論文の概要: RFRL Gym: A Reinforcement Learning Testbed for Cognitive Radio
Applications
- arxiv url: http://arxiv.org/abs/2401.05406v1
- Date: Wed, 20 Dec 2023 15:00:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:33:42.468887
- Title: RFRL Gym: A Reinforcement Learning Testbed for Cognitive Radio
Applications
- Title(参考訳): RFRL Gym:認知無線応用のための強化学習ベッド
- Authors: Daniel Rosen (1), Illa Rochez (1), Caleb McIrvin (1), Joshua Lee (1),
Kevin D'Alessandro (1), Max Wiecek (1), Nhan Hoang (1), Ramzy Saffarini (1),
Sam Philips (1), Vanessa Jones (1), Will Ivey (1), Zavier Harris-Smart (2),
Zavion Harris-Smart (2), Zayden Chin (2), Amos Johnson (2), Alyse M. Jones
(1), William C. Headley (1) ((1) Virginia Tech, (2) Morehouse College)
- Abstract要約: RFRL(Radio Frequency Reinforcement Learning)は,次世代無線通信システムにおいて広く応用できる技術として期待されている。
本稿では、RFRL Gymのコンポーネント、サンプルシナリオの結果、今後の追加計画について詳述する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio Frequency Reinforcement Learning (RFRL) is anticipated to be a widely
applicable technology in the next generation of wireless communication systems,
particularly 6G and next-gen military communications. Given this, our research
is focused on developing a tool to promote the development of RFRL techniques
that leverage spectrum sensing. In particular, the tool was designed to address
two cognitive radio applications, specifically dynamic spectrum access and
jamming. In order to train and test reinforcement learning (RL) algorithms for
these applications, a simulation environment is necessary to simulate the
conditions that an agent will encounter within the Radio Frequency (RF)
spectrum. In this paper, such an environment has been developed, herein
referred to as the RFRL Gym. Through the RFRL Gym, users can design their own
scenarios to model what an RL agent may encounter within the RF spectrum as
well as experiment with different spectrum sensing techniques. Additionally,
the RFRL Gym is a subclass of OpenAI gym, enabling the use of third-party ML/RL
Libraries. We plan to open-source this codebase to enable other researchers to
utilize the RFRL Gym to test their own scenarios and RL algorithms, ultimately
leading to the advancement of RL research in the wireless communications
domain. This paper describes in further detail the components of the Gym,
results from example scenarios, and plans for future additions.
Index Terms-machine learning, reinforcement learning, wireless
communications, dynamic spectrum access, OpenAI gym
- Abstract(参考訳): RFRL(Radio Frequency Reinforcement Learning)は、次世代の無線通信システム、特に6Gおよび次世代の軍事通信において広く応用される技術として期待されている。
本研究は、スペクトルセンシングを利用したRFRL技術の開発を促進するツールの開発に重点を置いている。
特にこのツールは、ダイナミックスペクトラムアクセスとジャミングという2つの認知無線アプリケーションに対処するために設計された。
これらの応用のために強化学習(rl)アルゴリズムを訓練し、テストするためには、無線周波数(rf)スペクトル内でエージェントが遭遇する条件をシミュレートするシミュレーション環境が必要である。
本稿では,このような環境が開発され,以下rfrl体育館と呼ぶ。
RFRL Gymを通じて、ユーザーは独自のシナリオを設計し、RFスペクトル内でRLエージェントが遭遇するものをモデル化し、異なるスペクトルセンシング技術を試すことができる。
さらに、RFRL GymはOpenAIのサブクラスであり、サードパーティのML/RLライブラリの使用を可能にする。
我々は、他の研究者が自身のシナリオとRLアルゴリズムをテストするためにRFRL Gymを利用できるように、このコードベースをオープンソースにすることを計画している。
本稿では,体育館の構成要素,事例シナリオの結果,今後の追加計画について詳しく述べる。
インデックス用語-機械学習、強化学習、無線通信、ダイナミックスペクトラムアクセス、openaiジム
関連論文リスト
- Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
論文 参考訳(メタデータ) (2024-03-05T17:42:39Z) - SERL: A Software Suite for Sample-Efficient Robotic Reinforcement
Learning [85.21378553454672]
筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。
我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。
これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
論文 参考訳(メタデータ) (2024-01-29T10:01:10Z) - The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。
現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。
本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
論文 参考訳(メタデータ) (2023-10-06T04:13:10Z) - Language Reward Modulation for Pretraining Reinforcement Learning [61.76572261146311]
本稿では,強化学習のための事前学習信号としてLRFの機能を活用することを提案する。
我々の VLM プレトレーニングアプローチは,従来の LRF の使い方とは違い,ロボット操作タスクにおけるサンプル効率の学習を温めることができる。
論文 参考訳(メタデータ) (2023-08-23T17:37:51Z) - NeRF2: Neural Radio-Frequency Radiance Fields [11.09253326813424]
NeRF$textbf2$は、RF信号の伝搬を理解する連続ボリュームシーン関数を表す。
NeRF$textbf2$は、送信機の位置を知っているとき、どのような信号がどの位置で受信されたかを知ることができる。
論文 参考訳(メタデータ) (2023-05-10T13:09:57Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human
Activity Recognition [9.135311655929366]
デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。
RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。
本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
論文 参考訳(メタデータ) (2021-10-29T01:58:29Z) - Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。
得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。
WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
論文 参考訳(メタデータ) (2021-07-11T19:02:07Z) - RL-DARTS: Differentiable Architecture Search for Reinforcement Learning [62.95469460505922]
我々は、強化学習(RL)における微分可能なアーキテクチャ探索(DARTS)の最初の応用の1つであるRL-DARTSを紹介する。
画像エンコーダをDARTSスーパーネットに置き換えることにより、検索方法はサンプリング効率が高く、余分な計算資源が最小限必要であり、また、既存のコードに小さな変更を加える必要がなく、オフ・ポリティクスとオン・ポリティクスのRLアルゴリズムとも互換性がある。
スーパーネットはより優れたセルを徐々に学習し、手作業で設計したポリシーに対して高い競争力を持つ代替アーキテクチャへとつながり、RLポリシーの以前の設計選択も検証できることを示す。
論文 参考訳(メタデータ) (2021-06-04T03:08:43Z) - Wireless for Machine Learning [91.13476340719087]
我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。
文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。
このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
論文 参考訳(メタデータ) (2020-08-31T11:09:49Z) - Experimental Analysis of Reinforcement Learning Techniques for Spectrum
Sharing Radar [8.852345851445829]
本稿では,RL(Reinforcement Reinforcement)制御を,集束したスペクトル環境で動作するレーダシステムに適用するためのフレームワークについて述べる。
市販オフ・ザ・シェルフ(COTS)ハードウェアで実施した実験から,いくつかのRLアルゴリズムの有用性を比較した。
各RL技術は, 集束スペクトル環境において達成された収束性, レーダ検出性能, および100MHzスペクトルを非協調通信システムと共有する能力の観点から評価する。
論文 参考訳(メタデータ) (2020-01-06T22:32:32Z)
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。