論文の概要: UAV Trajectory Planning for AoI-Minimal Data Collection in UAV-Aided IoT
Networks by Transformer
- arxiv url: http://arxiv.org/abs/2401.02425v1
- Date: Wed, 8 Nov 2023 17:13:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 09:59:54.077319
- Title: UAV Trajectory Planning for AoI-Minimal Data Collection in UAV-Aided IoT
Networks by Transformer
- Title(参考訳): 変圧器によるUAV支援IoTネットワークにおけるAoI最小データ収集のためのUAV軌道計画
- Authors: Botao Zhu, Ebrahim Bedeer, Ha H. Nguyen, Robert Barton, Zhen Gao
- Abstract要約: IoT(Internet-of-Things)ネットワークにおけるデータ収集の鮮度維持が注目されている。
クラスター型IoTネットワークを支援する無人航空機(UAV)の軌道計画問題について検討する。
地上IoTネットワークからのUAVによる収集データの総AoIを最小化するために最適化問題を定式化する。
- 参考スコア(独自算出の注目度): 8.203870302926614
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Maintaining freshness of data collection in Internet-of-Things (IoT) networks
has attracted increasing attention. By taking into account age-of-information
(AoI), we investigate the trajectory planning problem of an unmanned aerial
vehicle (UAV) that is used to aid a cluster-based IoT network. An optimization
problem is formulated to minimize the total AoI of the collected data by the
UAV from the ground IoT network. Since the total AoI of the IoT network depends
on the flight time of the UAV and the data collection time at hovering points,
we jointly optimize the selection of hovering points and the visiting order to
these points. We exploit the state-of-the-art transformer and the weighted A*,
which is a path search algorithm, to design a machine learning algorithm to
solve the formulated problem. The whole UAV-IoT system is fed into the encoder
network of the proposed algorithm, and the algorithm's decoder network outputs
the visiting order to ground clusters. Then, the weighted A* is used to find
the hovering point for each cluster in the ground IoT network. Simulation
results show that the trained model by the proposed algorithm has a good
generalization ability to generate solutions for IoT networks with different
numbers of ground clusters, without the need to retrain the model. Furthermore,
results show that our proposed algorithm can find better UAV trajectories with
the minimum total AoI when compared to other algorithms.
- Abstract(参考訳): IoT(Internet-of-Things)ネットワークにおけるデータ収集の鮮度維持が注目されている。
情報化の年齢(AoI)を考慮し、クラスタベースのIoTネットワークを支援するために使用される無人航空機(UAV)の軌道計画問題について検討する。
地上IoTネットワークからのUAVによる収集データの総AoIを最小化するために最適化問題を定式化する。
IoTネットワークの全AoIは、UAVの飛行時間とホバリングポイントのデータ収集時間に依存するため、ホバリングポイントの選択とこれらのポイントへの訪問順序を協調的に最適化する。
我々は,最先端の変圧器と経路探索アルゴリズムである重み付きa*を用いて,定式化問題を解く機械学習アルゴリズムを設計した。
UAV-IoTシステム全体が提案アルゴリズムのエンコーダネットワークに入力され、アルゴリズムのデコーダネットワークは、訪問順をグラウンドクラスタに出力する。
次に、重み付きA*を使用して、地上IoTネットワーク内の各クラスタのホバリングポイントを見つける。
シミュレーションの結果,提案アルゴリズムによりトレーニングされたモデルでは,モデルの再トレーニングを必要とせずに,異なる数の地上クラスタを持つIoTネットワークのソリューションを生成することができることがわかった。
さらに, 提案アルゴリズムは, 他のアルゴリズムと比較して, AoI が最小値の UAV トラジェクトリを求めることができることを示した。
関連論文リスト
- 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) - A Learning-Based Trajectory Planning of Multiple UAVs for AoI
Minimization in IoT Networks [13.2742178284328]
textitAge of Information (AoI)は、情報のタイムライン、すなわち受信した情報の更新やステータス更新を定量化するメトリクスである。
受信メッセージのAoIを最小化しながら、UAVの軌道を共同で計画する最適化問題を定式化する。
複素最適化問題は、深部強化学習(DRL)アルゴリズムを用いて効率よく解かれる。
論文 参考訳(メタデータ) (2022-09-13T12:39:23Z) - Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT
Networks by Reinforcement Learning with Sequential Model [4.273341750394231]
我々は、UAVの軌道を共同で設計し、インターネット・オブ・シングス・ネットワークでクラスタ・ヘッドを選択するという問題を定式化する。
本稿では,シーケンス・ツー・シーケンス・ニューラルネットワークで表されるポリシーを効果的に学習できるシーケンシャルモデル戦略を備えた,新しい深層強化学習(DRL)を提案する。
シミュレーションにより,提案したDRL法は,より少ないエネルギー消費を必要とするUAVの軌道を見つけることができることを示した。
論文 参考訳(メタデータ) (2021-12-01T07:59:53Z) - 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) - UAV Trajectory Planning in Wireless Sensor Networks for Energy
Consumption Minimization by Deep Reinforcement Learning [4.273341750394231]
無線センサネットワーク(WSN)のデータ収集のための有望なソリューションとして無人航空機(UAV)が登場している。
データ収集の全ラウンドでUAV-WSNシステムの総エネルギー消費を最小化することを目的としている。
本稿では,UAVトラジェクトリポリシの経験から効率よく学習できる新しいディープ強化学習手法,ポインタネットワークA*(Ptr-A*)を提案する。
論文 参考訳(メタデータ) (2021-08-01T03:02:11Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳(メタデータ) (2021-07-23T03:33:29Z) - 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) - 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) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
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。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳(メタデータ) (2021-04-03T22:22:20Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。