論文の概要: Adaptive Height Optimisation for Cellular-Connected UAVs using
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2007.13695v3
- Date: Wed, 13 Apr 2022 09:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 11:37:41.756025
- Title: Adaptive Height Optimisation for Cellular-Connected UAVs using
Reinforcement Learning
- Title(参考訳): 強化学習を用いたセル接続型UAVの適応高さ最適化
- Authors: Erika Fonseca, Boris Galkin, Ramy Amer, Luiz A. DaSilva, and Ivana
Dusparic
- Abstract要約: 本稿では,環境中を移動するUAVの高さを動的に最適化するRLアルゴリズムを提案する。
その結果,提案手法はシナリオに応じて,UAVを6%から41%改善することがわかった。
- 参考スコア(独自算出の注目度): 7.073213965263513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Providing reliable connectivity to cellular-connected UAV can be very
challenging; their performance highly depends on the nature of the surrounding
environment, such as density and heights of the ground BSs. On the other hand,
tall buildings might block undesired interference signals from ground BSs,
thereby improving the connectivity between the UAVs and their serving BSs. To
address the connectivity of UAVs in such environments, this paper proposes a RL
algorithm to dynamically optimise the height of a UAV as it moves through the
environment, with the goal of increasing the throughput or spectrum efficiency
that it experiences. The proposed solution is evaluated in two settings: using
a series of generated environments where we vary the number of BS and building
densities, and in a scenario using real-world data obtained from an experiment
in Dublin, Ireland. Results show that our proposed RL-based solution improves
UAVs QoS by 6% to 41%, depending on the scenario. We also conclude that, when
flying at heights higher than the buildings, building density variation has no
impact on UAV QoS. On the other hand, BS density can negatively impact UAV QoS,
with higher numbers of BSs generating more interference and deteriorating UAV
performance.
- Abstract(参考訳): セルラー接続型UAVへの信頼性の高い接続を提供することは非常に困難であり、その性能はBSの密度や高さといった周囲環境の性質に大きく依存する。
一方、高層建築物は、地上BSからの望ましくない干渉信号を遮断し、UAVとサービスBSとの接続性を改善する可能性がある。
このような環境下でのUAVの接続性に対処するため,本研究では,UAVの高度を動的に最適化するRLアルゴリズムを提案する。
提案手法は,BSの数や密度が変化する一連の生成環境と,アイルランドのダブリンでの実験から得られた実世界データを用いたシナリオの2つの設定で評価される。
その結果,提案手法はシナリオに応じて,UAVのQoSを6%から41%改善することがわかった。
また、建物よりも高い高さを飛ぶ場合、建物密度の変化はUAV QoSに影響を与えないという結論に達した。
一方、BS密度はUAV QoSに悪影響を及ぼし、より多くのBSがより多くの干渉を発生させ、UAV性能を低下させる。
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) - Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy
Environments Based on Deep Reinforcement Learning [1.0863256257378173]
本稿では,降雨環境下でのセル接続型UAVに対する物理に基づく軌道設計手法を提案する。
物理に基づく電磁シミュレータを用いて、詳細な環境情報と雨が電波伝搬に与える影響を考察する。
提案手法は雨天下でのUAV軌道設計に大きな可能性を示した。
論文 参考訳(メタデータ) (2023-08-31T06:23:53Z) - 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) - Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted
IoT Data Collection System [25.32139119893323]
無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。
UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。
本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
論文 参考訳(メタデータ) (2022-10-27T06:27:40Z) - Vision-Based UAV Self-Positioning in Low-Altitude Urban Environments [20.69412701553767]
無人航空機(UAV)は安定した位置決めのために衛星システムに依存している。
このような状況下では、視覚に基づく技術が代替手段として機能し、UAVの自己配置能力を確実にする。
本稿では,UAV自己配置タスク用に設計された最初の公開データセットであるDenseUAVを提案する。
論文 参考訳(メタデータ) (2022-01-23T07:18:55Z) - 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) - Federated Learning for UAV Swarms Under Class Imbalance and Power
Consumption Constraints [6.995852507959362]
設計上の制約を考慮しつつ、UAVの利用効率を調査することが不可欠である。
本稿では,各UAVが機械学習分類タスクを遂行する際のUAVスワムの展開について検討する。
論文 参考訳(メタデータ) (2021-08-23T16:10:14Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳(メタデータ) (2021-07-19T12:54:04Z) - Integrating LEO Satellites and Multi-UAV Reinforcement Learning for
Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。
我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
論文 参考訳(メタデータ) (2020-10-20T09:07:10Z) - 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) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための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) (2020-02-19T14:04:01Z)
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。