functions. Preliminary results show that the proposed edge analytics architecture, coupled with the power of deep learning algorithms, can provide a reliable, secure, and truly smart transportation environment.

研究の動機と目的

• インテリジェントトランスポーテーションシステム（ITS）におけるクラウド中心のデータ処理の高遅延と信頼性の課題に対処する。
• クラウドからモバイルおよびレーンサイドエッジデバイスにデータ処理を移行させることで、リアルタイムで低遅延な分析を実現する。
• ディープラーニングを活用して、車両の走行状態、環境センサー、ドライバー行動といった異種データソースを処理する。
• エッジにAIモデルを実装することで攻撃表面を縮小し、応答時間を短縮することで、システムのレジリエンスとセキュリティを向上させる。
• 自律制御、プラトゥーン協調、セキュアなサイバーフィジカル操作をサポートするスケーラブルで分散型のエッジ分析フレームワークを構築する。

提案手法

• 車両およびレーンサイドユニットでディープニューラルネットワーク（DNN）を用いて、データを現地で処理する分散型エッジコンピューティングアーキテクチャを設計する。
• リアルタイムのコンピュータビジョンタスク（物体検出、交通標識認識など）に畳み込みニューラルネットワーク（CNN）を実装する。
• 時間的ダイナミクスをモデル化するため、交通フローおよびドライバー行動のための長期短期記憶（LSTM）ネットワークを活用する。
• エッジに生成的対抗ネットワーク（GAN）を統合し、リアルタイムで悪意のある攻撃を検出するとともに、データのロバスト性を向上させる。
• RNNと組み合わせたゲーム理論的モデルを用いて、自律走行車両と人間運転車両のプラトゥーンにおける相互作用をモデル化する。
• フェデレーテッドラーニングの原則を適用し、データプライバシーを保ちつつクラウド依存度を低減する分散エッジノード間での協調的モデルトレーニングを実現する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてディープラーニングモデルをモバイルエッジに効果的にデプロイすることで、ITSデータ分析における遅延低減と信頼性向上を達成できるか？
• RQ2 車両またはレーンサイドレベルでリアルタイムに異種センサー情報を処理する際、どのディープラーニングアーキテクチャが最も効果的か？
• RQ3 エッジベースのディープラーニングは、悪意ある入力の検出と応答時間の短縮を通じて、どのようにITSにおけるサイバーフィジカルセキュリティを強化できるか？
• RQ4 リソース制限のあるエッジデバイスにDNNをデプロイする際、データ正確性、システムのレジリエンス、ロバスト性を確保する上で直面する主な課題は何か？
• RQ5 エッジベースのAIモデルは、自律走行車両と人間運転車両の間で生じる動的かつ予測不能な交通シナリオと相互作用をどのようにサポートできるか？

主な発見

• 提案されたエッジ分析アーキテクチャは、車両およびレーンサイドユニットでデータを現地処理することで、クラウドの通信および計算負荷を低減する。
• エッジに配置されたLSTMやGANなどのディープラーニングモデルは、従来のクラウドベースのアプローチに比べ、セキュリティおよび行動予測タスクでより低い遅延と高い正確性を達成する。
• 予備的な結果から、エッジベースのDNNはドライバー行動予測や経路計画などのリアルタイムアプリケーションを、1秒未満の応答時間でサポート可能であることが確認された。
• ゲーム理論的モデルとRNNの統合により、自律走行車両と人間運転車両が混在する交通環境でも、自己組織的かつ適応的制御が可能になる。
• フェデレーテッドラーニングに基づくトレーニング手法は、モデル更新のための時間的・リソース的コストを低減しつつ、分散エッジノード全体でのモデルパフォーマンスを維持できる。
• 利点がある一方で、データ正確性、悪意ある攻撃に対するロバストネス、デバイス障害へのレジリエンスといった課題は、ITSにおけるエッジDNNデプロイの重要な未解決問題のまま残っている。