論文の概要: Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy
Environments Based on Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2309.00017v1
- Date: Thu, 31 Aug 2023 06:23:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 15:50:22.231770
- Title: Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy
Environments Based on Deep Reinforcement Learning
- Title（参考訳）: 深部強化学習に基づく雨環境におけるセル接続型UAVの物理軌道設計
- Authors: Hao Qin, Zhaozhou Wu and Xingqi Zhang
- Abstract要約: 本稿では,降雨環境下でのセル接続型UAVに対する物理に基づく軌道設計手法を提案する。
物理に基づく電磁シミュレータを用いて、詳細な環境情報と雨が電波伝搬に与える影響を考察する。
提案手法は雨天下でのUAV軌道設計に大きな可能性を示した。
- 参考スコア（独自算出の注目度）: 1.0863256257378173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cellular-connected unmanned aerial vehicles (UAVs) have gained increasing
attention due to their potential to enhance conventional UAV capabilities by
leveraging existing cellular infrastructure for reliable communications between
UAVs and base stations. They have been used for various applications, including
weather forecasting and search and rescue operations. However, under extreme
weather conditions such as rainfall, it is challenging for the trajectory
design of cellular UAVs, due to weak coverage regions in the sky, limitations
of UAV flying time, and signal attenuation caused by raindrops. To this end,
this paper proposes a physics-based trajectory design approach for
cellular-connected UAVs in rainy environments. A physics-based electromagnetic
simulator is utilized to take into account detailed environment information and
the impact of rain on radio wave propagation. The trajectory optimization
problem is formulated to jointly consider UAV flying time and
signal-to-interference ratio, and is solved through a Markov decision process
using deep reinforcement learning algorithms based on multi-step learning and
double Q-learning. Optimal UAV trajectories are compared in examples with
homogeneous atmosphere medium and rain medium. Additionally, a thorough study
of varying weather conditions on trajectory design is provided, and the impact
of weight coefficients in the problem formulation is discussed. The proposed
approach has demonstrated great potential for UAV trajectory design under rainy
weather conditions.
- Abstract（参考訳）: セルラー接続型無人航空機(uavs)は、既存のセルラー・インフラストラクチャを利用してuavと基地局間の信頼性の高い通信を行う可能性から、注目を集めている。
気象予報や捜索救助活動など様々な用途に用いられている。
しかし,降雨などの極端な気象条件下では,空域の弱さ,UAV飛行時間の制限,雨滴による信号減衰など,細胞性UAVの軌道設計が困難である。
そこで本研究では,雨天環境におけるセル接続型uavの物理軌道設計手法を提案する。
物理に基づく電磁シミュレータを用いて、詳細な環境情報と雨が電波伝搬に与える影響を考察する。
軌道最適化問題は、UAV飛行時間と信号対干渉比を共同で考慮し、多段階学習と二重Q-ラーニングに基づく深層強化学習アルゴリズムを用いてマルコフ決定プロセスを通じて解決する。
最適なUAV軌道は、均質の大気媒質や雨媒質で比較される。
さらに, 各種気象条件が軌道設計に及ぼす影響を詳細に検討し, 問題定式化における重み係数の影響について考察した。
提案手法は雨天条件下でのuav軌道設計に大きな可能性を示した。
関連論文リスト
- Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning [0.6650227510403052]
本稿では,機械学習の時系列分類とクラスタリングを因果的フレームワークと組み合わせた因果的好奇性手法を提案する。
定常風, せん断風, 乱流の3つの異なる風環境を解析し, 風条件を推定するために最適なUAV操作を行うための異なる最適化戦略を探索する。
論文 参考訳（メタデータ） (2024-07-01T10:22:16Z) - Wireless-Enabled Asynchronous Federated Fourier Neural Network for
Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。
UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。
GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
論文 参考訳（メタデータ） (2021-12-26T14:41:52Z) - Federated Learning for UAV Swarms Under Class Imbalance and Power
Consumption Constraints [6.995852507959362]
設計上の制約を考慮しつつ、UAVの利用効率を調査することが不可欠である。
本稿では,各UAVが機械学習分類タスクを遂行する際のUAVスワムの展開について検討する。
論文 参考訳（メタデータ） (2021-08-23T16:10:14Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Adaptive Height Optimisation for Cellular-Connected UAVs using
Reinforcement Learning [7.073213965263513]
本稿では,環境中を移動するUAVの高さを動的に最適化するRLアルゴリズムを提案する。
その結果,提案手法はシナリオに応じて,UAVを6%から41%改善することがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:15:37Z) - 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) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための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） (2020-02-19T14:04:01Z) - Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。
本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:23:09Z)
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。