論文の概要: A Learning-Based Trajectory Planning of Multiple UAVs for AoI Minimization in IoT Networks

• arxiv url: http://arxiv.org/abs/2209.09206v1
• Date: Tue, 13 Sep 2022 12:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:23:47.474477
• Title: A Learning-Based Trajectory Planning of Multiple UAVs for AoI Minimization in IoT Networks
• Title（参考訳）: IoTネットワークにおけるAoI最小化のための複数UAVの学習軌道計画
• Authors: Eslam Eldeeb, Dian Echevarr\'ia P\'erez, Jean Michel de Souza Sant'Ana, Mohammad Shehab, Nurul Huda Mahmood, Hirley Alves and Matti Latva-aho
• Abstract要約: textitAge of Information (AoI)は、情報のタイムライン、すなわち受信した情報の更新やステータス更新を定量化するメトリクスである。 受信メッセージのAoIを最小化しながら、UAVの軌道を共同で計画する最適化問題を定式化する。 複素最適化問題は、深部強化学習(DRL)アルゴリズムを用いて効率よく解かれる。
• 参考スコア（独自算出の注目度）: 13.2742178284328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many emerging Internet of Things (IoT) applications rely on information collected by sensor nodes where the freshness of information is an important criterion. \textit{Age of Information} (AoI) is a metric that quantifies information timeliness, i.e., the freshness of the received information or status update. This work considers a setup of deployed sensors in an IoT network, where multiple unmanned aerial vehicles (UAVs) serve as mobile relay nodes between the sensors and the base station. We formulate an optimization problem to jointly plan the UAVs' trajectory, while minimizing the AoI of the received messages. This ensures that the received information at the base station is as fresh as possible. The complex optimization problem is efficiently solved using a deep reinforcement learning (DRL) algorithm. In particular, we propose a deep Q-network, which works as a function approximation to estimate the state-action value function. The proposed scheme is quick to converge and results in a lower AoI than the random walk scheme. Our proposed algorithm reduces the average age by approximately $25\%$ and requires down to $50\%$ less energy when compared to the baseline scheme.
• Abstract（参考訳）: 多くの新興IoTアプリケーションは、情報の鮮度が重要な基準であるセンサーノードによって収集された情報に依存している。 \textit{Age of Information} (AoI) は、情報のタイムライン、すなわち受信した情報やステータスの更新を定量化する指標である。 この研究は、複数の無人航空機(UAV)がセンサーと基地局の間の移動中継ノードとして機能するIoTネットワークにおけるセンサーの配置を検討する。 受信メッセージのAoIを最小化しながら、UAVの軌道を共同で計画する最適化問題を定式化する。 これにより、基地局の受信情報が可能な限り新鮮であることを保証する。 複素最適化問題を深部強化学習(DRL)アルゴリズムを用いて効率的に解く。 特に,状態動作値関数を推定するための関数近似として機能する深いqネットワークを提案する。 提案手法は容易に収束し,ランダムウォーク方式よりも低いAoIが得られる。 提案アルゴリズムは平均年齢を約25 %$に削減し,ベースライン方式と比較して50 %$以下のエネルギーを必要とする。

関連論文リスト

• Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models [6.49537221266081]
  IoTネットワークでは、従来のリソース管理スキームはデバイスと基地局の間のメッセージ交換に依存している。 マルコフイベントに基づくIoTデバイスのトラフィック到着を推定する,新たな学習ベースのフレームワークを提案する。 本稿では,各UAVの最適方針を最適化する深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-24T21:57:55Z)
• 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)
• AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty [23.29963717212139]
  高高度プラットフォーム(HAP)と無人航空機(UAV)からなる階層型空中コンピューティングフレームワークを開発する。 タスクスケジューリングは平均AoIを大幅に削減する。 電力割り当ては全ユーザに対して全送信電力を使用する場合と比較して平均AoIに限界効果があることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T11:52:15Z)
• 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)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• 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)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。