論文の概要: MADRL-based UAVs Trajectory Design with Anti-Collision Mechanism in
Vehicular Networks
- arxiv url: http://arxiv.org/abs/2402.03342v1
- Date: Sun, 21 Jan 2024 20:08:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 15:37:59.101166
- Title: MADRL-based UAVs Trajectory Design with Anti-Collision Mechanism in
Vehicular Networks
- Title(参考訳): 反衝突機構を持つMADRL系UAV軌道設計
- Authors: Leonardo Spampinato, Enrico Testi, Chiara Buratti, Riccardo Marini
- Abstract要約: 今後6Gネットワークでは、無人航空機(UAV)が移動基地局として機能することが期待される。
最も困難な問題の1つは、複数のUAVのための軌道の設計であり、同じ領域に協調して機能する。
本稿では,これらの問題に対処するためのランクベースのバイナリマスキング手法を提案する。
- 参考スコア(独自算出の注目度): 1.9662978733004604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In upcoming 6G networks, unmanned aerial vehicles (UAVs) are expected to play
a fundamental role by acting as mobile base stations, particularly for
demanding vehicle-to-everything (V2X) applications. In this scenario, one of
the most challenging problems is the design of trajectories for multiple UAVs,
cooperatively serving the same area. Such joint trajectory design can be
performed using multi-agent deep reinforcement learning (MADRL) algorithms, but
ensuring collision-free paths among UAVs becomes a critical challenge.
Traditional methods involve imposing high penalties during training to
discourage unsafe conditions, but these can be proven to be ineffective,
whereas binary masks can be used to restrict unsafe actions, but naively
applying them to all agents can lead to suboptimal solutions and
inefficiencies. To address these issues, we propose a rank-based binary masking
approach. Higher-ranked UAVs move optimally, while lower-ranked UAVs use this
information to define improved binary masks, reducing the number of unsafe
actions. This approach allows to obtain a good trade-off between exploration
and exploitation, resulting in enhanced training performance, while maintaining
safety constraints.
- Abstract(参考訳): 今後の6Gネットワークでは、無人航空機(UAV)が移動基地局として機能し、特にV2Xの応用を要求される。
このシナリオでは、最も困難な問題の1つは複数のUAVのための軌道の設計であり、同じ領域に協調して機能する。
このような共同軌道設計はマルチエージェント深部強化学習(MADRL)アルゴリズムを用いて行うことができるが、UAV間の衝突のない経路を確保することは重要な課題である。
伝統的な方法は、安全でない条件を抑止するために訓練中に高いペナルティを課すが、これらは非効率であることが証明されるが、バイナリマスクは安全でない行為を制限するために使用できるが、すべてのエージェントに無意識に適用すれば、最適でない解決策や非効率性につながる可能性がある。
これらの問題に対処するため,我々はランクベースのバイナリマスキング手法を提案する。
高ランクのUAVは最適に動き、低ランクのUAVはこの情報を使って改善されたバイナリマスクを定義し、安全でないアクションの数を減らす。
このアプローチは、探索と搾取の間の良好なトレードオフを得ることができ、安全制約を維持しながら訓練性能を向上させることができる。
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) - Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A
Multi-Leader Multi-Follower Stackelberg Game Approach [59.05476533509871]
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。
論文 参考訳(メタデータ) (2024-01-18T02:14:13Z) - Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds
Using PointNet [0.7067443325368975]
統合のための重要な前提条件は、安全な運用を確保するために、状況認識を増強したUAVを装備することである。
本研究は,複数の衝突リスクを同時に識別するために,レーダ技術を活用した航空点雲のエンドツーエンドセマンティックセマンティックセマンティックセグメンテーションを実現する。
我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
論文 参考訳(メタデータ) (2023-11-06T16:04:58Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳(メタデータ) (2023-10-03T11:47:01Z) - Toward collision-free trajectory for autonomous and pilot-controlled
unmanned aerial vehicles [1.018017727755629]
本研究は、高度衝突管理手法の開発において、PilotAware Ltdが入手した電子情報(EC)をより活用するものである。
DACM手法の利点は、空中衝突を避けるための広範囲なシミュレーションと実世界のフィールドテストによって実証されてきた。
論文 参考訳(メタデータ) (2023-09-18T18:24:31Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳(メタデータ) (2023-03-12T16:23:27Z) - DL-DRL: A double-level deep reinforcement learning approach for
large-scale task scheduling of multi-UAV [65.07776277630228]
分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。
特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。
また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
論文 参考訳(メタデータ) (2022-08-04T04:35:53Z) - Robust Adversarial Attacks Detection based on Explainable Deep
Reinforcement Learning For UAV Guidance and Planning [4.640835690336653]
公の場で活動する無人航空機(UAV)エージェントに対する敵攻撃が増加している。
深層学習(DL)アプローチによるこれらのUAVの制御と誘導は、パフォーマンスの観点からは有益であるが、これらのテクニックの安全性と敵の攻撃に対する脆弱性に対する懸念を追加する可能性がある。
本稿では、これらのDLスキームとUAVを攻撃から保護する効率的な検出器を構築するためのDL法の説明可能性に基づく革新的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-06T15:16:10Z) - 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) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳(メタデータ) (2021-03-03T20:54:19Z) - Secure communication between UAVs using a method based on smart agents
in unmanned aerial vehicles [1.2691047660244335]
無人航空機(UAV)は、ネットワークインフラを必要とせずに、非常に広い地域を監視できる。
このような通信は、その動的トポロジによってセキュリティ上の問題を引き起こす。
提案手法は、悪意のあるUAV攻撃に対抗するために2つのフェーズを使用する。
論文 参考訳(メタデータ) (2020-11-03T10:33:39Z)
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。