論文の概要: Multi-UAV Mobile Edge Computing and Path Planning Platform based on Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2102.02078v1
• Date: Wed, 3 Feb 2021 14:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:08:25.750209
• Title: Multi-UAV Mobile Edge Computing and Path Planning Platform based on Reinforcement Learning
• Title（参考訳）: 強化学習に基づくマルチUAVモバイルエッジコンピューティングとパスプランニングプラットフォーム
• Authors: Huan Chang, Yicheng Chen, Baochang Zhang, David Doermann
• Abstract要約: 我々は、強化学習に基づくより良いQuality-of-Serviceとパスプランニングを提供することを目的として、新しいマルチUAVモバイルエッジコンピューティングプラットフォームを導入する。 本研究の貢献は,1) モバイルエッジコンピューティングにおけるサービス品質の最適化と,同じ強化学習フレームワークにおける経路計画,2) 端末利用者のサービス品質確保のためのシグモイド様機能の利用,3) 端末利用者の要求,リスク,幾何距離を総合的に検討することである。
• 参考スコア（独自算出の注目度）: 36.540396870070325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned Aerial vehicles (UAVs) are widely used as network processors in mobile networks, but more recently, UAVs have been used in Mobile Edge Computing as mobile servers. However, there are significant challenges to use UAVs in complex environments with obstacles and cooperation between UAVs. We introduce a new multi-UAV Mobile Edge Computing platform, which aims to provide better Quality-of-Service and path planning based on reinforcement learning to address these issues. The contributions of our work include: 1) optimizing the quality of service for mobile edge computing and path planning in the same reinforcement learning framework; 2) using a sigmoid-like function to depict the terminal users' demand to ensure a higher quality of service; 3) applying synthetic considerations of the terminal users' demand, risk and geometric distance in reinforcement learning reward matrix to ensure the quality of service, risk avoidance, and the cost-savings. Simulations have shown the effectiveness and feasibility of our platform, which can help advance related researches.
• Abstract（参考訳）: UAV(Unmanned Aerial Vehicle)は、モバイルネットワークのネットワークプロセッサとして広く使用されていますが、最近ではモバイルエッジコンピューティングでモバイルサーバーとして使用されています。 しかし、複雑な環境でのUAVの使用には障害やUAV間の協調といった大きな課題がある。 我々は、強化学習に基づくより良いサービス品質と経路計画を提供することを目的とした、新しいマルチuavモバイルエッジコンピューティングプラットフォームを導入する。 本研究の貢献は,1) モバイルエッジコンピューティングにおけるサービス品質の最適化と,同じ強化学習フレームワークにおける経路計画,2) 端末利用者のサービス品質確保のためのシグミド様機能の利用,3) 端末利用者のサービス品質,リスク回避,コスト削減を確保するために,強化学習報酬行列における端末利用者の需要,リスクと幾何学的距離を総合的に検討することである。 シミュレーションは、関連する研究を進めるのに役立つ当社のプラットフォームの有効性と実現可能性を示しています。

関連論文リスト

• Multi-UAV Multi-RIS QoS-Aware Aerial Communication Systems using DRL and PSO [34.951735976771765]
  無人航空機(UAV)は、地上の利用者に無線サービスを提供する学術・産業の研究者の注目を集めている。 UAVの限られたリソースは、そのようなアプリケーションにUAVを採用する上での課題を引き起こす可能性がある。 システムモデルでは,地域をナビゲートするUAVスワムを考慮し,RISをサポートした地上ユーザへの無線通信により,UAVのカバレッジを向上させる。
  論文  参考訳（メタデータ） (2024-06-16T17:53:56Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Edge computing service deployment and task offloading based on multi-task high-dimensional multi-objective optimization [5.64850919046892]
  本研究では,マルチユーザ環境におけるサービス展開とタスクオフロードの課題について検討する。 レイテンシ、エネルギー消費、コストを考慮せずに安定したサービス提供を確保するために、ネットワークの信頼性も組み込まれている。 エッジサーバの適切な使用を促進するため、第4のタスクオフロード目的としてロードバランシングを導入している。
  論文  参考訳（メタデータ） (2023-12-07T07:30:47Z)
• Autonomous Navigation and Configuration of Integrated Access Backhauling for UAV Base Station Using Reinforcement Learning [13.836618781378796]
  本稿では,このユースケースに機械学習を適用するためのフレームワークとシグナリング手法を提案する。 深い強化学習アルゴリズムは、UAV-BSの3次元位置だけでなく、アクセスとバックホールアンテナの傾きを協調的に最適化するように設計されている。 提案アルゴリズムは,UAV-BSを自律的にナビゲートし,そのスループットを向上し,MCユーザの減少率を低減できることを示す。
  論文  参考訳（メタデータ） (2021-12-14T11:47:11Z)
• Reinforcement Learning-based Dynamic Service Placement in Vehicular Networks [4.010371060637208]
  さまざまなタイプのサービスの要求におけるトラフィックモビリティパターンとダイナミックスの複雑さは、サービスの配置を困難なタスクにしました。 トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。 本稿では,エッジサーバに最適なサービス配置を見つけるために,強化学習に基づく動的(RL-Dynamic)サービス配置フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-31T15:01:35Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Deep Reinforcement Learning for Collaborative Edge Computing in Vehicular Networks [40.957135065965055]
  協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。 人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。 当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
  論文  参考訳（メタデータ） (2020-10-05T00:06:37Z)
• Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
  動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
  論文  参考訳（メタデータ） (2020-01-28T15:10:22Z)

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。