[論文レビュー] Distributed Machine Learning in Materials that Couple Sensing, Actuation, Computation and Communication

Dana Hughes, Nikolaus Correll|arXiv (Cornell University)|Jun 11, 2016

Smart Materials for Construction参考文献 20被引用数 5

ひとこと要約

本稿では、センシング、アクチュエーション、計算、通信を材料レベルに統合したロボットマテリアル—設計されたシステムに分散機械学習を統合するフレームワークを提案する。構造健全性モニタリングやタクトイルセンシングなどのタスクにおける学習手法をレビューし、無線センサーネットワークに適応されたSVM、グラフィカルモデル、混合モデルなどの分散モデルに焦点を当て、メモリ、通信、計算の制約を克服することを強調する。

ABSTRACT

This paper reviews machine learning applications and approaches to detection, classification and control of intelligent materials and structures with embedded distributed computation elements. The purpose of this survey is to identify desired tasks to be performed in each type of material or structure (e.g., damage detection in composites), identify and compare common approaches to learning such tasks, and investigate models and training paradigms used. Machine learning approaches and common temporal features used in the domains of structural health monitoring, morphable aircraft, wearable computing and robotic skins are explored. As the ultimate goal of this research is to incorporate the approaches described in this survey into a robotic material paradigm, the potential for adapting the computational models used in these applications, and corresponding training algorithms, to an amorphous network of computing nodes is considered. Distributed versions of support vector machines, graphical models and mixture models developed in the field of wireless sensor networks are reviewed. Potential areas of investigation, including possible architectures for incorporating machine learning into robotic nodes, training approaches, and the possibility of using deep learning approaches for automatic feature extraction, are discussed.

研究の動機と目的

• 構造健全性モニタリング、可変形状航空機、ウェアラブルコンピューティング、ロボットスキンなどを含む、ロボットマテリアルが効果的に展開可能な主要な応用分野を特定すること。
• これらの分野で用いられる既存の機械学習アプローチを分析し、特徴抽出、モデル選択、学習パラダイムに焦点を当てる。
• リソース制約のあるロボットマテリアルノードに適した、特に無線センサーネットワークからの分散機械学習アルゴリズムを調査すること。
• 形状が不定で分散型の計算ノードネットワークである環境において、メモリ、通信帯域、計算能力が限られた条件下でのモデル学習の課題を検討すること。
• 埋め込みセンサから得られる時系列データおよび空間信号データに対する自動特徴抽出を可能にするディープラーニングの可能性を評価すること。

提案手法

• 構造モニタリングおよびタクトイルセンシングにおける信号表現としてのスペクトログラムエネルギー、スペクトルエントロピー、透過率、直流成分といった時間的および空間的特徴をレビューする。
• 次元削減および信号モデリングのための主成分分析（PCA）、独立成分分析（ICA）、自己回帰（AR）モデルを含むモデルベース特徴を評価する。
• リソースが限られた無線センサーネットワークに特化した、サポートベクターマシン（SVM）、グラフィカルモデル、混合モデルを用いた分散学習アーキテクチャを分析する。
• 形状が不定な計算ノードネットワークにおける分散データ、部分的観測、通信制約を考慮した学習戦略を検討する。
• 集中型学習モデル（例：ディープニューラルネットワーク）を分散型エッジコンピューティングパラダイムに適応する手法を提案する。
• 統計的および確率的モデルを用いたマルチセンサデータの統合により、リアルタイムでの検出および分類精度を向上させることを検討する。

実験結果

リサーチクエスチョン

• RQ1 ロボットマテリアルにおける構造的損傷やタクトイル相互作用を検出する際、どの機械学習モデルと特徴セットが最も効果的か？
• RQ2 SVM、グラフィカルモデル、混合モデルなどの分散学習アルゴリズムは、低消費電力で埋め込み型の計算ノードネットワークで効率的に動作するようにどのように適合可能か？
• RQ3 ロボットマテリアル上での機械学習モデルの学習に直面する主な課題は、限られたメモリ、通信帯域、計算能力に起因するものであるか？
• RQ4 ディープラーニングアプローチは、分散型ロボットマテリアルシステムに効果的に展開可能か？これにより、生のセンサデータからの自動特徴抽出が可能になるか？
• RQ5 埋め込みセンサから得られる時系列および空間信号データをどのように統合すれば、検出、分類、局所化タスクの精度を向上させられるか？

主な発見

• スペクトル特徴（エネルギー、エントロピー、透過率）は、複合材料における構造的異常の検出およびインパルスの局所化に有効である。
• PCA や ICA などのモデルベース特徴は、次元削減とノイズ抑制を可能にし、高次元センサデータにおける信号表現を改善する。
• 自己回帰モデル（AR および AR-ARX）は、信号予測および残差誤差モデリングに優れており、動的応答における非線形性の同定に有用である。
• SVM、グラフィカルモデル、混合モデルの分散版は、リソース制約のあるロボットマテリアルネットワークにおける分散学習に有望である。
• センサペア間の透過率測定は、複数の点における構造的剛性の変化を捉えることで、欠陥の局所化を改善する。
• 機械学習のロボットマテリアルへの統合により、単なるしきい値ベースの検出を越えた、環境への適応的でリアルタイムの応答が可能になる。