論文の概要: Current Effect-eliminated Optimal Target Assignment and Motion Planning
for a Multi-UUV System
- arxiv url: http://arxiv.org/abs/2401.05521v1
- Date: Wed, 10 Jan 2024 19:38:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 02:08:11.769729
- Title: Current Effect-eliminated Optimal Target Assignment and Motion Planning
for a Multi-UUV System
- Title（参考訳）: マルチuuvシステムにおける電流効果による最適目標配置と動作計画
- Authors: Danjie Zhu, Simon X. Yang
- Abstract要約: 本稿では,海流がもたらす複雑さと課題に対処する革新的なアプローチ(CBNNTAP)を提案する。
バイオインスパイアされたニューラルネットワーク(BINN)アプローチを取り入れ、個々のUUVの最も効率的なパスを予測する。
CBNNTAPアルゴリズムにおける重要な革新は、海流の破壊的な影響に対処する能力である。
- 参考スコア（独自算出の注目度）: 4.62588687215906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper presents an innovative approach (CBNNTAP) that addresses the
complexities and challenges introduced by ocean currents when optimizing target
assignment and motion planning for a multi-unmanned underwater vehicle (UUV)
system. The core of the proposed algorithm involves the integration of several
key components. Firstly, it incorporates a bio-inspired neural network-based
(BINN) approach which predicts the most efficient paths for individual UUVs
while simultaneously ensuring collision avoidance among the vehicles. Secondly,
an efficient target assignment component is integrated by considering the path
distances determined by the BINN algorithm. In addition, a critical innovation
within the CBNNTAP algorithm is its capacity to address the disruptive effects
of ocean currents, where an adjustment component is seamlessly integrated to
counteract the deviations caused by these currents, which enhances the accuracy
of both motion planning and target assignment for the UUVs. The effectiveness
of the CBNNTAP algorithm is demonstrated through comprehensive simulation
results and the outcomes underscore the superiority of the developed algorithm
in nullifying the effects of static and dynamic ocean currents in 2D and 3D
scenarios.
- Abstract（参考訳）: マルチ無人水中車両(UUV)の目標配置と動作計画の最適化において,海流がもたらす複雑さと課題に対処する革新的なアプローチ(CBNNTAP)を提案する。
提案アルゴリズムの中核は、いくつかの重要なコンポーネントの統合である。
まず、バイオインスパイアされたニューラルネットワーク(BINN)アプローチを取り入れ、個々のUUVに対して最も効率的な経路を予測し、同時に車両間の衝突回避を確保する。
次に、BINNアルゴリズムによって決定される経路距離を考慮し、効率的な目標割り当て成分を統合する。
さらに、cbnntapアルゴリズムにおける重要な革新は、これらの電流による偏差に対処するために調整成分をシームレスに統合することで、uuvの動作計画と目標割り当ての両方の精度を高める、海洋電流の破壊的影響に対処する能力である。
cbnntapアルゴリズムの有効性を包括的シミュレーションにより実証し, 2次元および3次元シナリオにおける静的および動的海流の効果を無効化するために, 開発したアルゴリズムが優れていることを示す。
関連論文リスト
- Applying Incremental Learning in Binary-Addition-Tree Algorithm for Dynamic Binary-State Network Reliability [0.08158530638728499]
Binary-Addition-Treeアルゴリズム(BAT)は、ネットワークの信頼性と最適化問題を解決する強力な暗黙列挙法である。
漸進的な学習を導入することで、新たなデータやネットワークの変更に直面すると、BATが適応し、そのパフォーマンスを反復的に改善できるようになります。
論文 参考訳（メタデータ） (2024-09-24T04:13:03Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - Distributed Multi-Objective Dynamic Offloading Scheduling for Air-Ground Cooperative MEC [13.71241401034042]
本稿では,MORLとカーネル手法を統合した分散軌道計画とオフロードスケジューリング手法を提案する。
数値的な結果から,n段階の戻り値はカーネルベースのアプローチに有効であり,長期平均バックログ性能の大幅な向上が期待できることがわかった。
論文 参考訳（メタデータ） (2024-03-16T13:50:31Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Enhanced Teaching-Learning-based Optimization for 3D Path Planning of
Multicopter UAVs [2.0305676256390934]
本稿では,無人航空機(UAV)の新しい経路計画アルゴリズムを提案する。
まず,UAVの移動と安全操作の制約と経路長の要件を組み込んだ目的関数を定義する。
次に, 目的関数の定式化を最小化するために, Multi-subject TLBO というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-31T16:00:32Z) - Fast and computationally efficient generative adversarial network
algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。
将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。
提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
論文 参考訳（メタデータ） (2022-03-25T12:13:21Z) - 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) - Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for
Cellular Offloading [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案
非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。
相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文 参考訳（メタデータ） (2020-10-18T20:22:05Z) - NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案
非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。
相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文 参考訳（メタデータ） (2020-10-18T17:38:48Z) - Deep Reinforcement Learning for Field Development Optimization [0.0]
本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。
近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。
両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
論文 参考訳（メタデータ） (2020-08-05T06:26:13Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。