論文の概要: Cooperative Cognitive Dynamic System in UAV Swarms: Reconfigurable Mechanism and Framework

• arxiv url: http://arxiv.org/abs/2405.11281v1
• Date: Sat, 18 May 2024 12:45:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 18:28:33.497790
• Title: Cooperative Cognitive Dynamic System in UAV Swarms: Reconfigurable Mechanism and Framework
• Title（参考訳）: UAVスワムにおける協調的認知力学系:再構成可能なメカニズムと枠組み
• Authors: Ziye Jia, Jiahao You, Chao Dong, Qihui Wu, Fuhui Zhou, Dusit Niyato, Zhu Han,
• Abstract要約: UAVスワムの管理を最適化するための協調認知力学システム(CCDS)を提案する。 CCDSは階層的かつ協調的な制御構造であり、リアルタイムのデータ処理と意思決定を可能にする。 さらに、CCDSは、UAVスワムのタスクを効率的に割り当てるための生体模倣機構と統合することができる。
• 参考スコア（独自算出の注目度）: 80.39138462246034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the demands for immediate and effective responses increase in both civilian and military domains, the unmanned aerial vehicle (UAV) swarms emerge as effective solutions, in which multiple cooperative UAVs can work together to achieve specific goals. However, how to manage such complex systems to ensure real-time adaptability lack sufficient researches. Hence, in this paper, we propose the cooperative cognitive dynamic system (CCDS), to optimize the management for UAV swarms. CCDS leverages a hierarchical and cooperative control structure that enables real-time data processing and decision. Accordingly, CCDS optimizes the UAV swarm management via dynamic reconfigurability and adaptive intelligent optimization. In addition, CCDS can be integrated with the biomimetic mechanism to efficiently allocate tasks for UAV swarms. Further, the distributed coordination of CCDS ensures reliable and resilient control, thus enhancing the adaptability and robustness. Finally, the potential challenges and future directions are analyzed, to provide insights into managing UAV swarms in dynamic heterogeneous networking.
• Abstract（参考訳）: 民間と軍事の双方で即時かつ効果的な対応の要求が高まるにつれて、無人航空機(UAV)は効果的な解決策として現れ、複数の協力型UAVが協調して特定の目標を達成することができる。 しかし、リアルタイム適応性を確保するために複雑なシステムを管理するには十分な研究が欠如している。 そこで本稿では,UAVスワムの管理を最適化する協調認知力学システム(CCDS)を提案する。 CCDSは階層的かつ協調的な制御構造を利用し、リアルタイムのデータ処理と意思決定を可能にする。 したがって、CCDSは動的再構成性と適応的なインテリジェントな最適化によってUAVスワム管理を最適化する。 さらに、CCDSは、UAVスワムのタスクを効率的に割り当てるための生体模倣機構と統合することができる。 さらに、CCDSの分散調整は信頼性と弾力性を確保し、適応性と堅牢性を高める。 最後に、潜在的課題と今後の方向性を分析し、動的ヘテロジニアスネットワークにおけるUAVスワムの管理に関する洞察を提供する。

関連論文リスト

• OPTIMA: Optimized Policy for Intelligent Multi-Agent Systems Enables Coordination-Aware Autonomous Vehicles [9.41740133451895]
  本研究は,協調自動運転タスクのための分散強化学習フレームワークOPTIMAを紹介する。 我々のゴールは、非常に複雑で混み合ったシナリオにおいて、CAVの汎用性と性能を改善することです。
  論文  参考訳（メタデータ） (2024-10-09T03:28:45Z)
• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• 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)
• 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)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• A DRL-based Multiagent Cooperative Control Framework for CAV Networks: a Graphic Convolution Q Network [2.146837165387593]
  コネクテッド・オートモービル(CAV)ネットワークは、多車線の廊下で異なる場所で運用されているCAVの集合体として定義することができる。 本稿では,情報融合モジュールと決定プロセッサとして,GCN(Graphic Convolution Neural Network)とDQN(Deep Q Network)を組み合わせた新しいDeep Reinforcement Learning(DRL)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-12T03:53:58Z)
• Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
  動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
  論文  参考訳（メタデータ） (2020-01-28T15:10:22Z)

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。