論文の概要: Deep reinforcement learning for automatic run-time adaptation of UWB PHY radio settings

• arxiv url: http://arxiv.org/abs/2210.15498v1
• Date: Thu, 13 Oct 2022 13:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 12:11:08.628822
• Title: Deep reinforcement learning for automatic run-time adaptation of UWB PHY radio settings
• Title（参考訳）: UWB PHY無線設定の自動実行適応のための深部強化学習
• Authors: Dieter Coppens, Adnan Shahid and Eli De Poorter
• Abstract要約: 本稿では,信頼性の高いUWB通信の実現,パケット受信率(PRR)の最大化,エネルギー消費の最小化を目的とした深層Q-ラーニング手法を提案する。 その結果, 動的オフィス環境における固定PHY設定に比べて14%のエネルギーしか使用せず, 高い平均PRRを実現し, レンジ誤差を低減できることがわかった。
• 参考スコア（独自算出の注目度）: 3.7885834570803842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-wideband technology has become increasingly popular for indoor localization and location-based services. This has led recent advances to be focused on reducing the ranging errors, whilst research focusing on enabling more reliable and energy efficient communication has been largely unexplored. The IEEE 802.15.4 UWB physical layer allows for several settings to be selected that influence the energy consumption, range, and reliability. Combined with the available link state diagnostics reported by UWB devices, there is an opportunity to dynamically select PHY settings based on the environment. To address this, we propose a deep Q-learning approach for enabling reliable UWB communication, maximizing packet reception rate (PRR) and minimizing energy consumption. Deep Q-learning is a good fit for this problem, as it is an inherently adaptive algorithm that responds to the environment. Validation in a realistic office environment showed that the algorithm outperforms traditional Q-learning, linear search and using a fixed PHY layer. We found that deep Q-learning achieves a higher average PRR and reduces the ranging error while using only 14% of the energy compared to a fixed PHY setting in a dynamic office environment.
• Abstract（参考訳）: ウルトラワイドバンド技術は、屋内ローカライズや位置情報ベースのサービスでますます普及している。 このことは、より信頼性が高くエネルギー効率の良い通信を可能にすることに焦点を当てた研究は、ほとんど探索されていない。 IEEE 802.15.4 UWB物理層はエネルギー消費、範囲、信頼性に影響を与えるいくつかの設定を選択できる。 UWBデバイスが報告した利用可能なリンク状態診断と組み合わせることで、環境に基づいて動的にPHY設定を選択することができる。 そこで本研究では,信頼性の高いUWB通信を実現し,パケット受信率(PRR)を最大化し,消費電力を最小化するための深層Q-ラーニング手法を提案する。 深層q学習は、本質的に環境に応答する適応型アルゴリズムであるため、この問題に適しています。 現実的なオフィス環境における検証の結果,このアルゴリズムは従来のQ-ラーニング,線形探索,固定されたPHY層よりも優れていた。 その結果, 動的オフィス環境における固定PHY設定に比べて14%のエネルギーしか使用せず, 高い平均PRRを実現し, レンジ誤差を低減できることがわかった。

関連論文リスト

• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [60.17407932691429]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• A Safe Deep Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks [37.71759652012053]
  Federated Learning(FL)は、分散AI技術を保存する重要なプライバシとして登場した。 現在FLで行われている努力にもかかわらず、その環境への影響は依然として未解決の問題である。 本稿では,必要な総エネルギーを最小化するために,関連機器の計算・通信資源のオーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-21T12:02:54Z)
• Hybrid Indoor Localization via Reinforcement Learning-based Information Fusion [17.079430640475962]
  この論文は,グローバル都市化の今後の管理におけるスマートシティ(SC)の概念の重要性に動機づけられている。 モノのインターネット(IoT)ベースの通信技術の中で、Bluetooth Low Energy(BLE)は都市全体の意思決定とサービスにおいて重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-10-27T02:38:25Z)
• PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [67.41325356479229]
  本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。 簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。 このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
  論文  参考訳（メタデータ） (2022-07-27T07:48:29Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Neural Architecture Search for Efficient Uncalibrated Deep Photometric Stereo [105.05232615226602]
  差別化可能なニューラルアーキテクチャサーチ(NAS)戦略を利用して、非校正型PSアーキテクチャを自動的に見つける。 DiLiGenTデータセットの実験では、自動検索されたニューラルネットワークのパフォーマンスが、最先端の未校正PSメソッドと好適に比較されている。
  論文  参考訳（メタデータ） (2021-10-11T21:22:17Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Threshold-Based Data Exclusion Approach for Energy-Efficient Federated Edge Learning [4.25234252803357]
  Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。 FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。 本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T13:34:40Z)
• Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge [0.0]
  室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。 本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。 チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
  論文  参考訳（メタデータ） (2020-11-30T10:52:21Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。