文献
J-GLOBAL ID:201802217739739376   整理番号:18A0505213

ミリ波路車間通信のカバレッジ拡大のための深層強化学習による車両移動制御

Coverage Expansion in mmWave V2I Communications by Deep Reinforcement Learning Based Vehicle Re-deployment
著者 (4件):
資料名:
巻: 117  号: 450(MoNA2017 63-71)  ページ: 317-322  発行年: 2018年02月19日 
JST資料番号: S0532B  ISSN: 0913-5685  資料種別: 会議録 (C)
記事区分: 原著論文  発行国: 日本 (JPN)  言語: 日本語 (JA)
抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
コネクテッドカーにおける高速通信を実現するため,広帯域を利用可能なミリ波帯が注目されているが,ミリ波帯の電波はマイクロ波帯に比べて距離減衰が大きいためカバレッジが狭くなる問題がある。少ない路上基地局(RSU:Road Side Unit)だけでカバレッジを確保する手法として,マルチホップ通信が検討されているが,ミリ波通信でマルチホップ通信を利用するためには,遮蔽による通信品質の劣化への対処が課題となる。本稿では,自動運転が可能なコネクテッドカーを想定し,RSUまでミリ波マルチホップで接続可能な範囲を拡大するため,LOS/NLOS(Non Line of Sight)を考慮しながら車両自身が移動して長いマルチホップリレーを構成する手法を提案する。自走ロボットによる無線センサネットワークでは移動制御にVFA(Virtual Force Algorithm)がよく使用されるが,VFAは通信品質が距離に対して単調減少する単純なモデルを前提とするため,遮蔽による電力減衰が大きいミリ波通信ではVFAの前提が成立せず,カバレッジ拡大は困難である。提案手法は強化学習を用いることで,複雑なミリ波通信品質のモデル化が困難であっても,車両自らが試行錯誤することで,カバレッジを拡大する移動方策を学習することが可能である。また,強化学習の状態定義として,リレー長の情報を含めることで性能を向上する。シミュレーション評価により,提案手法は一部の車両のみが移動制御対象の場合でもカバレッジを拡大でき,VFAによる移動制御よりもカバレッジを拡大できることを示す。(著者抄録)
シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。

準シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。

分類 (2件):
分類
JSTが定めた文献の分類名称とコードです
移動通信  ,  マイクロ波・ミリ波通信 
引用文献 (12件):
もっと見る

前のページに戻る