背景

#

手頃な価格のドローンが登場して以来、利用者は増え続けています。機動性が高く、ほかの手段では難しい空中の作業をこなせるからでしょう。5Gが目前に迫った今、研究者たちは、飛んでいるときと、次の飛行まで地上で待機しているときの両方で、ドローンをどこに置くかを最適化する新しい手法に取り組んでいます。配置がうまくいけば、セルラー接続の品質が上がり、空中のユーザー端末と地上の機器の間の平均遅延も減らせます。

A Tutorial on UAVs for Wireless Networks: Applications, Challenges, and Open Problems

#

UAVの種類

#

論文[1]は、UAVをサブクラスへと枝分かれするツリー図で分類しています。

Beyond 5G with UAVs: Foundations of a 3D Wireless Cellular Network

#

はじめに

#

• ドローンが大量に使われるようになれば、無線ネットワークに大きな影響が出る。
• 応用例はサーマルイメージング、荷物配送、空中基地局など。
• この論文は、3D空間を飛ぶ低高度のドローン型ユーザー端末に、高高度プラットフォーム（飛行船のようなUAV）に載せたアクセスポイントがサービスを提供する状況を扱っている。

背景

#

• これまでの研究は、飛行中のドローンそのものがユーザー端末（UE）になるケースを無視していた。
• ドローンネットワークのユーザーアソシエーション（どの基地局に接続するか）に関する先行研究は、空中基地局を考慮していない。

システムモデル

#

• ドローンは2種類。高高度ドローンが、低高度のユーザー端末ドローンに対するアクセスポイントの役割を果たす。

輸送理論

#

私の研究

#

Facility Location Problem Approach for Distributed Drones

#

この論文の出発点は2つの課題です。政府や航空当局はいずれドローンが離着陸できる場所を規制するはずですし、既存の研究の多くは、ドローンがどこから飛び立つのかを根拠なしに決め打ちしています。そこで私たちは、ドローンが離着陸し充電するための決まった拠点である「ドローンポート」と、施設配置問題をもとにしたアルゴリズムを提案しました。このアルゴリズムは候補地の集合からポートを選び、エリア内のタスクまでドローンが移動する平均距離を最小にします。得られるのは最適に近い配置で、ドローン全体のエネルギー消費を減らせます。さらに、いくつかの巡回セールスマン問題のアルゴリズムを使って、ドローンがすべてのタスクを回る最短ルートも求めました。

上の図は、需要の高いエリアにドローンポートを置くという考え方を表したものです。大きく色が付いているのが最適として選ばれたドローンポート、小さくグレーになっているのは、候補地のうち選ばれなかったものです。

施設配置問題

#

施設配置問題として定式化すれば、ドローンポートの配置は「予算と候補地の集合が与えられたとき、どこに置くのが最適か」を求める最適化問題になります。

参考文献

#

[1] Mozaffari, Mohammad, et al. “A tutorial on UAVs for wireless networks: Applications, challenges, and open problems.” arXiv preprint arXiv:1803.00680 (2018).

[2] Mozaffari, Mohammad, et al. “Beyond 5G with UAVs: Foundations of a 3D wireless cellular network.” IEEE Transactions on Wireless Communications 18.1 (2019): 357-372.

[3] Lynskey, Jared, et al. “Facility Location Problem Approach for Distributed Drones.” Symmetry 11.1 (2019): 118.

ここが遅延（レイテンシ）との違いです。遅延はパケット1つひとつにかかる時間、スループットは届いたパケットの量を測るものです。AoIが悪くなる道は正反対に2つあります。更新を送る頻度が低すぎれば、受信側には古い情報しか残りません。逆に送りすぎてキューが詰まれば、どの更新も届いた時点ですでに古くなっています。

そのデータ、どれくらい古いですか？

#

「データの適時性」は、Methanex NZで働いていた頃に整理した6つの評価基準のひとつです。考え方は単純で、情報は新しいほどずっと価値があります。最近では、次世代無線ネットワーク（5G）でAge of Informationを最小化するように、センサーやIoTデバイスからのデータ収集をスケジューリングするアルゴリズムが次々と提案されています。

データ品質

#

Methanex NZ時代にデータ品質について調べていて、データの質を評価する際のポイントとして次の点を挙げました。

• 適時性：使う時点で、そのデータにどれだけ価値があるか
• 完全性：フィールドの欠損なくデータが揃っているか
• 一貫性：データがどれだけ一貫した状態に保たれているか
• 信頼性：データの出所をどれだけ信頼できるか
• 正確性：データが現実をどれだけ正しく表しているか
• 整合性：ソースの数と、ソース間でデータがどれだけ整合しているか

データの時代へようこそ。

#

Age of Informationとは

#

Age of Informationは、データの鮮度に注目する指標です[1]。最近AoIが盛り上がっている背景には、4Gから5Gへの移行があります。5Gでは、IoTデバイスやマシンタイプ通信（MTC）向けの無線技術に大きな比重が置かれているからです[2]。

