論文の概要: RL-Based Cargo-UAV Trajectory Planning and Cell Association for Minimum
Handoffs, Disconnectivity, and Energy Consumption
- arxiv url: http://arxiv.org/abs/2312.02478v1
- Date: Tue, 5 Dec 2023 04:06:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 16:52:47.538098
- Title: RL-Based Cargo-UAV Trajectory Planning and Cell Association for Minimum
Handoffs, Disconnectivity, and Energy Consumption
- Title（参考訳）: RLベースカーゴUAV軌道計画とセルアソシエーション : 最小ハンドオフ, 断線, エネルギー消費
- Authors: Nesrine Cherif, Wael Jaafar, Halim Yanikomeroglu, Abbas Yongacoglu
- Abstract要約: 無人航空機(UAV)は、ラストマイル貨物輸送のための有望な技術である。
既存の携帯電話ネットワークは、主に地上ユーザー向けに設計された。
本稿では, 共同貨物・UAV軌道計画とセルアソシエーションのための新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 23.734853912297634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned aerial vehicle (UAV) is a promising technology for last-mile cargo
delivery. However, the limited on-board battery capacity, cellular
unreliability, and frequent handoffs in the airspace are the main obstacles to
unleash its full potential. Given that existing cellular networks were
primarily designed to service ground users, re-utilizing the same architecture
for highly mobile aerial users, e.g., cargo-UAVs, is deemed challenging.
Indeed, to ensure a safe delivery using cargo-UAVs, it is crucial to utilize
the available energy efficiently, while guaranteeing reliable connectivity for
command-and-control and avoiding frequent handoff. To achieve this goal, we
propose a novel approach for joint cargo-UAV trajectory planning and cell
association. Specifically, we formulate the cargo-UAV mission as a
multi-objective problem aiming to 1) minimize energy consumption, 2) reduce
handoff events, and 3) guarantee cellular reliability along the trajectory. We
leverage reinforcement learning (RL) to jointly optimize the cargo-UAV's
trajectory and cell association. Simulation results demonstrate a performance
improvement of our proposed method, in terms of handoffs, disconnectivity, and
energy consumption, compared to benchmarks.
- Abstract（参考訳）: 無人航空機(uav)はラストマイル貨物輸送に有望な技術である。
しかし、オンボードのバッテリー容量の制限、セルラーの信頼性の低下、空域での頻繁なハンドオフは、その潜在能力を解き放つ主な障害である。
既存のセルラーネットワークは主に地上ユーザー向けに設計されているため、cargo-uavのような高度にモバイルな航空ユーザーのために同じアーキテクチャを再利用することは困難であると考えられている。
実際、貨物UAVによる安全な配送を確保するためには、コマンド・アンド・コントロールの信頼性を確保し、頻繁にハンドオフを避けるとともに、利用可能なエネルギーを効率的に活用することが不可欠である。
この目的を達成するために,共同貨物・UAV軌道計画とセルアソシエーションのための新しいアプローチを提案する。
具体的には、カーゴUAVミッションを多目的問題として定式化する。
1)エネルギー消費を最小化する。
2)引き継ぎイベントの削減、及び
3) 軌道に沿ったセル信頼性を保証する。
補強学習(RL)を利用して,貨物UAVの軌道と細胞結合を協調的に最適化する。
シミュレーションの結果,提案手法の性能向上は,ベンチマークと比較すると,ハンドオフ,解離性,エネルギー消費の観点から示される。
関連論文リスト
- Meta Reinforcement Learning for Strategic IoT Deployments Coverage in
Disaster-Response UAV Swarms [5.57865728456594]
無人航空機(UAV)は、重要な緊急用途に使用される可能性があるとして、学術や産業の研究者の注目を集めている。
これらのアプリケーションには、地上のユーザーに無線サービスを提供し、災害の影響を受けた地域からデータを収集する機能が含まれる。
UAVの限られた資源、エネルギー予算、厳格なミッション完了時間は、これらの用途にUAVを採用する際の課題を提起している。
論文 参考訳（メタデータ） (2024-01-20T05:05:39Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳（メタデータ） (2023-10-03T11:47:01Z) - 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) - Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency
of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。
提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
論文 参考訳（メタデータ） (2021-11-03T14:49:17Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Energy-aware placement optimization of UAV base stations via
decentralized multi-agent Q-learning [3.502112118170715]
航空基地局(UAV-BS)として機能する無人航空機は、ネットワーク需要の増加、既存のインフラの障害点、災害時の地上機器への無線接続を提供するために配備することができる。
バッテリー容量が限られていることを考えると、長時間のカバー作業でUAVのエネルギーを節約することは困難である。
本稿では,各UAV-BSに,地上機器との接続性を最大化し,エネルギー利用の向上を図る自律エージェントを組み込んだ分散Q-ラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-06-01T22:49:42Z) - Reinforcement Learning-based Joint Path and Energy Optimization of
Cellular-Connected Unmanned Aerial Vehicles [0.0]
バッテリーの充電を考慮し、長いミッションでUAVの問題を解決するため、我々は典型的な短距離経路プランナーを階層的に拡張するために強化学習(RL)を用いてきた。
この問題は、広範囲を飛行するUAVに対してシミュレートされ、Qラーニングアルゴリズムにより、UAVが最適な経路と充電ポリシーを見つけることができる。
論文 参考訳（メタデータ） (2020-11-27T14:16:55Z) - Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。
それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
論文 参考訳（メタデータ） (2020-09-21T12:35:23Z) - 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)
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。