論文の概要: ProSky: NEAT Meets NOMA-mmWave in the Sky of 6G

• arxiv url: http://arxiv.org/abs/2210.11406v1
• Date: Thu, 13 Oct 2022 01:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 20:27:45.924307
• Title: ProSky: NEAT Meets NOMA-mmWave in the Sky of 6G
• Title（参考訳）: プロスカイ:NEATが6GでNOMA-mmWaveと出会う
• Authors: Ahmed Benfaid, Nadia Adem, and Abdurrahman Elmaghbub
• Abstract要約: 本稿では、NOMA-mmWave-UAVネットワークを管理するために、ProSkyと呼ばれる拡張トポロジNEATフレームワークの神経進化を提案する。 ProSkyはモデルベースの手法よりも優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.9176056742068812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rendering to their abilities to provide ubiquitous connectivity, flexibly and cost effectively, unmanned aerial vehicles (UAVs) have been getting more and more research attention. To take the UAVs' performance to the next level, however, they need to be merged with some other technologies like non-orthogonal multiple access (NOMA) and millimeter wave (mmWave), which both promise high spectral efficiency (SE). As managing UAVs efficiently may not be possible using model-based techniques, another key innovative technology that UAVs will inevitably need to leverage is artificial intelligence (AI). Designing an AI-based technique that adaptively allocates radio resources and places UAVs in 3D space to meet certain communication objectives, however, is a tough row to hoe. In this paper, we propose a neuroevolution of augmenting topologies NEAT framework, referred to as ProSky, to manage NOMA-mmWave-UAV networks. ProSky exhibits a remarkable performance improvement over a model-based method. Moreover, ProSky learns 5.3 times faster than and outperforms, in both SE and energy efficiency EE while being reasonably fair, a deep reinforcement learning DRL based scheme. The ProSky source code is accessible to use here: https://github.com/Fouzibenfaid/ProSky
• Abstract（参考訳）: ユビキタスなコネクティビティを提供する能力を創造し、柔軟で費用効率の良いものにすることで、無人航空機(uav)はますます研究の注目を集めている。 しかし、UAVの性能を次のレベルに引き上げるためには、高スペクトル効率(SE)を約束する非直交多重アクセス(NOMA)やミリ波(mmWave)といった他の技術とマージする必要がある。 UAVを効率的に管理することは、モデルベースの技術では不可能である可能性があるため、UAVが必然的に活用する必要があるもう1つの革新的な技術は人工知能(AI)である。 しかし、特定の通信目的を満たすために、無線リソースを適応的に割り当て、UAVを3D空間に配置するAIベースのテクニックを設計することは難しい。 本稿では,NOMA-mmWave-UAVネットワークを管理するために,ProSkyと呼ばれる拡張トポロジNEATフレームワークの神経進化を提案する。 ProSkyはモデルベースの手法よりも優れたパフォーマンスを示している。 さらに、高い強化学習DRLベースのスキームにおいて、SEとエネルギー効率EEの両方において、ProSkyは5.3倍の速さで学習する。 https://github.com/Fouzibenfaid/ProSky.com/ProSkyのソースコードはこちらから利用できる。

関連論文リスト

• Multi-UAV Multi-RIS QoS-Aware Aerial Communication Systems using DRL and PSO [34.951735976771765]
  無人航空機(UAV)は、地上の利用者に無線サービスを提供する学術・産業の研究者の注目を集めている。 UAVの限られたリソースは、そのようなアプリケーションにUAVを採用する上での課題を引き起こす可能性がある。 システムモデルでは,地域をナビゲートするUAVスワムを考慮し,RISをサポートした地上ユーザへの無線通信により,UAVのカバレッジを向上させる。
  論文  参考訳（メタデータ） (2024-06-16T17:53:56Z)
• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• 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)
• Serverless Federated Learning for UAV Networks: Architecture, Challenges, and Opportunities [27.366598254560994]
  無人航空機(UAV)は、民間および軍事分野の次世代無線ネットワークにおける広範なアプリケーションをサポートすることを想定しています。 本稿では,中央エンティティを持たないUAVネットワーク内でFLを実現する,SELF-UNという新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-15T16:11:13Z)
• Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
  低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。 我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
  論文  参考訳（メタデータ） (2020-10-20T09:07:10Z)
• Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
  無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。 人工知能(AI)は近年急速に成長し、成功している。 UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
  論文  参考訳（メタデータ） (2020-09-24T07:11:31Z)
• Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV with Deep Reinforcement Learning [46.55077580093577]
  空のUAVに対して、ユビキタスな3Dコミュニケーションを実現するには、新しい課題だ。 本稿では,UAVの制御可能な移動性を利用して航法・軌道を設計する新しい航法手法を提案する。 そこで我々は,UAVの信号計測を深部Qネットワークのトレーニングに用いるSNARM (Concurrent Navigation and Radio Mapping) という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） (2020-03-17T08:16:14Z)

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。