論文の概要: Wireless-Enabled Asynchronous Federated Fourier Neural Network for
Turbulence Prediction in Urban Air Mobility (UAM)
- arxiv url: http://arxiv.org/abs/2201.00626v1
- Date: Sun, 26 Dec 2021 14:41:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-09 13:30:29.804377
- Title: Wireless-Enabled Asynchronous Federated Fourier Neural Network for
Turbulence Prediction in Urban Air Mobility (UAM)
- Title（参考訳）: 都市エアモビリティ(UAM)における乱流予測のための無線型非同期フェデレーションフーリエニューラルネットワーク
- Authors: Tengchan Zeng, Omid Semiari, Walid Saad, Mehdi Bennis
- Abstract要約: 垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。
UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。
GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
- 参考スコア（独自算出の注目度）: 101.80862265018033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To meet the growing mobility needs in intra-city transportation, the concept
of urban air mobility (UAM) has been proposed in which vertical takeoff and
landing (VTOL) aircraft are used to provide a ride-hailing service. In UAM,
aircraft can operate in designated air spaces known as corridors, that link the
aerodromes. A reliable communication network between GBSs and aircraft enables
UAM to adequately utilize the airspace and create a fast, efficient, and safe
transportation system. In this paper, to characterize the wireless connectivity
performance for UAM, a spatial model is proposed. For this setup, the
distribution of the distance between an arbitrarily selected GBS and its
associated aircraft and the Laplace transform of the interference experienced
by the GBS are derived. Using these results, the signal-to-interference ratio
(SIR)-based connectivity probability is determined to capture the connectivity
performance of the UAM aircraft-to-ground communication network. Then,
leveraging these connectivity results, a wireless-enabled asynchronous
federated learning (AFL) framework that uses a Fourier neural network is
proposed to tackle the challenging problem of turbulence prediction during UAM
operations. For this AFL scheme, a staleness-aware global aggregation scheme is
introduced to expedite the convergence to the optimal turbulence prediction
model used by UAM aircraft. Simulation results validate the theoretical
derivations for the UAM wireless connectivity. The results also demonstrate
that the proposed AFL framework converges to the optimal turbulence prediction
model faster than the synchronous federated learning baselines and a
staleness-free AFL approach. Furthermore, the results characterize the
performance of wireless connectivity and convergence of the aircraft's
turbulence model under different parameter settings, offering useful UAM design
guidelines.
- Abstract（参考訳）: 都市内交通における移動性の増大に対応するため,垂直離着陸機(VTOL)を配車サービスとして利用する都市空力(UAM)の概念が提案されている。
UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。
GBSと航空機間の信頼性の高い通信網により、UAMは空域を適切に利用し、高速で効率的で安全な輸送システムを構築することができる。
本稿では,UAMの無線接続性能を特徴付けるために,空間モデルを提案する。
このセットアップでは、任意選択されたGBSとその関連する航空機間の距離の分布と、GBSが経験した干渉のラプラス変換を導出する。
これらの結果から,UAM航空機と地上通信網の接続性能を把握するために,信号対干渉比(SIR)に基づく接続確率を決定する。
次に、これらの接続結果を利用して、フーリエニューラルネットワークを用いた無線対応非同期フェデレーション学習(AFL)フレームワークを提案し、UAM操作時の乱流予測の課題に取り組む。
このAFLスキームでは,UAM航空機の最適乱流予測モデルへの収束を早めるため,安定度を考慮したグローバルアグリゲーションスキームが導入された。
シミュレーション結果は、UAM無線接続の理論的導出を検証する。
また,提案したAFLフレームワークは,同期型フェデレーション学習ベースラインや安定化のないAFLアプローチよりも高速に,最適な乱流予測モデルに収束することを示した。
さらに,無線接続性能と航空機の乱流モデルのパラメータ設定による収束特性を特徴付け,UAM設計ガイドラインを提供する。
関連論文リスト
- Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。
ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-01T14:25:24Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - 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) - Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。
資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
論文 参考訳（メタデータ） (2021-11-19T15:17:15Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳（メタデータ） (2021-10-28T14:12:10Z) - Federated Learning Over Cellular-Connected UAV Networks with Non-IID
Datasets [19.792426676330212]
フェデレートラーニング(FL)は有望な分散ラーニング技術である。
本稿では,セルラー接続型無人航空機(UAV)ネットワーク上での新しいFLモデルを提案する。
本稿では,セル接続型UAVネットワークにおけるアップリンク停止確率の抽出可能な解析フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-13T23:15:20Z) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-03T22:22:20Z) - Distributed Conditional Generative Adversarial Networks (GANs) for
Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。
実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。
分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
論文 参考訳（メタデータ） (2021-02-02T20:56:46Z) - 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。