論文の概要: 5G Network on Wings: A Deep Reinforcement Learning Approach to the
UAV-based Integrated Access and Backhaul
- arxiv url: http://arxiv.org/abs/2202.02006v3
- Date: Fri, 26 May 2023 12:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 00:38:07.502167
- Title: 5G Network on Wings: A Deep Reinforcement Learning Approach to the
UAV-based Integrated Access and Backhaul
- Title（参考訳）: wing上の5gネットワーク:uavベースの統合アクセスとバックホールへの深い強化学習アプローチ
- Authors: Hongyi Zhang, Zhiqiang Qi, Jingya Li, Anders Aronsson, Jan Bosch,
Helena Holmstr\"om Olsson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.197456628712846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fast and reliable wireless communication has become a critical demand in
human life. In the case of mission-critical (MC) scenarios, for instance, when
natural disasters strike, providing ubiquitous connectivity becomes challenging
by using traditional wireless networks. In this context, unmanned aerial
vehicle (UAV) based aerial networks offer a promising alternative for fast,
flexible, and reliable wireless communications. Due to unique characteristics
such as mobility, flexible deployment, and rapid reconfiguration, drones can
readily change location dynamically to provide on-demand communications to
users on the ground in emergency scenarios. As a result, the usage of UAV base
stations (UAV-BSs) has been considered an appropriate approach for providing
rapid connection in MC scenarios. In this paper, we study how to control
multiple UAV-BSs in both static and dynamic environments. We use a system-level
simulator to model an MC scenario in which a macro BS of a cellular network is
out of service and multiple UAV-BSs are deployed using integrated access and
backhaul (IAB) technology to provide coverage for users in the disaster area.
With the data collected from the system-level simulation, a deep reinforcement
learning algorithm is developed to jointly optimize the three-dimensional
placement of these multiple UAV-BSs, which adapt their 3-D locations to the
on-ground user movement. The evaluation results show that the proposed
algorithm can support the autonomous navigation of the UAV-BSs to meet the MC
service requirements in terms of user throughput and drop rate.
- Abstract（参考訳）: 高速で信頼性の高い無線通信は、人間の生活において重要な需要となっている。
例えば、ミッションクリティカル(MC)のシナリオでは、自然災害が発生した場合、従来の無線ネットワークを使用することで、ユビキタスな接続が困難になる。
この文脈では、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代替手段を提供する。
移動性、フレキシブルなデプロイメント、迅速な再設定といったユニークな特徴により、緊急時に地上のユーザに対してオンデマンド通信を提供するために、ドローンは位置を動的に変更することができる。
その結果,UAV基地局(UAV-BSs)の利用は,MCシナリオにおける迅速な接続を実現するための適切なアプローチと考えられる。
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。
システムレベルのシミュレータを用いて、携帯電話ネットワークのマクロBSが利用できなくなり、複数のUAV-BSが統合アクセス・バックホール(IAB)技術を用いてデプロイされ、災害現場の利用者にカバレッジを提供するMCシナリオをモデル化する。
システムレベルのシミュレーションから収集したデータを用いて,複数のUAV-BSの3次元配置を協調的に最適化する深部強化学習アルゴリズムを開発した。
評価の結果,提案アルゴリズムは,ユーザスループットとドロップレートの観点から,mcサービス要求を満たすために,uav-bssの自律的ナビゲーションをサポートすることができることがわかった。
関連論文リスト
- Deep Reinforcement Learning Based Placement for Integrated Access
Backhauling in UAV-Assisted Wireless Networks [6.895620511689995]
本稿では, リアルタイムにUAV配置を最適化するために, 深部強化学習(DRL)を活用する新しい手法を提案する。
この取り組みの独特な貢献は、地上ユーザーとの堅牢な接続を保証するだけでなく、中央ネットワークインフラストラクチャとのシームレスな統合を維持するために、無人でUAVを配置できることにある。
論文 参考訳（メタデータ） (2023-12-21T19:02:27Z) - 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) - UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks [52.14281905671453]
無人航空機(UAV)を空飛ぶ無線アクセスネットワーク(RAN)ノードとして使用することは、従来の固定地上配備を補完する。
無線マッピングは、この課題に関連する課題の1つであり、ここでは無線マッピングと呼ばれている。
接続性, センサ性, ローカライゼーション性能の観点から, 無線マッピングによる利点を示す。
論文 参考訳（メタデータ） (2022-05-06T16:16:08Z) - 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) - 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) - Privacy-Preserving Federated Learning for UAV-Enabled Networks:
Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。
モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。
本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
論文 参考訳（メタデータ） (2020-11-28T18:58:34Z) - A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From
Communications to Sensing and Intelligence [152.89360859658296]
5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。
一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。
一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
論文 参考訳（メタデータ） (2020-10-19T08:56:04Z) - UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement
Learning Approach [18.266087952180733]
本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。
自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。
提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
論文 参考訳（メタデータ） (2020-07-01T15:14:16Z) - 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) - 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。