押さえておきたい考え方：のこぎり波、平均AoI、ピークAoI

#

AoIを時間に沿ってグラフにすると、のこぎりの歯のような形になります。更新と更新の間は、1秒につき1秒ずつ一定の傾きで増えていきます。新しい更新が届くとAoIは下がりますが、ゼロにはなりません。その更新が届くまでにかかった時間まで下がるだけです。届いた時点で、すでにそれだけ古くなっているからです。

この曲線は2つの数字で要約できます。平均AoIは、のこぎり波の下の面積を観測時間で割ったもので、任意の瞬間に見たときのAoIに相当します。ピークAoIは歯の高さ、つまり更新が届く直前のAoIの平均です。こちらのほうが解析しやすく、1サイクルの中で最悪どこまで古くなるかが分かります。

古典的な結果としてよく知られているのが、Kaul、Yates、Gruteserによる2012年の論文「Real-time status: How often should one update?」[4]です。更新が先着順（FCFS）の単一キュー（M/M/1）を通る状況をモデル化し、サービス率を μ、利用率（回線がどれだけ忙しいか）を ρ としたとき、平均AoIが次の式になることを示しました。

Δ = (1/μ) × (1 + 1/ρ + ρ² / (1 − ρ))

1/ρ の項は送る頻度が低すぎることへのペナルティ、ρ²/(1 − ρ) の項は送りすぎてキューが詰まることへのペナルティです。AoIが最小になるのは ρ ≈ 0.53 のときで、回線は半分近くの時間、空いています。スループットを最大にしたいなら ρ は1に近づけたいし、パケットごとの遅延を最小にしたいなら0に近づけたい。でも鮮度にとっての最適はそのどちらでもありません。この指標が必要な理由は、ほぼこの一点に尽きます。鮮度にとって最適な更新レートは、スループットからも遅延からも導けないのです。

AoIのスケジューリングに関する2本の論文

#

Reinforcement Learning Based Scheduling Algorithm for Optimizing Age of Information in Ultra Reliable Low Latency Networks [1]

この論文が想定しているのは、多数のセンサーが自身の状態を絶えず送信している工場のような環境です。センサー側にはストレージがないので、その時点の状態を記録するには、リモートのスケジューラに信号を拾ってもらうしかありません。選ばれなかったセンサーの信号は、スケジューラのアクセスポイントに無視されてしまいます。つまり、しきい値もパケットサイズも異なるセンサーの中から、どのセンサーの時間制約も破らないようにどう選ぶか、というジレンマがスケジューラ側に生まれるわけです。論文では「URLLCの観点での最小化は、各センサーのAoIが所定のしきい値を超える確率を最小に抑えることとして表現される」とし、この定式化を解くために、actor-criticアルゴリズムで強化学習ベースのスケジューラを学習させています。

Minimizing the Age of Information from Sensors with Correlated Observations [3]

こちらの論文が扱うのは「相関のあるセンサー情報を持つ一般的な設定における平均AoI」です。物理的な情報源からの1つの更新を複数のセンサーが観測できるので、センサー同士の観測は重なります。同じ更新をアクセスポイントが2回集めても意味がありません。著者らはスケジューリングポリシーを2つ提案しています。1つはシステムのパラメータが事前に分かっていることを前提にしたもの、もう1つは、動かしながらパラメータを学習していくコンテキスト付きバンディット（contextual bandits）ベースのものです。どちらもセンサー間の重なりをうまく使い、ランダムやラウンドロビンのスケジュールと比べてAoIを大きく下げています。

参考文献

#

[1] Elgabli, A., Khan, H., Krouka, M., & Bennis, M. (2018). Reinforcement learning based scheduling algorithm for optimizing age of information in ultra reliable low latency networks. arXiv preprint arXiv:1811.06776.

[2] Boccardi, Federico, et al. “Five disruptive technology directions for 5G.” IEEE Communications Magazine 52.2 (2014): 74-80.

[3] Kalør, Anders E., and Petar Popovski. “Minimizing the Age of Information from Sensors with Correlated Observations.” arXiv preprint arXiv:1811.06453 (2018). 後の版のタイトルは「…with Common Observations」。

[4] Kaul, S., Yates, R., & Gruteser, M. (2012). Real-time status: How often should one update? Proceedings of IEEE INFOCOM 2012, 2731-2735.

さらに学びたい方へ：最初の1本としておすすめなのは、Yates、Sun、Brown、Kaul、Modiano、Ulukusによるサーベイ論文「Age of Information: An Introduction and Survey」（IEEE Journal on Selected Areas in Communications、39巻5号、2021年）です。1冊の本でじっくり学ぶなら、Pappas、Abd-Elmagid、Zhou、Saad、Dhillon編の Age of Information: Foundations and Applications （Cambridge University Press、2023年）があります。