論文の概要: Deep Reinforcement Learning Based Multi-Access Edge Computing Schedule for Internet of Vehicle

• arxiv url: http://arxiv.org/abs/2202.08972v1
• Date: Tue, 15 Feb 2022 17:14:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-27 20:50:58.578985
• Title: Deep Reinforcement Learning Based Multi-Access Edge Computing Schedule for Internet of Vehicle
• Title（参考訳）: 深層強化学習に基づく自動車用エッジコンピューティングスケジューリング
• Authors: Xiaoyu Dai, Kaoru Ota, Mianxiong Dong
• Abstract要約: 車両用インターネット(IoV)の最大品質(QoE)を維持した無線ネットワークサービスを実現するためのUAV支援手法を提案する。 本稿では,M-AGCDRL(Multi-Agent Graph Convolutional Deep Reinforcement Learning)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 16.619839349229437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As intelligent transportation systems been implemented broadly and unmanned arial vehicles (UAVs) can assist terrestrial base stations acting as multi-access edge computing (MEC) to provide a better wireless network communication for Internet of Vehicles (IoVs), we propose a UAVs-assisted approach to help provide a better wireless network service retaining the maximum Quality of Experience(QoE) of the IoVs on the lane. In the paper, we present a Multi-Agent Graph Convolutional Deep Reinforcement Learning (M-AGCDRL) algorithm which combines local observations of each agent with a low-resolution global map as input to learn a policy for each agent. The agents can share their information with others in graph attention networks, resulting in an effective joint policy. Simulation results show that the M-AGCDRL method enables a better QoE of IoTs and achieves good performance.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステムが広く実装され、無人アリアル車両(uavs)がマルチアクセスエッジコンピューティング(mec)として機能する地上基地局を支援して、車両のインターネット(iovs)のためのより良い無線ネットワーク通信を提供するため、車線上のiovsの最大品質(qoe)を維持したより良い無線ネットワークサービスの提供を支援するuavs支援手法を提案する。 本稿では,各エージェントの局所観測と低分解能グローバルマップを入力として組み合わせ,各エージェントのポリシーを学ぶマルチエージェントグラフ畳み込み深層強化学習(m-agcdrl)アルゴリズムを提案する。 エージェントはグラフアテンションネットワークで情報を他の人と共有することができ、効果的な共同ポリシーとなる。 シミュレーションの結果,M-AGCDRL法によりIoTのQoEが向上し,優れた性能が得られることがわかった。

関連論文リスト

• Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
  本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。 本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-01T15:37:38Z)
• 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)
• Cooperative Multi-Agent Deep Reinforcement Learning for Reliable and Energy-Efficient Mobile Access via Multi-UAV Control [13.692977942834627]
  本稿では,複数無人航空機(UAV)のためのMADRLに基づく位置決めアルゴリズムについて述べる。 提案アルゴリズムの主な目的は、セルラー車間通信(C-V2X)のための信頼性の高い移動アクセスネットワークを確立することである。
  論文  参考訳（メタデータ） (2022-10-03T14:01:52Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• 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)
• 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)
• Minimizing Age-of-Information for Fog Computing-supported Vehicular Networks with Deep Q-learning [15.493225546165627]
  Age of Information (AoI) は、車両とクラウド/フォグサーバ間の無線リンクの性能を評価する指標である。 本稿では, AoI の信頼性を保証するために, 運転経路を最適化する新しいプロアクティブかつデータ駆動方式を提案する。
  論文  参考訳（メタデータ） (2020-04-04T05:19:25Z)
• 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。