論文の概要: RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2108.02889v1
- Date: Thu, 5 Aug 2021 23:55:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-09 23:31:59.910853
- Title: RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning
- Title(参考訳): 深層強化学習を用いた無線電力伝送によるIoT用RIS支援UAV通信
- Authors: Khoi Khac Nguyen and Antonino Masaracchia and Tan Do-Duy and H.
Vincent Poor and Trung Q. Duong
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 75.677197535939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many of the devices used in Internet-of-Things (IoT) applications are
energy-limited, and thus supplying energy while maintaining seamless
connectivity for IoT devices is of considerable importance. In this context, we
propose a simultaneous wireless power transfer and information transmission
scheme for IoT devices with support from reconfigurable intelligent surface
(RIS)-aided unmanned aerial vehicle (UAV) communications. In particular, in a
first phase, IoT devices harvest energy from the UAV through wireless power
transfer; and then in a second phase, the UAV collects data from the IoT
devices through information transmission. To characterise the agility of the
UAV, we consider two scenarios: a hovering UAV and a mobile UAV. Aiming at
maximizing the total network sum-rate, we jointly optimize the trajectory of
the UAV, the energy harvesting scheduling of IoT devices, and the phaseshift
matrix of the RIS. We formulate a Markov decision process and propose two deep
reinforcement learning algorithms to solve the optimization problem of
maximizing the total network sum-rate. Numerical results illustrate the
effectiveness of the UAV's flying path optimization and the network's
throughput of our proposed techniques compared with other benchmark schemes.
Given the strict requirements of the RIS and UAV, the significant improvement
in processing time and throughput performance demonstrates that our proposed
scheme is well applicable for practical IoT applications.
- Abstract(参考訳): IoT(Internet-of-Things)アプリケーションで使用されるデバイスの多くはエネルギーに制限があり、IoTデバイスのシームレスな接続を維持しながらエネルギーを供給することが非常に重要である。
この文脈では、再構成可能なインテリジェントサーフェス(RIS)支援無人航空機(UAV)通信の支援により、IoTデバイスの同時無線電力伝送と情報伝送方式を提案する。
特に第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。
UAVの機敏性を特徴づけるために、ホバリングUAVと移動UAVの2つのシナリオを検討する。
ネットワーク総和率の最大化を目的として、UAVの軌道、IoTデバイスのエネルギー回収スケジューリング、RISの位相シフト行列を共同で最適化する。
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。
数値計算により,UAVの飛行経路最適化の有効性と,提案手法のネットワークスループットを他のベンチマーク手法と比較した。
RISとUAVの厳格な要件を考えると、処理時間とスループット性能の大幅な改善は、提案手法が実用的なIoTアプリケーションに適していることを示している。
関連論文リスト
- AoI-Sensitive Data Forwarding with Distributed Beamforming in UAV-Assisted IoT [32.6091251316091]
本稿では,IoT(Internet of Things, モノのインターネット)における年齢フォワード情報(AoI)の分散ビームフォーミングに基づくUAV支援システムを提案する。
そこで我々は,この問題を解決するため,DRLに基づくアルゴリズムを提案し,安定性を向上し,収束を加速する。
論文 参考訳(メタデータ) (2025-02-13T07:48:36Z) - When UAV Meets Federated Learning: Latency Minimization via Joint Trajectory Design and Resource Allocation [47.20867891501245]
フェデレートラーニング(FL)は、無線ネットワーク上で機械学習モデルをトレーニングするための重要なソリューションとして登場した。
本研究では,無人航空機(UAV)を移動FLサーバとして展開し,FLの訓練プロセスを強化する,革新的なアプローチを提案する。
全体としてのトレーニング効率を改善するために,帯域割り当て,演算周波数,UAVとIoTデバイスの両方の送信電力,UAVの軌道を最適化して遅延問題を定式化する。
論文 参考訳(メタデータ) (2024-12-10T11:39:27Z) - 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) - 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) - 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)
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。