技術要約：信頼性とリソース効率の高いタクタイル・インターネットのための不確実性を考慮した触覚信号推定

問題提起

タクタイル・インターネット（TI）は、サブミリ秒のレイテンシと極めて高い信頼性（99.999%以上）を伴うクローズドループ制御システムを必要とする、リアルタイムのリモート触覚インタラクションの実現を目指している。これらのシステムをスケールアップする際の主要なボトルネックは、知覚的な透明性を確保するために必要な高いサンプリングレート（通常1 kHz）である。マルチユーザーの無線環境において、このようなレートでの送信は、深刻なネットワーク混雑、干渉、およびデッドライン違反を引き起こす。

パーセプチュアル・デッドバンド（PD）フィルタリングのような従来の手法は、低運動時におけるパケット抑制には成功しているが、高運動時のバーストにおけるトラフィック急増を防ぐことはできない。さらに、既存の予測モデル（LSTMやガウス過程など）は、多くの場合MAC層とは独立して動作しており、モデルの信頼度をリアルタイムのパケット抑制決定へと変換するメカニズムを欠いている。加えて、現在の手法は、変動するネットワーク条件下で、送信レートの削減と、安定したテレオペレーションに必要な超高信頼性の維持との間のトレードオフを両立することに苦慮している。

手法：A2HAPフレームワーク

予測AIと通信制約の間の断絶に対処するため、著者らはAgile AI-empowered Haptic (A2HAP) フレームワークを提案する。このシステムは、確率的ニューラルネットワークと誤差回復型コントローラを統合し、送信閾値を動的に適応させる。

1. コアコンポーネント

• VarxHAP（確率的推定器）： 力の推定値と校正された不確実性指標の両方を出力する新しいニューラルネットワーク。これは、ヒストリカルな力フィードバックと現在のオペレータのコマンド（位置および速度）を融合するために、クロスアテンションを備えたデュアルブランチGRU（Gated Recurrent Unit）アーキテクチャを利用して、オペレータ側とテレオペレータ側の両方で動作する。
  • ステップ認識埋め込み（Step-Aware Embedding）： 高周波の触覚処理を扱うため、モデルはステップ認識埋め込みを組み込み、推定ステップを高次元空間に明示的にマッピングすることで、標準的なRNNがロールアウトの深さを追跡できないという課題に対処する。
  • 複合不確実性損失（Composite Uncertainty Loss）： モデルは、点予測誤差（MSE）、高誤差イベント時に不確実性を低く見積もることを防ぐためのガウス負の対数尤度（NLL）項、および予測分散が観測された二乗残差と一致するように強制するキャリブレーション項を組み合わせた複合損失関数を用いて訓練される。
• 誤差回復型コントローラ（Error-Resilient Controller）： リアルタイムのネットワーク混雑とモデルの不確実性に基づいて、送信閾値を動的にスケーリングするクローズドループ機構。
  • 不確実性認識型抑制（Uncertainty-Aware Suppression）： システムは階層的なゲーティング論理を採用する。知覚的な変化が最小可識別差（JND）閾値を超え、かつモデルの不確実性が動的な閾値 $\tau_k(m)$ を超えた場合にのみ、送信が要求される。
  • 適応型閾値設定： ドリフトを防ぐために、閾値 $\tau_k(m)$ は連続した推定回数に基づいて指数関数的に減衰する。
  • PI制御ロジック： プロポーショナル・インテグラル（PI）コントローラが、ベースとなる不確実性（$\sigma_b$）と減衰率（$\lambda$）のパラメータを調整する。これは、推定のドリフトによる誤差とネットワーク混雑による誤差を区別し、推定器を更新するために頻繁な送信を強制するか、あるいは混雑を緩和するためにパケットを抑制するかを判断する。

2. 信号再構成

受信側では、送信の成否に基づいて触覚信号が再構成される：

• 成功時： 真の力が受信される。
• 知覚的沈黙（$f_{JND}=0$）： 最後に受信された参照値が再生される。
• モデルの信頼性（$f_{AI}=0$）または誤差： 受信側は、フォールバック用のリカバリメカニズムとして、VarxHAPの点予測（$\mu_{k,t}$）を使用する。

主な貢献

本論文は、以下の3つの主要な貢献を述べている：

1. 不確実性認識型触覚推定器（VarxHAP）： パケット抑制と信号回復の両方を可能にする、力の推定値と校正された不確実性を提供する確率的モデル。
2. 誤差回復型コントローラ： モデルの不確実性に基づいて送信閾値を動的にスケーリングするクローズドループ機構。物理的なパケット送信を、自信のあるモデル推論に置き換えるタイミングを正確に決定することで、厳格な99.999%の信頼性目標の維持を保証する。
3. AI強化型フレームワーク（A2HAP）： 反応的なパーセプチュアル・デッドバンドのみに依存するのではなく、自信のあるモデル予測によって物理的な送信を積極的に代替する、機敏なフレームワーク。

シミュレーション結果

本フレームワークは、実世界の1 kHzの触覚トレースを用い、可変パケットエラー率（PER）およびラウンドロビン方式のリソースブロック（RB）割り当てを用いた、60ユーザーのシミュレーション環境で評価された。

• リソース効率： A2HAPは、ベースライン手法と比較して、平均で25%の減少というリソースブロック消費量を達成した。ピーク時のトラフィックバースト中には、パケットレートが最大45%抑制された。
• ユーザー容量： 本フレームワークは、最先端の手法と比較して20%のユーザー容量増加を実現し（ベースラインの50に対し60ユーザーを収容）、厳格な99.999%の信頼性目標を維持した。
• 信頼性の安定性： 混雑下で急速に性能が低下するベースラインとは異なり、A2HAPは緩やかな性能劣化（graceful degradation）を示した。誤差回復型コントローラは、混雑に起因する誤差と推定誤差のバランスを適切に取り、劣悪なチャネル条件下（PERが$10^{-3}$に達する場合でも）でも高い信頼性を維持した。
• 不確実性の校正： VarxHAPモデルは、力の推定において高い精度を示しながら、揮発性の高い領域（急激な力の変化）に対して正しく高い不確実性を割り当てており、ゲーティング機構としての有用性を検証した。

意義と主張

本論文は、A2HAPが反応的なものから予測的かつ不確実性を考慮したものへのパラダイムシフトを象徴していると主張している。AIネイティブな推定と、超高信頼低遅延通信（URLLC）の厳格な要件との間の溝を埋めることで、本フレームワークは、ネットワークリソース管理のための堅牢な制御変数として、校正された信頼度指標を提供する。

著者らは、不確実性を直接送信ループに統合することが、タクタイル・インターネットの根本的なイネーブラー（実現要因）であり、低トラフィック時の大幅なリソース効率の向上と、高トラフィック時の信頼性安定化を可能にすると断言している。AI駆動のパケット抑制を誤差回復型コントローラと組み合わせることで、ユーザー体験やネットワークの安定性を損なうことなく、テレオペレーションの超高信頼性の要求を満たすことができることを、本研究は実証している。