自己学習AIに基づくメッシュ適応ルーティング最適化システムの研究

2026-05-01 项目总览

：にジャンプモデリング論文

プロジェクトドキュメンテーション&スタディの概要

1. 研究の背景

現在、ワイヤレスメッシュネットワークは一般的に、信号は強いが接続が不安定であるという問題を抱えています。従来のZigbee、WIFIメッシュ、およびその他のプロトコルは、ルーティングの選択に単一の信号強度係数に依存しており、リンクパケット損失率、物理的閉塞、ノード負荷などの重要な要素を完全に認識できません。壁の閉塞や人員の移動などの動的干渉に遭遇すると、ネットワークは簡単に中断され、変化/複雑な環境に適応できず、特殊な環境での通信ニーズを満たすことが困難になります。
このプロジェクトは、従来の単一要素の意思決定モデルを変更し、AI インテリジェントな意思決定アーキテクチャを構築します。ランダムフォレストアルゴリズムを ESP32-C6 チップに展開することで、各ノードがクラウドの参加なしに独立した意思決定を行うことができるようになります。このシステムは、信号品質、リンクホップ数、ノード負荷、リンク安定性などの多次元機能を統合して、パッシブ接続からアクティブ最適化への飛躍を実現し、複雑で不安定な環境でもネットワークが堅牢で効率的で自己修復的な状態を維持することを保証します。

2。プロジェクト概要

本プロジェクトでは、AIアルゴリズムに基づく適応型ルーティング最適化システムを構築します。
OMNet++ ワイヤレスネットワーク物理シミュレーションソフトウェアによって、複数の壁と通信ノードを含むシナリオが構築され、6959 シミュレーション学習データが得られました。その後、ランダムフォレストアルゴリズムを使用してトレーニングセットデータを適合させ、より適合効果の高い数学モデルが得られました。
このモデルは、ランダムフォレストで近似した関数として近似できます

DeliveryRatio = f(RSSI, Hop, Child, Loss)

研究後、得られた予測アルゴリズムをESP32-C6マイクロコントローラーに展開し、実験が実施されました。結果は、この論文で得られたモデルが、上位ノードを選択する際に信号強度、リンクホップ数、ノード負荷などの情報をより適切に考慮し、ネットワーキングのより包括的な品質を備えたノードを選択できることを示しています。
このアルゴリズムは、大規模で複雑な環境での迅速なネットワーク展開などのシナリオに適用でき、実用的な見通しがあります。

3。コアハイライト

1.多機能融合ルーティングの意思決定

信号強度のみに依存する従来のルーティング方法を打破し、RSSI、伝送距離、リンク品質、エネルギー消費などの多次元機能を統合し、経路の意思決定の精度を向上させます。

2. モジュール式インテリジェント・ネットワーキング

各 ESP32-C6 は独立したユニットであり、ユニットは相互に通信および交渉し、トレーニング意思決定モデルはさまざまな実際のデータを合成してノード品質指標を推定し、最終的に最適なトポロジーネットワークを形成できます。
ネットワーク後、ESP32、C6、S3、C3、8266、携帯電話、タブレット、コンピューターのいずれであっても、これらのノードを介してアクセスできます。現時点では、これらのノードはネットワークリレールーティングの役割を果たします。

3. 機械学習に基づく適合予測モデルの学習

OMNeT++ワイヤレス物理シミュレーションツールによるデータ取得，ランダムフォレストトレーニングルーティングモデルの使用，決定係数：

\mathrm{R}^2 = 0.965047, \mathrm{MSE} = 0.001571

高精度な経路品質予測を実現します。

4. AI エッジの展開

ESP32-C6ノードへのモデルの展開，ローカルリアルタイム推論の実現，クラウド参加なしモデルの意思決定の応答速度と利便性を向上させます。

5.3Dモデリングとプリンティング+PCB設計

端子ハウジングは、3Dモデリングおよびプリンティング技術、統合リチウム電池および充放電モジュールを使用して設計され、設計および校正されたPCB回路基板に個々のコンポーネントをはんだ付けすることにより、回路の統合が実現されます。

6. クラウドデータ/構造のリアルタイム監視

Python Flaskフレームワークと組み合わせて、サーバーを構築し、バックエンドを構築し、Dockerコンテナ化を通じてLinuxクラウドサーバーにサーバーを展開し、Debian-12.0を記述し、フロントエンドページをVue.JSを介して作成し、ネットワークトポロジーとノード情報のリアルタイム監視を実現します。

4. 従来のネットワーク接続方法との比較図

1。通常の状況

2。発生する可能性のある予期しない状況（信号の遮断または長距離の信号が弱い）

比較図 1，2：この革新的なソリューションの利点は明らかです，トレーニングされた AI モデルの組み合わせにより、このプロジェクトは環境に適応し、変化する環境でネットワークトポロジ構造を自動的に最適化する能力を備えており、より強力な適応性、柔軟性、予測可能性を備えています。

