[論文レビュー] Digital Twins and Testbeds for Supporting AI Research with Autonomous Vehicle Networks

Anıl Gürses, Gautham Reddy+8 more|arXiv (Cornell University)|Apr 1, 2024

Digital Transformation in Industry被引用数 5

ひとこと要約

この論文は、自動運転車ネットワークAIのための開発環境（シミュレーション、 SITLデジタルツイン、サンドボックスHITL、物理テストベッド）の比較を提示し、実世界データでキャリブレーションされたSITLベースのDTを提唱し、AERPAWプラットフォームでのDT対応AIローカライゼーションのケーススタディを実証する。

ABSTRACT

Digital twins (DTs), which are virtual environments that simulate, predict, and optimize the performance of their physical counterparts, hold great promise in revolutionizing next-generation wireless networks. While DTs have been extensively studied for wireless networks, their use in conjunction with autonomous vehicles featuring programmable mobility remains relatively under-explored. In this paper, we study DTs used as a development environment to design, deploy, and test artificial intelligence (AI) techniques that utilize real-world (RW) observations, e.g. radio key performance indicators, for vehicle trajectory and network optimization decisions in autonomous vehicle networks (AVN). We first compare and contrast the use of simulation, digital twin (software in the loop (SITL)), sandbox (hardware-in-the-loop (HITL)), and physical testbed (PT) environments for their suitability in developing and testing AI algorithms for AVNs. We then review various representative use cases of DTs for AVN scenarios. Finally, we provide an example from the NSF AERPAW platform where a DT is used to develop and test AI-aided solutions for autonomous unmanned aerial vehicles for localizing a signal source based solely on link quality measurements. Our results in the physical testbed show that SITL DTs, when supplemented with data from RW measurements and simulations, can serve as an ideal environment for developing and testing innovative AI solutions for AVNs.

研究の動機と目的

• 自動運転車ネットワーク（AVN）の開発環境の比較概説を提供する。
• DTを用いてAVNで実時間観測を用いたAI技術の設計、デプロイ、テストを行えることを示す。
• DTが実世界データで校正され、物理テストベッドへの移行を可能にするエンドツーエンドのワークフローを紹介する。
• AERPAWプラットフォーム内でDT+PTアプローチを検証する具体的なAI支援ローカライゼーションケーススタディを示す。

提案手法

• AVNのAIにおけるシミュレーション、デジタルツイン（SITL）、サンドボックス（HITL）、および物理テストベッド環境を比較する。
• AVN開発サイクルと、DTがPtVとVtPの接続を提供する方法を説明する。
• AERPAWのDT対応研究ワークフローのアーキテクチャと運用を説明する。
• RWデータで校正されたDT開発を用いてPTへ展開するAI支援信号源定位のケーススタディを提示する。

Figure 1 : DT assisted AVN technology development cycle from idea to RW deployment, including continuous refinement of DT through validation and tuning.

実験結果

リサーチクエスチョン

• RQ1 異なる開発環境（シミュレーション、DT SITL、サンドボックスHITL、PT）は、AVNでのAI開発にどのように比較されるか？
• RQ2 AVNのコストを削減しAI開発を加速する上で、デジタルツインの役割は何か？
• RQ3 RWデータを用いてDTを校正し、ローカライゼーションなどのAVNタスクのAIアルゴリズムを改善するにはどうするか？
• RQ4 DTベースの開発サイクルは、AIソリューションをシミュレーションから物理テストベッドへシームレスに移行できるか？
• RQ5 AERPAW DTsをUAV/UAVおよび地上車両ネットワーク実験に用いる利点と限界は？

主な発見

• RWデータでキャリブレーションされ、シミュレーションで補完されるDTは、PTのみを使用する場合と比較してAVNのAI開発を加速できる。
• AERPAWは、DT開発がサンドボックス testingに先行し、最終的なPT検証へと繋がるワークフローを実証し、環境間のソフトウェア移行をシームレスにする。
• DTベースのAIローカライゼーションアプローチ（例: 粒子フィルターとCNNベースの指紋認識）は、RWデータで強化され、DTのみの訓練を超えた一般化を達成できる。
• RWデータログは、RW実験で観測されるディープフェードと非理想的なチャネル条件を考慮するために、シミュレータとDTモデルを調整するのに不可欠である。
• 本研究は、SITL DTがAVN AI研究の強力な開発環境であり、PT実験のみよりもスケーラビリティとコスト面で有利であることを示している。

Figure 2 : Interactions between PT , digital twin, sandbox, and simulation for experiment development and testing.