論文の概要: Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models

• arxiv url: http://arxiv.org/abs/2401.13827v1
• Date: Wed, 24 Jan 2024 21:57:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 16:25:09.881259
• Title: Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models
• Title（参考訳）: マルコフ型IoTモデルにおけるデータアップリンクのためのトラフィック学習とアクティブUAV軌道計画
• Authors: Eslam Eldeeb, Mohammad Shehab and Hirley Alves
• Abstract要約: IoTネットワークでは、従来のリソース管理スキームはデバイスと基地局の間のメッセージ交換に依存している。 マルコフイベントに基づくIoTデバイスのトラフィック到着を推定する,新たな学習ベースのフレームワークを提案する。 本稿では,各UAVの最適方針を最適化する深層強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 6.49537221266081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The age of information (AoI) is used to measure the freshness of the data. In IoT networks, the traditional resource management schemes rely on a message exchange between the devices and the base station (BS) before communication which causes high AoI, high energy consumption, and low reliability. Unmanned aerial vehicles (UAVs) as flying BSs have many advantages in minimizing the AoI, energy-saving, and throughput improvement. In this paper, we present a novel learning-based framework that estimates the traffic arrival of IoT devices based on Markovian events. The learning proceeds to optimize the trajectory of multiple UAVs and their scheduling policy. First, the BS predicts the future traffic of the devices. We compare two traffic predictors: the forward algorithm (FA) and the long short-term memory (LSTM). Afterward, we propose a deep reinforcement learning (DRL) approach to optimize the optimal policy of each UAV. Finally, we manipulate the optimum reward function for the proposed DRL approach. Simulation results show that the proposed algorithm outperforms the random-walk (RW) baseline model regarding the AoI, scheduling accuracy, and transmission power.
• Abstract（参考訳）: 情報年齢(AoI)は、データの鮮度を測定するために用いられる。 IoTネットワークでは、従来のリソース管理スキームは通信前のデバイスと基地局(BS)間のメッセージ交換に依存しており、高いAoI、高エネルギー消費、低信頼性の原因となっている。 無人航空機(UAV)はAoIの最小化、省エネルギー、スループットの向上に多くの利点がある。 本稿では,マルコフイベントに基づくIoTデバイスのトラフィック到着を推定する,新しい学習ベースのフレームワークを提案する。 学習は、複数のuavとそのスケジューリングポリシーの軌道を最適化する。 まず、BSはデバイスの将来的なトラフィックを予測する。 本稿では,フォワードアルゴリズム(FA)と長短期メモリ(LSTM)の2つのトラヒック予測器を比較した。 その後、各UAVの最適方針を最適化するための深層強化学習(DRL)手法を提案する。 最後に,提案したDRL手法に対して最適報酬関数を演算する。 シミュレーションの結果,提案アルゴリズムはAoI,スケジューリング精度,送信電力に関するランダムウォーク(RW)ベースラインモデルよりも優れていた。

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)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• 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)
• 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)
• UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement Learning Approach [18.266087952180733]
  本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。 自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。 提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
  論文  参考訳（メタデータ） (2020-07-01T15:14:16Z)
• Machine Learning for Predictive Deployment of UAVs with Multiple Access [37.49465317156625]
  本稿では無人航空機(UAV)の機械学習展開フレームワークについて検討する。 時間的なトラフィック分布のため、将来的なセルトラフィックを予測するために、LSTM(Long Short-term memory)ベースの予測が導入される。 提案手法は従来手法と比較して消費電力の最大24%を削減できる。
  論文  参考訳（メタデータ） (2020-03-02T00:15:09Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。