論文の概要: UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2007.00544v2
• Date: Mon, 26 Oct 2020 12:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:01:52.826678
• Title: UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement Learning Approach
• Title（参考訳）: 無線データ収集のためのuav経路計画:深い強化学習アプローチ
• Authors: Harald Bayerlein, Mirco Theile, Marco Caccamo, David Gesbert
• Abstract要約: 本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。 自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。 提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
• 参考スコア（独自算出の注目度）: 18.266087952180733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous deployment of unmanned aerial vehicles (UAVs) supporting next-generation communication networks requires efficient trajectory planning methods. We propose a new end-to-end reinforcement learning (RL) approach to UAV-enabled data collection from Internet of Things (IoT) devices in an urban environment. An autonomous drone is tasked with gathering data from distributed sensor nodes subject to limited flying time and obstacle avoidance. While previous approaches, learning and non-learning based, must perform expensive recomputations or relearn a behavior when important scenario parameters such as the number of sensors, sensor positions, or maximum flying time, change, we train a double deep Q-network (DDQN) with combined experience replay to learn a UAV control policy that generalizes over changing scenario parameters. By exploiting a multi-layer map of the environment fed through convolutional network layers to the agent, we show that our proposed network architecture enables the agent to make movement decisions for a variety of scenario parameters that balance the data collection goal with flight time efficiency and safety constraints. Considerable advantages in learning efficiency from using a map centered on the UAV's position over a non-centered map are also illustrated.
• Abstract（参考訳）: 次世代通信ネットワークをサポートする無人航空機(UAV)の自律展開には、効率的な軌道計画手法が必要である。 都市環境におけるモノのインターネット(IoT)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習(RL)アプローチを提案する。 自律ドローンは、飛行時間と障害物回避の制限を受ける分散センサーノードからデータを収集する任務を負う。 従来,センサ数,センサ位置,最大飛行時間などの重要なシナリオパラメータが変化しても,学習や非学習に基づくアプローチでは,高価な再計算や振る舞いの学習が必要であったが,シナリオパラメータの変更を一般化するUAV制御ポリシを学習するためには,ダブルディープQネットワーク(DDQN)を併用してトレーニングする。 本研究では,畳み込みネットワーク層からエージェントに供給される環境の多層マップを活用し,提案するネットワークアーキテクチャにより,データ収集目標と飛行時間効率と安全性制約のバランスをとる様々なシナリオパラメータに対して,エージェントが移動を決定できることを示す。 また、UAVの位置中心の地図を非中心の地図上で使用することにより、学習効率が向上することを示す。

関連論文リスト

• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation [28.104584236205405]
  重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。 これは例えば、農地のモニタリングに関係している。 本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-03T11:03:28Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement Learning [1.2330326247154968]
  無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。 本論文では,複数のセルコネクテッドUAVの衝突のない経路を探索する。 本稿では,オンライン信号対干渉+雑音比マッピングを用いたオフライン時間差学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-09T16:52:33Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)
• UAV Path Planning using Global and Local Map Information with Deep Reinforcement Learning [16.720630804675213]
  本研究は, 深部強化学習(DRL)に基づく自律型UAV経路計画法を提案する。 我々は、UAVの目標は、データ収集(DH)への関心領域を調査することであり、UAVは分散IoT(Internet of Things)センサーデバイスからデータを収集することである。 環境の構造化マップ情報を活用することで、異なるミッションシナリオで同一のアーキテクチャを持つ二重深度Q-networks(DDQN)を訓練する。
  論文  参考訳（メタデータ） (2020-10-14T09:59:10Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。