論文の概要: Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A
Multi-Leader Multi-Follower Stackelberg Game Approach
- arxiv url: http://arxiv.org/abs/2401.09680v1
- Date: Thu, 18 Jan 2024 02:14:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 18:12:45.538486
- Title: Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A
Multi-Leader Multi-Follower Stackelberg Game Approach
- Title(参考訳): UAVメタバースにおけるツインズマイグレーションのためのTiny Multi-Agent DRL:マルチリーダーマルチフォロー・スタックルバーグゲームアプローチ
- Authors: Jiawen Kang, Yue Zhong, Minrui Xu, Jiangtian Nie, Jinbo Wen, Hongyang
Du, Dongdong Ye, Xumin Huang, Dusit Niyato, Shengli Xie
- Abstract要約: 無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。
本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
- 参考スコア(独自算出の注目度): 59.05476533509871
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The synergy between Unmanned Aerial Vehicles (UAVs) and metaverses is giving
rise to an emerging paradigm named UAV metaverses, which create a unified
ecosystem that blends physical and virtual spaces, transforming drone
interaction and virtual exploration. UAV Twins (UTs), as the digital twins of
UAVs that revolutionize UAV applications by making them more immersive,
realistic, and informative, are deployed and updated on ground base stations,
e.g., RoadSide Units (RSUs), to offer metaverse services for UAV Metaverse
Users (UMUs). Due to the dynamic mobility of UAVs and limited communication
coverages of RSUs, it is essential to perform real-time UT migration to ensure
seamless immersive experiences for UMUs. However, selecting appropriate RSUs
and optimizing the required bandwidth is challenging for achieving reliable and
efficient UT migration. To address the challenges, we propose a tiny machine
learning-based Stackelberg game framework based on pruning techniques for
efficient UT migration in UAV metaverses. Specifically, we formulate a
multi-leader multi-follower Stackelberg model considering a new immersion
metric of UMUs in the utilities of UAVs. Then, we design a Tiny Multi-Agent
Deep Reinforcement Learning (Tiny MADRL) algorithm to obtain the tiny networks
representing the optimal game solution. Specifically, the actor-critic network
leverages the pruning techniques to reduce the number of network parameters and
achieve model size and computation reduction, allowing for efficient
implementation of Tiny MADRL. Numerical results demonstrate that our proposed
schemes have better performance than traditional schemes.
- Abstract(参考訳): UAV(Unmanned Aerial Vehicles)とメタバース(Metaverses)の相乗効果は、UAVメタバース(UAV metaverses)と呼ばれる新たなパラダイムを生み出している。
UAVツインズ(UAV Twins、UT)は、UAVのアプリケーションに革命をもたらし、より没入的、現実的で、情報的になるようにしたUAVのデジタルツインとして、地上基地局(例えばRoadSide Units(RSU))に展開され、UAVのメタバースユーザー(UMU)向けのメタバースサービスを提供する。
UAVの動的モビリティとRSUの限られた通信範囲のため、UMUのシームレスな没入体験を確保するために、リアルタイムUTマイグレーションを実行することが不可欠である。
しかしながら、適切なrsusの選択と必要な帯域幅の最適化は、信頼性と効率的なutマイグレーションを実現する上では困難である。
これらの課題に対処するために,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークStackelbergを提案する。
具体的には,UAVの実用性に新たなUMUの没入度を考慮し,マルチリーダーマルチフォローのStackelbergモデルを定式化する。
そこで我々は,Tiny Multi-Agent Deep Reinforcement Learning (Tiny MADRL)アルゴリズムを設計し,最適なゲームソリューションを表す小さなネットワークを得る。
具体的には,ネットワークパラメータ数を削減し,モデルサイズと計算量の削減を実現し,Tiny MADRLの効率的な実装を可能にする。
その結果,提案手法は従来の方式よりも優れた性能を示した。
関連論文リスト
- Multi-Agent Reinforcement Learning for Offloading Cellular
Communications with Cooperating UAVs [22.25820285378542]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T12:36:08Z) - 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 Hybrid Framework of Reinforcement Learning and Convex Optimization for
UAV-Based Autonomous Metaverse Data Collection [16.731929552692524]
本稿では,UAVが基地局(BS)のカバー範囲を広げて道路側ユニット(RSU)で生成したメタバースデータを収集する,UAV支援型メタバースネットワークについて考察する。
データ収集効率を改善するため、リソース割り当てとトラジェクトリ制御をシステムモデルに統合する。
提案するUAV支援Metaverseネットワークシステムモデルに基づいて,時間系列最適化問題を協調的に解くために,強化学習と凸最適化を備えたハイブリッドフレームワークを設計する。
論文 参考訳(メタデータ) (2023-05-29T11:49:20Z) - Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted
IoT Data Collection System [25.32139119893323]
無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。
UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。
本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
論文 参考訳(メタデータ) (2022-10-27T06:27:40Z) - UAV-Aided Multi-Community Federated Learning [19.795430742525532]
連邦学習(FL)における無人航空機(UAV)のオンライン軌道設計の問題点について検討する。
この環境では、各コミュニティに属する空間分布デバイスが、UAVが提供する無線リンクを介して、コミュニティモデルのトレーニングに協力的に貢献する。
異なるタスクのトレーニングパフォーマンスのプロキシとしてメトリクスを提案する。
論文 参考訳(メタデータ) (2022-06-04T19:00:40Z) - Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT
Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement
Learning Approach [56.84948632954274]
本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。
本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。
提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
論文 参考訳(メタデータ) (2021-12-20T15:45:28Z) - UAV-assisted Online Machine Learning over Multi-Tiered Networks: A
Hierarchical Nested Personalized Federated Learning Approach [25.936914508952086]
地理的分散デバイスクラスタのための無人航空機(UAV)による分散機械学習(ML)を検討する。
i)リーダー,ワーカー,コーディネータによるUAVスワーミング,(ii)階層型ネスト型パーソナライズド・フェデレーション・ラーニング(HN-PFL),(iii)UAVのローカル計算機能を用いた分散MLのための協調的UAVリソースプール,の5つの新しい技術/技術を提案する。
論文 参考訳(メタデータ) (2021-06-29T21:40:28Z) - 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) - A Unified Object Motion and Affinity Model for Online Multi-Object
Tracking [127.5229859255719]
オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。
UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。
我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
論文 参考訳(メタデータ) (2020-03-25T09:36:43Z)
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。