[論文レビュー] Machine Learning in Event-Triggered Control: Recent Advances and Open Issues

Leila Sedghi, Zohaib Ijaz+3 more|arXiv (Cornell University)|Sep 27, 2020

Age of Information Optimization被引用数 7

ひとこと要約

この論文は、ネットワーク制御システム（NCSs）における通信帯域の最適化と動的システム変化への適応を目的として、機械学習（ML）とイベント駆動制御（ETC）の統合をレビューする。ML—特に統計的学習、ニューラルネットワーク、強化学習—がシステムのダイナミクスを学習し、必要な場合にのみ制御更新をトリガーすることで、ネットワーク負荷を低減しながら性能を維持できることを提案する。

ABSTRACT

Networked control systems have gained considerable attention over the last decade as a result of the trend towards decentralised control applications and the emergence of cyber-physical system applications. However, real-world wireless networked control systems suffer from limited communication bandwidths, reliability issues, and a lack of awareness of network dynamics due to the complex nature of wireless networks. Combining machine learning and event-triggered control has the potential to alleviate some of these issues. For example, machine learning can be used to overcome the problem of a lack of network models by learning system behavior or adapting to dynamically changing models by continuously learning model dynamics. Event-triggered control can help to conserve communication bandwidth by transmitting control information only when necessary or when resources are available. The purpose of this article is to conduct a review of the literature on the use of machine learning in combination with event-triggered control. Machine learning techniques such as statistical learning, neural networks, and reinforcement learning-based approaches such as deep reinforcement learning are being investigated in combination with event-triggered control. We discuss how these learning algorithms can be used for different applications depending on the purpose of the machine learning use. Following the review and discussion of the literature, we highlight open research questions and challenges associated with machine learning-based event-triggered control and suggest potential solutions.

研究の動機と目的

• 実世界の無線ネットワーク制御システム（NCSs）における制限的かつ信頼性の低い通信帯域の課題に対処する。
• NCSsにおける正確なシステムおよびネットワークモデルの欠如を、動的システム行動とネットワーク状態を学習する機械学習を用いて克服する。
• 必要最小限の通信を実現するため、イベント駆動制御（ETC）とMLを組み合わせ、必要な場合にのみ更新をトリガーする。
• スマートグリッド、UAV、産業オートメーションなどの動的環境において、適応的でMLベースのETCにより、システムのロバスト性とパフォーマンスを向上させる。
• 計算負荷、プライバシー、セキュリティなどのMLベースのETCにおける未解決の研究課題を特定し、フェデレーテッドラーニングやスマートトリガリングメカニズムなどの解決策を提案する。

提案手法

• リアルタイムでのシステムモデル推定と適応に、統計的学習（SL）、ニューラルネットワーク（NNs）、強化学習（RL）（深層強化学習を含む）を活用する。
• イベント駆動制御（ETC）を用いて、システム状態の偏差がしきい値を超えた場合にのみデータを送信することで、通信を削減し、ネットワーク使用量を最小限に抑える。
• 連続的な状態監視の必要を減らすために、将来のトリガータイムを事前に計算する自己駆動制御（STC）をETCのより効率的な代替手段として導入する。
• ML技術を活用して、未知のシステムダイナミクス、モデルの不確実性、故障特徴を学習し、変化する環境でも適応的かつロバストな制御を実現する。
• 複数エージェントNCSsにおけるデータプライバシーを保護するため、フェデレーテッドラーニングを統合し、ローカルでモデルを学習し、更新のみを共有する。
• 指数的または線形補償メカニズムを用いて、混沌としたまたは冗長な送信を回避するスマートなイベントトリガリング方式を設計する。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術は、不確実性や時間変動するダイナミクスを示すNCSsにおけるイベント駆動制御の適応性とロバスト性をどのように向上させることができるか？
• RQ2 特に計算オーバーヘッド、モデルの正確性、リアルタイム性能の観点から、MLとETCを統合するにあたり、どのような主な課題が存在するか？
• RQ3 自己駆動制御（STC）は、制御パフォーマンスを維持しつつ、どのように連続的な状態観測の必要性を低減できるか？
• RQ4 分散型NCSsにおけるサイバー攻撃（例：データインジェクション攻撃、プライバシー漏洩）からMLベースのETCをどのように保護できるか？
• RQ5 フェデレーテッドラーニングは、マルチエージェントシステムにおけるプライバシー保護型分散モデル学習を実現する上で、ML強化ETCにどのように貢献できるか？

主な発見

• 機械学習は、オンラインでのシステムダイナミクス学習を可能にすることで、正確な事前モデルへの依存を大幅に低減し、イベント駆動制御を顕著に向上させる。
• 統計的学習、ニューラルネットワーク、強化学習が、ETCシステムにおけるモデル推定と制御最適化に主に用いられる主要なMLアプローチである。
• 自己駆動制御（STC）は、トリガータイムを事前に計算するため、従来のETCに比べて通信および計算オーバーヘッドを低減し、ML統合に特に適している。
• フェデレーテッドラーニングにより、複数エージェントNCSsにおけるデータプライバシーを保護するモデル学習が可能になり、分散ノード間での生データ共有の懸念を軽減する。
• 指数的または線形補償を組み込んだスマートなイベントトリガリング方式は、混沌としたまたは冗長なトリガリングを防止し、ネットワーク効率を向上させる。
• MLベースのETCは、特に正確な特徴分類に深層ニューラルネットワークを組み合わせた場合、故障検出および耐障害制御において強く有望な成果を示している。