論文の概要: Deep Reinforcement Learning for Joint Cruise Control and Intelligent
Data Acquisition in UAVs-Assisted Sensor Networks
- arxiv url: http://arxiv.org/abs/2312.09953v1
- Date: Fri, 15 Dec 2023 17:04:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 14:57:01.087062
- Title: Deep Reinforcement Learning for Joint Cruise Control and Intelligent
Data Acquisition in UAVs-Assisted Sensor Networks
- Title（参考訳）: UAV支援センサネットワークにおける統合クルーズ制御とインテリジェントデータ獲得のための深部強化学習
- Authors: Yousef Emami
- Abstract要約: 無人航空機(UAV)補助センサーネットワーク(UASNets)は、世界中の民間用途において大きな成長を遂げている。
これらのシナリオにおける大きな課題の1つは、UAVの動きがチャネル条件に影響を与え、パケット損失をもたらすことである。
提案手法は,複数のUAVの速度制御とデータ収集スケジュールを協調的に最適化することにより,パケット損失を最小化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Unmanned aerial vehicle (UAV)-assisted sensor networks (UASNets), which play
a crucial role in creating new opportunities, are experiencing significant
growth in civil applications worldwide. UASNets improve disaster management
through timely surveillance and advance precision agriculture with detailed
crop monitoring, thereby significantly transforming the commercial economy.
UASNets revolutionize the commercial sector by offering greater efficiency,
safety, and cost-effectiveness, highlighting their transformative impact. A
fundamental aspect of these new capabilities and changes is the collection of
data from rugged and remote areas. Due to their excellent mobility and
maneuverability, UAVs are employed to collect data from ground sensors in harsh
environments, such as natural disaster monitoring, border surveillance, and
emergency response monitoring. One major challenge in these scenarios is that
the movements of UAVs affect channel conditions and result in packet loss. Fast
movements of UAVs lead to poor channel conditions and rapid signal degradation,
resulting in packet loss. On the other hand, slow mobility of a UAV can cause
buffer overflows of the ground sensors, as newly arrived data is not promptly
collected by the UAV.
Our proposal to address this challenge is to minimize packet loss by jointly
optimizing the velocity controls and data collection schedules of multiple
UAVs.Furthermore, in UASNets, swift movements of UAVs result in poor channel
conditions and fast signal attenuation, leading to an extended age of
information (AoI). In contrast, slow movements of UAVs prolong flight time,
thereby extending the AoI of ground sensors.To address this challenge, we
propose a new mean-field flight resource allocation optimization to minimize
the AoI of sensory data.
- Abstract（参考訳）: 無人航空機(UAV)支援センサーネットワーク(UASNet)は、新たな機会を生み出す上で重要な役割を担っている。
uasnetsは、タイムリーな監視と詳細な作物モニタリングによる精密農業による災害管理を改善し、商業経済を大きく変革する。
UASNetは、高い効率、安全性、コスト効率を提供することで商業セクターに革命をもたらし、その変革的な影響を強調している。
これらの新機能と変更の基本的な側面は、頑丈でリモートな領域からのデータの収集である。
機動性と機動性に優れており、自然災害監視、国境監視、緊急対応監視などの厳しい環境における地上センサーからのデータを収集するためにuavが使用される。
これらのシナリオにおける大きな課題の1つは、UAVの動きがチャネル条件に影響を与え、パケット損失をもたらすことである。
UAVの高速動作はチャネル条件が悪く、信号が急速に劣化し、パケットが失われる。
一方、UAVのスローモビリティは、新たに到着したデータがUAVによって即座に収集されないため、地上センサーのバッファオーバーフローを引き起こす可能性がある。
我々は,複数のUAVの速度制御とデータ収集スケジュールを協調的に最適化することでパケット損失を最小化することを提案する。さらに,UASNetでは,UAVの急速移動はチャネル条件が悪く,信号の減衰が速くなり,情報時代が長くなる(AoI)。
対照的に、UAVの飛行時間が長くなるため、地上センサーのAoIを延ばし、この課題に対処するために、センサデータのAoIを最小限に抑えるために、新しい平均フィールド飛行資源割り当て最適化を提案する。
関連論文リスト
- Movable Antenna-Equipped UAV for Data Collection in Backscatter Sensor Networks: A Deep Reinforcement Learning-based Approach [10.115361454176773]
無人航空機(UAV)は遠隔後方散乱装置(BD)からの柔軟なデータ収集を可能にする
指向性と柔軟性の高い指向性移動アンテナ(MA)をUAVに搭載することを検討する。
我々は,UAVと各BD間の方位角と距離を用いた深部強化学習(DRL)に基づく戦略を開発し,エージェントの観測空間を簡素化する。
論文 参考訳（メタデータ） (2024-11-21T09:34:48Z) - Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds
Using PointNet [0.7067443325368975]
統合のための重要な前提条件は、安全な運用を確保するために、状況認識を増強したUAVを装備することである。
本研究は,複数の衝突リスクを同時に識別するために,レーダ技術を活用した航空点雲のエンドツーエンドセマンティックセマンティックセマンティックセグメンテーションを実現する。
我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
論文 参考訳（メタデータ） (2023-11-06T16:04:58Z) - 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) - UAV Based 5G Network: A Practical Survey Study [0.0]
無人航空機(UAV)は、新しい無線ネットワークの開発に大きく貢献することが期待されている。
UAVは5Gネットワークの低レイテンシと高速能力を利用して大量のデータをリアルタイムに転送することができる。
論文 参考訳（メタデータ） (2022-12-27T00:34:59Z) - 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) - Attention-based Reinforcement Learning for Real-Time UAV Semantic
Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。
グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。
GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文 参考訳（メタデータ） (2021-05-22T12:43:25Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳（メタデータ） (2021-04-29T10:06:29Z) - 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。