論文の概要: Energy-aware placement optimization of UAV base stations via decentralized multi-agent Q-learning

• arxiv url: http://arxiv.org/abs/2106.00845v1
• Date: Tue, 1 Jun 2021 22:49:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:19:07.603391
• Title: Energy-aware placement optimization of UAV base stations via decentralized multi-agent Q-learning
• Title（参考訳）: 分散型マルチエージェントq-learningによるuav基地局の省エネルギー配置最適化
• Authors: Babatunji Omoniwa, Boris Galkin, Ivana Dusparic
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.502112118170715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicles serving as aerial base stations (UAV-BSs) can be deployed to provide wireless connectivity to ground devices in events of increased network demand, points-of-failure in existing infrastructure, or disasters. However, it is challenging to conserve the energy of UAVs during prolonged coverage tasks, considering their limited on-board battery capacity. Reinforcement learning-based (RL) approaches have been previously used to improve energy utilization of multiple UAVs, however, a central cloud controller is assumed to have complete knowledge of the end-devices' locations, i.e., the controller periodically scans and sends updates for UAV decision-making. This assumption is impractical in dynamic network environments with mobile ground devices. To address this problem, we propose a decentralized Q-learning approach, where each UAV-BS is equipped with an autonomous agent that maximizes the connectivity to ground devices while improving its energy utilization. Experimental results show that the proposed design significantly outperforms the centralized approaches in jointly maximizing the number of connected ground devices and the energy utilization of the UAV-BSs.
• Abstract（参考訳）: 航空基地局(uav-bss)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、災害発生時の地上機器への無線接続を提供する。 しかし、バッテリー容量の制限を考慮すると、長時間のカバー作業においてUAVのエネルギーを節約することは困難である。 強化学習ベース(rl)アプローチは、これまで複数のuavのエネルギー利用を改善するために用いられてきたが、中央のクラウドコントローラは、エンドデバイスの位置に関する完全な知識を持っていると仮定されている。 この仮定は、モバイルグラウンドデバイスを用いた動的ネットワーク環境では現実的ではない。 この問題に対処するため,各UAV-BSには,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が備わっている。 実験の結果,UAV-BSの連接する接地装置の数とエネルギー利用の最大化において,提案手法は集中型アプローチよりも有意に優れていた。

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)
• Density-Aware Reinforcement Learning to Optimise Energy Efficiency in UAV-Assisted Networks [2.6985600125290907]
  本稿では,DACEMAD-DDQN(Double Deep Q-network)アプローチを提案する。 その結果,65%～85%のエネルギー効率(EE)において,最先端のMARLアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T23:43:18Z)
• 5G Network on Wings: A Deep Reinforcement Learning Approach to the UAV-based Integrated Access and Backhaul [11.197456628712846]
  無人航空機(UAV)ベースの航空ネットワークは、高速で柔軟で信頼性の高い無線通信のための有望な代替手段を提供する。 本稿では,静的環境と動的環境の両方において,複数のUAV-BSを制御する方法について検討する。 複数のUAV-BSの3次元配置を協調的に最適化するために,深部強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-02-04T07:45:06Z)
• 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)
• 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)
• Constrained Deep Reinforcement Learning for Energy Sustainable Multi-UAV based Random Access IoT Networks with NOMA [20.160827428161898]
  太陽エネルギーの無人航空機(UAV)がIoTデバイスからリモートサーバにデータを中継する無線IoTネットワークの大規模チャネルアクセスを改善するために,非直交多重アクセス技術を適用した。 IoTデバイスは、アダプティブ$p$パーセンスタントスロット付きAlohaプロトコルを使用して共有無線チャネルにアクセスし、ソーラーパワーのUAVは、SICを採用して、IoTデバイスから受信した複数のデータをデコードしてアクセス効率を向上させる。
  論文  参考訳（メタデータ） (2020-01-31T22:05:30Z)
• 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。