論文の概要: Deep Reinforcement Learning for Trajectory Path Planning and Distributed
Inference in Resource-Constrained UAV Swarms
- arxiv url: http://arxiv.org/abs/2212.11201v1
- Date: Wed, 21 Dec 2022 17:16:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:57:14.268020
- Title: Deep Reinforcement Learning for Trajectory Path Planning and Distributed
Inference in Resource-Constrained UAV Swarms
- Title（参考訳）: 資源制約型uav群における軌道経路計画と分散推論のための深層強化学習
- Authors: Marwan Dhuheir, Emna Baccour, Aiman Erbad, Sinan Sabeeh Al-Obaidi,
Mounir Hamdi
- Abstract要約: 本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。
定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。
我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
- 参考スコア（独自算出の注目度）: 6.649753747542209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment flexibility and maneuverability of Unmanned Aerial Vehicles
(UAVs) increased their adoption in various applications, such as wildfire
tracking, border monitoring, etc. In many critical applications, UAVs capture
images and other sensory data and then send the captured data to remote servers
for inference and data processing tasks. However, this approach is not always
practical in real-time applications due to the connection instability, limited
bandwidth, and end-to-end latency. One promising solution is to divide the
inference requests into multiple parts (layers or segments), with each part
being executed in a different UAV based on the available resources.
Furthermore, some applications require the UAVs to traverse certain areas and
capture incidents; thus, planning their paths becomes critical particularly, to
reduce the latency of making the collaborative inference process. Specifically,
planning the UAVs trajectory can reduce the data transmission latency by
communicating with devices in the same proximity while mitigating the
transmission interference.
This work aims to design a model for distributed collaborative inference
requests and path planning in a UAV swarm while respecting the resource
constraints due to the computational load and memory usage of the inference
requests. The model is formulated as an optimization problem and aims to
minimize latency. The formulated problem is NP-hard so finding the optimal
solution is quite complex; thus, this paper introduces a real-time and dynamic
solution for online applications using deep reinforcement learning. We conduct
extensive simulations and compare our results to the-state-of-the-art studies
demonstrating that our model outperforms the competing models.
- Abstract（参考訳）: 無人航空機(UAV)の展開の柔軟性と操縦性は、山火事追跡や国境監視など、様々な用途で採用を拡大した。
多くの重要なアプリケーションでは、uavは画像やその他の感覚データをキャプチャし、そのデータをリモートサーバに送信して推論とデータ処理のタスクを行う。
しかし、このアプローチは、接続不安定性、帯域幅の制限、エンドツーエンドのレイテンシのため、リアルタイムアプリケーションでは必ずしも実用的ではない。
1つの有望な解決策は、推論要求を複数の部分(レイヤまたはセグメント)に分割することであり、各部分は利用可能なリソースに基づいて異なるUAVで実行される。
さらに、いくつかのアプリケーションは、UAVが特定の領域を横断してインシデントを捕捉することを要求しているため、共同推論プロセスのレイテンシを低減するために、特にその経路を計画することが重要になる。
特に、uavs軌道の計画では、伝送干渉を緩和しながら同じ近接にあるデバイスと通信することで、データ伝送遅延を低減できる。
本研究の目的は、計算負荷と推論要求のメモリ使用量によるリソース制約を尊重しつつ、uav swarmにおける分散協調推論要求とパス計画のためのモデルを設計することである。
このモデルは最適化問題として定式化されており、レイテンシを最小化することを目指している。
定式化問題はNPハードであるため、最適解を見つけることは極めて複雑であり、本研究では、深層強化学習を用いたオンラインアプリケーションに対するリアルタイムかつ動的解法を提案する。
広範なシミュレーションを行い,本モデルが競合モデルを上回ることを実証する最先端の研究と比較した。
関連論文リスト
- DNN Task Assignment in UAV Networks: A Generative AI Enhanced Multi-Agent Reinforcement Learning Approach [16.139481340656552]
本稿では,マルチエージェント強化学習(MARL)と生成拡散モデル(GDM)を組み合わせた共同手法を提案する。
第2段階では,GDMのリバース・デノナイズ・プロセスを利用して,マルチエージェント・ディープ・Deep Deterministic Policy gradient(MADDPG)におけるアクタネットワークを置き換える新しいDNNタスク割当アルゴリズム(GDM-MADDPG)を導入する。
シミュレーションの結果,提案アルゴリズムは,経路計画,情報化時代(AoI),エネルギー消費,タスク負荷分散の観点から,ベンチマークに比較して良好な性能を示した。
論文 参考訳（メタデータ） (2024-11-13T02:41:02Z) - Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用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） (2024-02-05T12:36:08Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - 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) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - LLHR: Low Latency and High Reliability CNN Distributed Inference for
Resource-Constrained UAV Swarms [2.320417845168326]
無人航空機(UAV)は、監視、捜索および救助活動、環境監視など、多くの重要な応用において優れた性能を示している。
有望な解決策の1つは、利用可能なリソースに基づいてUAV間で分散可能なサブタスクに推論要求を分割することである。
システムモデルでは,高い信頼性と低レイテンシを保証する最適な送信電力の探索を目的として,リアルタイム要求を処理している。
論文 参考訳（メタデータ） (2023-05-25T08:47:16Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs
and Convolutional Networks [9.449650062296824]
本稿では,画像の分類を行うリソース制約付きUAV群に推論要求を分散する戦略を提案する。
画像の取得と最終的な決定の待ち時間を最小限に抑える最適化問題としてモデルを定式化する。
私たちは、利用可能なUAV間で最高のレイテンシを提供するレイヤ配置戦略を見つけるために、オンラインソリューション、すなわちDistInferenceを導入します。
論文 参考訳（メタデータ） (2021-07-09T19:47:02Z) - Offloading Optimization in Edge Computing for Deep Learning Enabled
Target Tracking by Internet-of-UAVs [22.143742665920573]
無人航空機(UAV)は標的追跡などの情報提供に広く利用されている。
プレトレーニングされた畳み込みニューラルネットワーク(CNN)がUAVに展開され、キャプチャされたビデオフレームからターゲットを特定する。
この種の視覚目標追跡は、所望の高推論精度と厳格な遅延要求のため、多くの計算資源を必要とする。
これは、このようなディープラーニング(DL)タスクをモバイルエッジコンピューティング(MEC)サーバにオフロードすることを検討する動機となります。
論文 参考訳（メタデータ） (2020-08-18T16:00:36Z)
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。