5.アプリケーションの見通し

災害現場での緊急通信（基地局のない環境）
スマートIoTネットワーク
産業用低電力監視ネットワーク
スマートホーム自己組織化ネットワーク

研究日記

1。トピックの選択

ステータス：
現在、ワイヤレスメッシュネットワークは一般的に信号は強いですが、不安定な現象があります。
問題：
従来のプロトコルは、ルーティングの選択に単一の信号強度に依存しており、リンクパケット損失率、物理的なオクルージョン、ノード負荷などの重要な要素を完全に認識することができません。
研究目的：
堅牢で効率的で自己修復的なインテリジェントメッシュネットワークシステムを構築します。

2：シミュレーション環境構築とデータ収集

OMNet++ワイヤレスネットワーク物理シミュレーションソフトウェアを使用してシナリオを構築します。
シミュレーションロジックは、次の仮定に基づいています：

シーンは2次元の部屋です，ゲートウェイ、端末、リレー、壁は各ラウンドでランダムに生成されます。
壁は線分に単純化され、リンクが壁を貫通しているかどうかにかかわらず、信号の減衰は壁の貫通数に直線的に累積されます。
ツリー構造としてのネットワーキング，ルートノードとしてのプライマリゲートウェイ
ホップ数はトランクからゲートウェイまでのパスの長さとして定義され、サブデバイスの数はツリー内のトランクの直接の子ノードの数として定義されます。
信号に対する壁の弱体化効果対数距離経路損失モデルの修正モデルを用いた計算

PL = PL_0 + 10n \log_{10}\left(\frac{d}{d_0}\right) + N_{\text{wall}} \cdot A_{\text{wall}}

リレーノードのサブデバイスが多いほど、ノードの負荷が大きくなり、パケット損失の可能性が高くなります。
すべてのリレー転送プロセスでパケット損失が発生する可能性があります。

上記の仮定：
C++でのシミュレーションロジックの記述，ランダム環境生成を含むゲートウェイ、端末、リレーノード、壁の位置、端末から各トランク、トランクからゲートウェイへのパスのRSSIとホップの計算、サブデバイス負荷がリンク成功率に与える影響、リレー確率パケット損失、統計シミュレーションパケット到達可能性、CSV結果出力（RSSI、ホップ数、サブデバイス数、ノード間パケット損失率、到達率

3：データ処理、AIモデルの学習と最適化

（ 1 ）データの前処理

データには合計 6959 レコード，各レコードは 5 フィールドで構成されています：

信号強度（RSSI_dBm）
ホップ数
ノードサブノードの数（ChildCount）
NodeToGatewayLossRate（NodeToGatewayLossRate）
ターミナルパケット到達率（DeliveryRatio）
RSSI_dBm、HopCount、ChildCount、NodeToGatewayLossRate が機能です。
エンドポイントとゲートウェイの到達可能性 DeliveryRatio をモデル予測のラベルとして（ターゲット変数）。
Python の pandas ライブラリを介して csv データを読み取ります。

（ 2）トレーニングセットとテストセットを分割する

ランダム化されたデータの20%はテストセットであり、他の80%はトレーニングセットです。

（ 3 ）アルゴリズムのフィッティング

Python の scikit-learn ライブラリを使用して、線形回帰、多項式回帰、およびランダムフォレストアルゴリズムが個別に構築されます。

（ 4 ）結果分析

（1）線形回帰

\mathrm{R}^2 = 0.622295, \mathrm{MSE} = 0.016977

フィッティング効果は弱く、特徴データとラベルデータの線形関係は明らかではありません。

（2）多項式回帰（二次）

画像によると、フィッティング効果は線形回帰よりもわずかに優れていますが、負の値はモデルよりも低いと予測され、過適合現象が見られます。

\mathrm{R}^2 = 0.836970, \mathrm{MSE} = 0.007328

（3）ランダムフォレスト

特徴とラベルの間には非線形関係があり、サンプルにはノイズが存在するため、このアルゴリズムは要件を満たす予測方法であると分析されます。

\mathrm{R}^2 = 0.965047, \mathrm{MSE} = 0.001571

4. ハードウェアの開発とデプロイメント

コア：
コアコントロールユニットとして ESP32-C6 マイクロコントローラを選択します。トレーニング済みの予測アルゴリズムを ESP32-C6 ノードに展開します。基本ロジックを改良します。
構造：
3Dモデリングとプリンティング技術を用いた端子筐体の設計PCB基板設計と校正の完了
機能：
統合されたリチウム電池と充放電モジュールスイッチOLEDスクリーン。
ネットワーク機能：
各ESP32-C6は、相互に通信して最適なトポロジカルネットワークを形成する独立したユニットです。
ESP32シリーズ(C6/S3/C3/)や携帯電話、タブレット、コンピュータなどの端末に対応しています。 8266

5：クラウド監視システムの構築

バックエンド：
Python Flaskフレームワークを組み合わせてサーバーを構築します。
Dockerコンテナ化を介してLinuxクラウドサーバーにデプロイ（Debian-12.0）。
フロント：
Vue.JS を使用してフロントエンドページを作成します。
ノード番号、サブデバイスの数、パケット損失率、RSSI、その他のデータ表示を含む、ネットワークトポロジーとノード情報のリアルタイム監視が実現されます。
バックエンドログは、POST /api/データリクエスト処理などのデータ受信をリアルタイムで記録できます。

6：システムの最適化と問題の修正

プログラムの部分を整理し、ロジックと詳細エラーを見つけて修正し、システムを最適化し、いくつかの意味のある機能を追加します。