Fugu-MT 論文翻訳(概要): Multi-Radar Tracking Optimization for Collaborative Combat

論文の概要: Multi-Radar Tracking Optimization for Collaborative Combat

arxiv url: http://arxiv.org/abs/2010.11733v1
Date: Tue, 20 Oct 2020 07:42:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 05:53:14.539686
Title: Multi-Radar Tracking Optimization for Collaborative Combat
Title（参考訳）: 協調戦闘のためのマルチレーダー追尾最適化
Authors: Nouredine Nour, Reda Belhaj-Soullami, C\'edric Buron, Alain Peres, Fr\'ed\'eric Barbaresco
Abstract要約: 本稿では、分散化されたネットワークレーダ協調のための2つの新しい報奨に基づく学習手法を提案する。これらの手法を、レーダーが複数の目標を同時に追従できるシミュレーションに適用し、強欲なベースラインと比較することで暗黙の協調を学習できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Smart Grids of collaborative netted radars accelerate kill chains through more efficient cross-cueing over centralized command and control. In this paper, we propose two novel reward-based learning approaches to decentralized netted radar coordination based on black-box optimization and Reinforcement Learning (RL). To make the RL approach tractable, we use a simplification of the problem that we proved to be equivalent to the initial formulation. We apply these techniques on a simulation where radars can follow multiple targets at the same time and show they can learn implicit cooperation by comparing them to a greedy baseline.
Abstract（参考訳）: 協調ネットワークレーダのスマートグリッドは、中央集権的なコマンドとコントロールよりも効率的なクロスキューを通じて、キルチェーンを加速する。本稿では,ブラックボックス最適化と強化学習(rl)に基づく分散型レーダコーディネーションに対する報酬に基づく2つの学習手法を提案する。 RL アプローチをトラクタブルにするために、初期定式化と等価であることが証明された問題を単純化する。これらの手法を,レーダーが複数の目標を同時に追従できるシミュレーションに適用し,それらを欲望のベースラインと比較することで暗黙の協力関係を学習できることを示す。

関連論文リスト

UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文参考訳（メタデータ） (2024-04-11T03:19:22Z)
Tracking mulitple targets with multiple radars using Distributed Auctions [0.0]
分散型および協調型バンドルオークションに基づくレーダコーディネートのための高弾力性アルゴリズムを提案する。このアプローチでは、複数のターゲットを同時に追跡し、同じターゲットを追跡する2つのレーダーを使用して精度を向上させることができる。
論文参考訳（メタデータ） (2023-07-31T08:14:29Z)
Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
論文参考訳（メタデータ） (2023-06-27T16:15:15Z)
Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach [30.65529797672378]
本稿では,レーダ間のコーディネーションを検出するために,新しい多目的逆強化学習手法を提案する。また、多目的最適化システムの逆検出と学習に関するより一般的な問題にも適用できる。
論文参考訳（メタデータ） (2022-11-13T17:27:39Z)
DL-DRL: A double-level deep reinforcement learning approach for large-scale task scheduling of multi-UAV [65.07776277630228]
分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
論文参考訳（メタデータ） (2022-08-04T04:35:53Z)
Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文参考訳（メタデータ） (2021-12-20T15:45:28Z)
Controlled Deep Reinforcement Learning for Optimized Slice Placement [0.8459686722437155]
我々は、"Heuristally Assisted Deep Reinforcement Learning (HA-DRL)"と呼ばれるハイブリッドML-ヒューリスティックアプローチを提案する。提案手法は,最近のDeep Reinforcement Learning (DRL) によるスライス配置と仮想ネットワーク埋め込み (VNE) に活用されている。評価結果から,提案したHA-DRLアルゴリズムは,効率的なスライス配置ポリシーの学習を高速化できることが示された。
論文参考訳（メタデータ） (2021-08-03T14:54:00Z)
Distributed Reinforcement Learning for Flexible and Efficient UAV Swarm Control [28.463670610865837]
本稿では,大規模群に拡大する分散強化学習(RL)手法を提案する。本実験では, 本手法がコミュニケーションチャネル障害に強い効果的な戦略を導出できることを示した。また,本手法は計算集約的なルックアヘッドに比べて優れた性能を実現することを示す。
論文参考訳（メタデータ） (2021-03-08T11:06:28Z)
Provably Efficient Algorithms for Multi-Objective Competitive RL [54.22598924633369]
エージェントの報酬がベクトルとして表現される多目的強化学習(RL)について検討する。エージェントが相手と競合する設定では、その平均戻りベクトルから目標セットまでの距離によってその性能を測定する。統計的および計算学的に効率的なアルゴリズムを開発し、関連するターゲットセットにアプローチする。
論文参考訳（メタデータ） (2021-02-05T14:26:00Z)
Robust Deep Reinforcement Learning through Adversarial Loss [74.20501663956604]
近年の研究では、深層強化学習剤は、エージェントの入力に対する小さな逆方向の摂動に弱いことが示されている。敵攻撃に対する堅牢性を向上した強化学習エージェントを訓練するための原則的フレームワークであるRADIAL-RLを提案する。
論文参考訳（メタデータ） (2020-08-05T07:49:42Z)

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。