論文の概要: UAV Trajectory Planning in Wireless Sensor Networks for Energy Consumption Minimization by Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2108.00354v1
• Date: Sun, 1 Aug 2021 03:02:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 14:55:12.969476
• Title: UAV Trajectory Planning in Wireless Sensor Networks for Energy Consumption Minimization by Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるエネルギー消費最小化のための無線センサネットワークのuav軌道計画
• Authors: Botao Zhu, Ebrahim Bedeer, Ha H. Nguyen, Robert Barton, Jerome Henry
• Abstract要約: 無線センサネットワーク(WSN)のデータ収集のための有望なソリューションとして無人航空機(UAV)が登場している。 データ収集の全ラウンドでUAV-WSNシステムの総エネルギー消費を最小化することを目的としている。 本稿では,UAVトラジェクトリポリシの経験から効率よく学習できる新しいディープ強化学習手法,ポインタネットワークA*(Ptr-A*)を提案する。
• 参考スコア（独自算出の注目度）: 4.273341750394231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicles (UAVs) have emerged as a promising candidate solution for data collection of large-scale wireless sensor networks (WSNs). In this paper, we investigate a UAV-aided WSN, where cluster heads (CHs) receive data from their member nodes, and a UAV is dispatched to collect data from CHs along the planned trajectory. We aim to minimize the total energy consumption of the UAV-WSN system in a complete round of data collection. Toward this end, we formulate the energy consumption minimization problem as a constrained combinatorial optimization problem by jointly selecting CHs from nodes within clusters and planning the UAV's visiting order to the selected CHs. The formulated energy consumption minimization problem is NP-hard, and hence, hard to solve optimally. In order to tackle this challenge, we propose a novel deep reinforcement learning (DRL) technique, pointer network-A* (Ptr-A*), which can efficiently learn from experiences the UAV trajectory policy for minimizing the energy consumption. The UAV's start point and the WSN with a set of pre-determined clusters are fed into the Ptr-A*, and the Ptr-A* outputs a group of CHs and the visiting order to these CHs, i.e., the UAV's trajectory. The parameters of the Ptr-A* are trained on small-scale clusters problem instances for faster training by using the actor-critic algorithm in an unsupervised manner. At inference, three search strategies are also proposed to improve the quality of solutions. Simulation results show that the trained models based on 20-clusters and 40-clusters have a good generalization ability to solve the UAV's trajectory planning problem in WSNs with different numbers of clusters, without the need to retrain the models. Furthermore, the results show that our proposed DRL algorithm outperforms two baseline techniques.
• Abstract（参考訳）: 無人航空機(UAV)は、大規模無線センサネットワーク(WSN)のデータ収集の候補として期待されている。 本稿では、クラスタヘッド(CH)が各ノードからデータを受信するUAV支援WSNを調査し、UAVを送信して、計画された軌道に沿ってCHからデータを収集する。 データ収集の全ラウンドでUAV-WSNシステムの総エネルギー消費を最小化することを目的としている。 この目的に向けて,クラスタ内のノードから ch を選択し,選択した ch に対して uav の訪問順序を計画することで,エネルギー消費最小化問題を制約付き組合せ最適化問題として定式化する。 定式化エネルギー消費最小化問題はNPハードであり、最適に解くのは難しい。 この課題に取り組むため,我々は,エネルギー消費を最小化するためのuav軌道政策の経験から効率的に学習できる新しい深層強化学習(drl)手法であるpointer network-a*(ptr-a*)を提案する。 UAVの開始点と事前決定されたクラスタからなるWSNはPtr-A*に供給され、Ptr-A*はCHのグループとこれらのCH、すなわちUAVの軌道に対して訪問順序を出力する。 Ptr-A*のパラメータは、Actor-criticアルゴリズムを教師なしの方法で使用することにより、より高速なトレーニングのために、小規模クラスタ問題インスタンスでトレーニングされる。 推論では,ソリューションの品質向上のための3つの探索戦略も提案されている。 シミュレーションの結果,20クラスタと40クラスタをベースとしたトレーニングモデルでは,異なる数のクラスタを持つWSNにおいて,UAVの軌道計画問題をモデルを再学習することなく解くことができる。 さらに,提案したDRLアルゴリズムは2つのベースライン手法より優れていることを示す。

関連論文リスト

• UAV Trajectory Planning for AoI-Minimal Data Collection in UAV-Aided IoT Networks by Transformer [8.203870302926614]
  IoT(Internet-of-Things)ネットワークにおけるデータ収集の鮮度維持が注目されている。 クラスター型IoTネットワークを支援する無人航空機(UAV)の軌道計画問題について検討する。 地上IoTネットワークからのUAVによる収集データの総AoIを最小化するために最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-08T17:13:19Z)
• 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)
• Muti-Agent Proximal Policy Optimization For Data Freshness in UAV-assisted Networks [4.042622147977782]
  収集したデータが時間に敏感な場合に注目し,そのタイムラインを維持することが重要である。 我々の目標は、UAVの軌道を最適に設計することであり、グローバル・エイジ・オブ・アップデート(AoU)のような訪問するIoTデバイスのサブセットを最小化することである。
  論文  参考訳（メタデータ） (2023-03-15T15:03:09Z)
• 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)
• Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT Networks by Reinforcement Learning with Sequential Model [4.273341750394231]
  我々は、UAVの軌道を共同で設計し、インターネット・オブ・シングス・ネットワークでクラスタ・ヘッドを選択するという問題を定式化する。 本稿では,シーケンス・ツー・シーケンス・ニューラルネットワークで表されるポリシーを効果的に学習できるシーケンシャルモデル戦略を備えた,新しい深層強化学習(DRL)を提案する。 シミュレーションにより,提案したDRL法は,より少ないエネルギー消費を必要とするUAVの軌道を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-12-01T07:59:53Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• 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)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。 コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。 ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)
• 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。