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

• A Multi-Agent Reinforcement Learning Testbed for Cognitive Radio Applications [0.48182159227299676]
  RFRL(Radio Frequency Reinforcement Learning)は、将来の無線通信システムにおいて重要な役割を果たす。 本稿では,RFRL Gym環境の更新について概説する。
  論文  参考訳（メタデータ） (2024-10-28T20:45:52Z)
• Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
  無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。 本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。 我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-23T15:36:43Z)
• Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
  ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。 手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。 提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-27T13:05:02Z)
• 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)
• 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)
• 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)
• 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。