国際会議ICDCN2026で16件の研究発表・受賞
2026年1月に奈良で開催されたICDCN 2026にて計16件の研究発表・2件の受賞
研究発表 受賞
国際会議 · 2026
Neural Surrogate Model for Autonomous Driving Communications Based on Strategic Sampling
Abstract
Autonomous driving and vehicle-to-everything applications impose near-real-time requirements on communication-quality estimation, but high-fidelity simulators are computationally prohibitive for online use. To bridge this gap, neural surrogate models are used to emulate expensive simulators, enabling fast, deployable inference. However, training accurate surrogates itself demands many expensive simulation runs, often wasting compute on redundant simulations. In this paper, we present a methodological framework for constructing neural surrogate models that approximate communication performance under constrained simulation budgets. The proposed workflow combines global coverage via Latin Hypercube Sampling with gradient-based focused sampling to efficiently allocate expensive simulation runs to regions of greatest model uncertainty or sensitivity.
解説
自動運転や車車間通信では、いまこの場所でどれくらいの通信品質が出るのかを、走りながら判断しなければならない場面があります。電波の伝わり方を忠実に計算するシミュレータは存在しますが、一回の計算に時間がかかるため、走行中に問い合わせて答えを待つという使い方には向きません。
そこで使われるのが代理モデルです。代理モデルというのは、重い計算の入力と出力の関係だけをニューラルネットワークなどに学習させ、本来のシミュレータの代わりに答えさせる仕組みのことで、一度作ってしまえば推論は一瞬で終わります。ただしこの方式には、学習データを作るために結局そのシミュレータを何度も回さなければならないという矛盾があります。しかも闇雲に条件を振って回すと、似たような結果ばかりが集まって計算資源を無駄にします。
本研究は、限られたシミュレーション回数のもとで通信性能を近似する代理モデルを作るための、サンプリングの設計に踏み込んでいます。組み合わせているのは二つの考え方で、ラテン超方格サンプリングによって条件空間の全体をむらなく押さえたうえで、勾配に基づく集中的なサンプリングによって、モデルの不確かさが大きい領域や出力が敏感に変わる領域に計算を重点配分します。
どこを測るかを決めることそのものを設計対象にしている点が、この研究の位置づけです。
関連する研究室活動
