論文の概要: A Deep Reinforcement Learning Approach to Efficient Drone Mobility Support

• arxiv url: http://arxiv.org/abs/2005.05229v1
• Date: Mon, 11 May 2020 16:21:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 21:04:59.607072
• Title: A Deep Reinforcement Learning Approach to Efficient Drone Mobility Support
• Title（参考訳）: 効率的なドローン移動支援のための深層強化学習手法
• Authors: Yun Chen, Xingqin Lin, Talha Ahmed Khan, Mohammad Mozaffari
• Abstract要約: 地上利用をターゲットとする既存の携帯電話ネットワークは、低高度ドローンユーザの初期展開を支援することができる。 本研究では,地上の携帯電話ネットワークによって提供されるドローンに対して,効率的な移動支援と信頼性の高い無線接続を実現するための新たなハンドオーバフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.408748328358264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing deployment of drones in a myriad of applications relies on seamless and reliable wireless connectivity for safe control and operation of drones. Cellular technology is a key enabler for providing essential wireless services to flying drones in the sky. Existing cellular networks targeting terrestrial usage can support the initial deployment of low-altitude drone users, but there are challenges such as mobility support. In this paper, we propose a novel handover framework for providing efficient mobility support and reliable wireless connectivity to drones served by a terrestrial cellular network. Using tools from deep reinforcement learning, we develop a deep Q-learning algorithm to dynamically optimize handover decisions to ensure robust connectivity for drone users. Simulation results show that the proposed framework significantly reduces the number of handovers at the expense of a small loss in signal strength relative to the baseline case where a drone always connect to a base station that provides the strongest received signal strength.
• Abstract（参考訳）: ドローンの無数のアプリケーションへの展開は、ドローンの安全な制御と運用のためにシームレスで信頼性の高いワイヤレス接続に依存している。 セルラ技術は、空飛ぶドローンに必須のワイヤレスサービスを提供するための重要な手段である。 地上利用をターゲットとする既存の携帯電話ネットワークは、低高度ドローンユーザの初期展開を支援することができるが、モビリティサポートなどの課題もある。 本稿では,地上のセルネットワークによって提供されるドローンに対して,効率的な移動支援と信頼性の高い無線接続を実現するためのハンドオーバフレームワークを提案する。 深層強化学習のツールを用いて,ハンドオーバ決定を動的に最適化し,ドローンユーザの堅牢な接続性を確保するための深いq-learningアルゴリズムを開発した。 シミュレーションの結果,提案手法は,受信信号強度が最も高い基地局とドローンが常に接続するベースラインケースと比較して,信号強度の小さな損失を犠牲にして,ハンドオーバ数を大幅に削減できることがわかった。

関連論文リスト

• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• A3D: Adaptive, Accurate, and Autonomous Navigation for Edge-Assisted Drones [12.439787085435661]
  本稿では,エッジサーバによるドローンナビゲーションフレームワークであるA3Dを提案する。 A3Dは、非適応的なソリューションと比較して、エンドツーエンドのレイテンシを28.06%削減し、フライト距離を27.28%まで拡張することができる。
  論文  参考訳（メタデータ） (2023-07-19T10:23:28Z)
• Traffic Prediction in Cellular Networks using Graph Neural Networks [0.974672460306765]
  携帯電話ネットワークにおける大きな課題の1つは、ユーザ数と通信サービスの利用率の動的変化である。 この過負荷問題に対処する解決策の1つは、一時的な基地局として機能するドローンの配備である。 ドローンはリソースに非常に制約があり、数分しか飛行できない。
  論文  参考訳（メタデータ） (2023-01-30T01:38:49Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
  無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。 人工知能(AI)は近年急速に成長し、成功している。 UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
  論文  参考訳（メタデータ） (2020-09-24T07:11:31Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)
• Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV with Deep Reinforcement Learning [46.55077580093577]
  空のUAVに対して、ユビキタスな3Dコミュニケーションを実現するには、新しい課題だ。 本稿では,UAVの制御可能な移動性を利用して航法・軌道を設計する新しい航法手法を提案する。 そこで我々は,UAVの信号計測を深部Qネットワークのトレーニングに用いるSNARM (Concurrent Navigation and Radio Mapping) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T08:16:14Z)
• Machine Learning assisted Handover and Resource Management for Cellular Connected Drones [3.3274747298291207]
  セルラー接続型ドローンの通信は3次元モビリティと視線チャネル特性の影響を受けている。 ドローンから基地局への重大な干渉は、地上ユーザのアップリンク通信にとって大きな課題である。 異なるドローンの高度/速度におけるハンドオーバ決定のヒートマップが提示されている。
  論文  参考訳（メタデータ） (2020-01-22T10:04:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。