論文の概要: Energy and Service-priority aware Trajectory Design for UAV-BSs using
Double Q-Learning
- arxiv url: http://arxiv.org/abs/2010.13346v1
- Date: Mon, 26 Oct 2020 05:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 19:40:09.805499
- Title: Energy and Service-priority aware Trajectory Design for UAV-BSs using
Double Q-Learning
- Title(参考訳): ダブルQラーニングによるUAV-BSのエネルギー・サービス優先性を考慮した軌道設計
- Authors: Sayed Amir Hoseini and Ayub Bokani and Jahan Hassan and Shavbo Salehi
and Salil S. Kanhere
- Abstract要約: 次世代モバイルネットワークは、地上基地局(UAV-BS)として無人航空機(UAV)の統合を提案している。
UAV-BSを使用する利点はあるものの、オンボードの限られた容量のバッテリーへの依存はサービスの連続性を妨げている。
本稿では,UAV-BSがIoTノードのサービス優先性を考慮し,動作決定を行うUAV支援IoTシステムに対して,エネルギー効率の高い軌道最適化を提案する。
- 参考スコア(独自算出の注目度): 8.861671836198354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Next-generation mobile networks have proposed the integration of Unmanned
Aerial Vehicles (UAVs) as aerial base stations (UAV-BS) to serve ground nodes.
Despite having advantages of using UAV-BSs, their dependence on the on-board,
limited-capacity battery hinders their service continuity. Shorter trajectories
can save flying energy, however, UAV-BSs must also serve nodes based on their
service priority since nodes' service requirements are not always the same. In
this paper, we present an energy-efficient trajectory optimization for a UAV
assisted IoT system in which the UAV-BS considers the IoT nodes' service
priorities in making its movement decisions. We solve the trajectory
optimization problem using Double Q-Learning algorithm. Simulation results
reveal that the Q-Learning based optimized trajectory outperforms a benchmark
algorithm, namely Greedily-served algorithm, in terms of reducing the average
energy consumption of the UAV-BS as well as the service delay for high priority
nodes.
- Abstract(参考訳): 次世代モバイルネットワークは、地上基地局(UAV-BS)として無人航空機(UAV)の統合を提案している。
UAV-BSを使用する利点はあるものの、オンボードの限られた容量のバッテリーへの依存はサービスの連続性を妨げている。
短い軌道は空飛ぶエネルギーを節約できるが、UAV-BSはノードのサービス要件が必ずしも同じとは限らないため、そのサービスの優先度に基づいてノードを提供する必要がある。
本稿では,UAV-BSがIoTノードのサービス優先性を考慮し,動作決定を行うUAV支援IoTシステムに対して,エネルギー効率の高い軌道最適化を提案する。
ダブルq学習アルゴリズムを用いて軌道最適化問題を解く。
シミュレーションの結果,Q-Learningに基づく最適化トラジェクトリは,UAV-BSの平均エネルギー消費量を削減し,高優先度ノードのサービス遅延を抑えるため,ベンチマークアルゴリズムであるGreedily-servedアルゴリズムよりも優れていることがわかった。
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) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳(メタデータ) (2023-08-03T02:49:50Z) - 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) - 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) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-05T23:55:44Z) - 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) - Energy-aware placement optimization of UAV base stations via
decentralized multi-agent Q-learning [3.502112118170715]
航空基地局(UAV-BS)として機能する無人航空機は、ネットワーク需要の増加、既存のインフラの障害点、災害時の地上機器への無線接続を提供するために配備することができる。
バッテリー容量が限られていることを考えると、長時間のカバー作業でUAVのエネルギーを節約することは困難である。
本稿では,各UAV-BSに,地上機器との接続性を最大化し,エネルギー利用の向上を図る自律エージェントを組み込んだ分散Q-ラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-06-01T22:49:42Z) - 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。