論文の概要: UAV-Assisted Space-Air-Ground Integrated Networks: A Technical Review of
Recent Learning Algorithms
- arxiv url: http://arxiv.org/abs/2211.14931v1
- Date: Sun, 27 Nov 2022 20:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 22:55:55.716584
- Title: UAV-Assisted Space-Air-Ground Integrated Networks: A Technical Review of
Recent Learning Algorithms
- Title(参考訳): uav支援スペースエアグラウンド統合ネットワーク:最近の学習アルゴリズムの技術的レビュー
- Authors: Atefeh H. Arani, Peng Hu, Yeying Zhu
- Abstract要約: 無人航空機(UAV)は宇宙航空地上統合ネットワーク(SAGIN)において重要な役割を果たしている
UAVの高ダイナミック性と複雑さのため、SAGINの実際の展開は、そのようなSAGINを実現する上で大きな障壁となる。
- 参考スコア(独自算出の注目度): 6.687912132962003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent technological advancements in space, air and ground components have
made possible a new network paradigm called "space-air-ground integrated
network" (SAGIN). Unmanned aerial vehicles (UAVs) play a key role in SAGINs.
However, due to UAVs' high dynamics and complexity, the real-world deployment
of a SAGIN becomes a major barrier for realizing such SAGINs. Compared to the
space and terrestrial components, UAVs are expected to meet performance
requirements with high flexibility and dynamics using limited resources.
Therefore, employing UAVs in various usage scenarios requires well-designed
planning in algorithmic approaches. In this paper, we provide a comprehensive
review of recent learning-based algorithmic approaches. We consider possible
reward functions and discuss the state-of-the-art algorithms for optimizing the
reward functions, including Q-learning, deep Q-learning, multi-armed bandit
(MAB), particle swarm optimization (PSO) and satisfaction-based learning
algorithms. Unlike other survey papers, we focus on the methodological
perspective of the optimization problem, which can be applicable to various
UAV-assisted missions on a SAGIN using these algorithms. We simulate users and
environments according to real-world scenarios and compare the learning-based
and PSO-based methods in terms of throughput, load, fairness, computation time,
etc. We also implement and evaluate the 2-dimensional (2D) and 3-dimensional
(3D) variations of these algorithms to reflect different deployment cases. Our
simulation suggests that the $3$D satisfaction-based learning algorithm
outperforms the other approaches for various metrics in most cases. We discuss
some open challenges at the end and our findings aim to provide design
guidelines for algorithm selections while optimizing the deployment of
UAV-assisted SAGINs.
- Abstract(参考訳): 宇宙・空・地上コンポーネントの最近の技術進歩により、宇宙地上統合ネットワーク(SAGIN)と呼ばれる新しいネットワークパラダイムが実現された。
無人航空機(UAV)はSAGINにおいて重要な役割を果たしている。
しかし、UAVの高ダイナミック性と複雑さのため、SAGINの実際の展開は、そのようなSAGINを実現する上で大きな障壁となる。
宇宙と地上のコンポーネントと比較して、UAVは限られたリソースを使用して高い柔軟性とダイナミックスで性能要求を満たすことが期待されている。
したがって、様々なシナリオでuavを使用するには、アルゴリズム的アプローチで適切に設計された計画が必要となる。
本稿では,最近の学習に基づくアルゴリズムアプローチの包括的レビューを行う。
報奨関数について検討し,q-learning,deep q-learning,multi-armed bandit (mab), particle swarm optimization (pso), satisfaction-based learningアルゴリズムなどの報奨関数を最適化するための最先端アルゴリズムについて論じる。
他の調査論文とは異なり、これらのアルゴリズムを用いて様々なuav支援ミッションに適用可能な最適化問題の方法論的視点に焦点を当てる。
実際のシナリオに従ってユーザと環境をシミュレートし、スループット、負荷、公平性、計算時間などの観点から学習ベースとpsoベースの手法を比較します。
また,これらアルゴリズムの2次元(2次元)と3次元(3次元)のバリエーションを実装し評価し,異なる展開事例を反映する。
シミュレーションによると、3ドルの満足度に基づく学習アルゴリズムは、多くの場合、さまざまなメトリクスに対する他のアプローチよりも優れています。
本研究の目的は,UAV支援SAGINの展開を最適化しつつ,アルゴリズム選択の設計ガイドラインを提供することである。
関連論文リスト
- UAV-borne Mapping Algorithms for Canopy-Level and High-Speed Drone
Applications [0.4681661603096333]
本稿では,UAV(Unmanned Aerial Vehicle)アプリケーションのための最先端マッピングアルゴリズムのレビューと解析を行う。
DSO(Direct Sparse Odometry)、SDSO(Stereo DSO)、DSOL(DSO Lite)の3つのマッピングアルゴリズムが評価されている。
この結果は、複雑な環境や高速シナリオにおける適用性を強調しながら、UAVマッピングのダイナミクスの微妙な理解に寄与する。
論文 参考訳(メタデータ) (2024-01-12T07:04:44Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Enhanced Teaching-Learning-based Optimization for 3D Path Planning of
Multicopter UAVs [2.0305676256390934]
本稿では,無人航空機(UAV)の新しい経路計画アルゴリズムを提案する。
まず,UAVの移動と安全操作の制約と経路長の要件を組み込んだ目的関数を定義する。
次に, 目的関数の定式化を最小化するために, Multi-subject TLBO というアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-31T16:00:32Z) - Benchmarking Deep Reinforcement Learning Algorithms for Vision-based
Robotics [11.225021326001778]
本稿では,2つの視覚に基づくロボット工学問題の解法として,最先端の強化学習アルゴリズムのベンチマーク研究を行う。
これらのアルゴリズムの性能は、PyBulletの2つのシミュレーション環境であるKukaDiverseObjectEnvとRacecarZEDGymEnvと比較される。
論文 参考訳(メタデータ) (2022-01-11T22:45:25Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳(メタデータ) (2021-10-13T19:36:50Z) - 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) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案
非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。
相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文 参考訳(メタデータ) (2020-10-18T17:38:48Z) - Motion-Encoded Particle Swarm Optimization for Moving Target Search
Using UAVs [4.061135251278187]
本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。
提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。
既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
論文 参考訳(メタデータ) (2020-10-05T14:17:49Z) - Learning in the Sky: An Efficient 3D Placement of UAVs [0.8399688944263842]
本稿では,地上のセルネットワークをダウンリンクで支援するUAVの3次元展開のための学習機構を提案する。
この問題は、満足度のあるUAV間での非協調ゲームとしてモデル化されている。
この問題を解決するために,不満足なUAVが学習アルゴリズムに基づいて位置情報を更新する,低複雑性アルゴリズムを用いる。
論文 参考訳(メタデータ) (2020-03-02T15:16:00Z)
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。