論文の概要: Multi-UAV Speed Control with Collision Avoidance and Handover-aware Cell Association: DRL with Action Branching

• arxiv url: http://arxiv.org/abs/2307.13158v2
• Date: Mon, 22 Jan 2024 03:47:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 00:13:31.974661
• Title: Multi-UAV Speed Control with Collision Avoidance and Handover-aware Cell Association: DRL with Action Branching
• Title（参考訳）: 衝突回避とハンドオーバアウェアセルアソシエーションを考慮したマルチuav速度制御:アクション分岐を用いたdrl
• Authors: Zijiang Yan, Wael Jaafar, Bassant Selim, Hina Tabassum
• Abstract要約: 本稿では,複数UAVセルアソシエーション決定とその移動速度を3次元高速で最適化する手法を提案する。 本稿では,共有決定モジュールと複数のネットワーク分岐を持つニューラルアーキテクチャを提案する。 シミュレーションの結果、既存のベンチマークと比べて18.32%の大幅な改善が見られた。
• 参考スコア（独自算出の注目度）: 13.84737967579164
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a deep reinforcement learning solution for optimizing multi-UAV cell-association decisions and their moving velocity on a 3D aerial highway. The objective is to enhance transportation and communication performance, including collision avoidance, connectivity, and handovers. The problem is formulated as a Markov decision process (MDP) with UAVs' states defined by velocities and communication data rates. We propose a neural architecture with a shared decision module and multiple network branches, each dedicated to a specific action dimension in a 2D transportation-communication space. This design efficiently handles the multi-dimensional action space, allowing independence for individual action dimensions. We introduce two models, Branching Dueling Q-Network (BDQ) and Branching Dueling Double Deep Q-Network (Dueling DDQN), to demonstrate the approach. Simulation results show a significant improvement of 18.32% compared to existing benchmarks.
• Abstract（参考訳）: 本稿では,複数UAVセルアソシエーション決定とその移動速度を3次元高速道路上で最適化するための深層強化学習ソリューションを提案する。 目的は、衝突回避、接続性、ハンドオーバなど、輸送と通信性能の向上である。 この問題は、速度と通信データ率によって定義されたUAVの状態を持つマルコフ決定プロセス(MDP)として定式化される。 本研究では,共有決定モジュールと複数のネットワーク分岐を持つニューラルアーキテクチャを提案する。 この設計は多次元のアクション空間を効率的に処理し、個々のアクション次元の独立性を実現する。 本稿では,BDQ(Branching Dueling Q-Network)とDDQN(Branching Dueling Double Deep Q-Network)の2つのモデルを紹介する。 シミュレーションの結果、既存のベンチマークと比べて18.32%の大幅な改善が見られた。

関連論文リスト

• Generalized Multi-Objective Reinforcement Learning with Envelope Updates in URLLC-enabled Vehicular Networks [12.323383132739195]
  我々は,無線ネットワークの選択と自律運転ポリシーを協調的に最適化する,新しい多目的強化学習フレームワークを開発した。 提案フレームワークは,車両の運動力学を制御することにより,交通流の最大化と衝突の最小化を目的としている。 提案されたポリシーにより、自動運転車は、接続性を改善した安全な運転行動を採用することができる。
  論文  参考訳（メタデータ） (2024-05-18T16:31:32Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• Reinforcement Learning for Joint V2I Network Selection and Autonomous Driving Policies [14.518558523319518]
  自動運転車(AV)の信頼性向上に向けたV2I通信の重要性が高まっている 道路衝突を最小限に抑えるため,AVのネットワーク選択と運転ポリシーを同時に最適化することが重要である。 我々は,効率的なネットワーク選択と自律運転ポリシーを特徴付ける強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-08-03T04:33:02Z)
• Multi-task UNet architecture for end-to-end autonomous driving [0.0]
  本稿では,MTUNetアーキテクチャと制御アルゴリズムを統合したエンドツーエンド駆動モデルを提案する。 エンド・ツー・エンド駆動システムの総合的、動的、リアルタイムな性能を評価するための定量的尺度を提供し、MTUNetの安全性と解釈性を提供する。
  論文  参考訳（メタデータ） (2021-12-16T15:35:15Z)
• Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement Learning [1.2330326247154968]
  無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。 本論文では,複数のセルコネクテッドUAVの衝突のない経路を探索する。 本稿では,オンライン信号対干渉+雑音比マッピングを用いたオフライン時間差学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-09T16:52:33Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [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） (2020-10-18T20:22:05Z)
• 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)
• Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
  本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。 提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。 決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
  論文  参考訳（メタデータ） (2020-10-10T05:13:49Z)

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。