論文の概要: Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting

• arxiv url: http://arxiv.org/abs/2406.15225v1
• Date: Fri, 21 Jun 2024 15:10:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 13:13:07.000185
• Title: Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting
• Title（参考訳）: 密集市街地における接続性を確保した深度UAV経路計画
• Authors: Jiyong Oh, Syed M. Raza, Lusungu J. Mwasinga, Moonseong Kim, Hyunseung Choo,
• Abstract要約: 本稿では, 保証接続(DUPAC)を用いたUAV経路計画の枠組みを提案する。 UAV飛行中、DUPACは、定義されたソースから目的地への最良のルートを、距離と信号品質の観点から決定する。 その結果、DUPACは、飛行を通して平均9%の接続品質を維持しながら、2%の増分しか持たないベース方式に類似した自律型UAV飛行経路を達成できることを確認した。
• 参考スコア（独自算出の注目度）: 2.4156037371075088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Ariel Vehicle (UAV) services with 5G connectivity is an emerging field with numerous applications. Operator-controlled UAV flights and manual static flight configurations are major limitations for the wide adoption of scalability of UAV services. Several services depend on excellent UAV connectivity with a cellular network and maintaining it is challenging in predetermined flight paths. This paper addresses these limitations by proposing a Deep Reinforcement Learning (DRL) framework for UAV path planning with assured connectivity (DUPAC). During UAV flight, DUPAC determines the best route from a defined source to the destination in terms of distance and signal quality. The viability and performance of DUPAC are evaluated under simulated real-world urban scenarios using the Unity framework. The results confirm that DUPAC achieves an autonomous UAV flight path similar to base method with only 2% increment while maintaining an average 9% better connection quality throughout the flight.
• Abstract（参考訳）: 5G接続を備えた無人アリエル車両(UAV)サービスは、多くのアプリケーションを持つ新興分野である。 オペレーターが制御するUAV飛行と手動の静的飛行構成は、UAVサービスのスケーラビリティを広く採用する上で大きな制限となる。 いくつかのサービスは、セルラーネットワークとの優れたUAV接続に依存し、それを維持することは、所定の飛行経路において困難である。 本稿では,接続性を確保したUAV経路計画のためのDRL(Deep Reinforcement Learning)フレームワークを提案することにより,これらの制約に対処する。 UAV飛行中、DUPACは、定義されたソースから目的地への最良のルートを、距離と信号品質の観点から決定する。 DUPACの実用性と性能は、Unityフレームワークを用いて実世界の都市シナリオをシミュレーションして評価する。 その結果、DUPACは、飛行を通して平均9%の接続品質を維持しながら、2%の増分しか持たないベース方式に類似した自律型UAV飛行経路を達成できることを確認した。

関連論文リスト

• Multi-UAV Multi-RIS QoS-Aware Aerial Communication Systems using DRL and PSO [34.951735976771765]
  無人航空機(UAV)は、地上の利用者に無線サービスを提供する学術・産業の研究者の注目を集めている。 UAVの限られたリソースは、そのようなアプリケーションにUAVを採用する上での課題を引き起こす可能性がある。 システムモデルでは,地域をナビゲートするUAVスワムを考慮し,RISをサポートした地上ユーザへの無線通信により,UAVのカバレッジを向上させる。
  論文  参考訳（メタデータ） (2024-06-16T17:53:56Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  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)
• 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)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• UAV Based 5G Network: A Practical Survey Study [0.0]
  無人航空機(UAV)は、新しい無線ネットワークの開発に大きく貢献することが期待されている。 UAVは5Gネットワークの低レイテンシと高速能力を利用して大量のデータをリアルタイムに転送することができる。
  論文  参考訳（メタデータ） (2022-12-27T00:34:59Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• 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)
• Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
  Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。 我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。 300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
  論文  参考訳（メタデータ） (2021-01-21T07:00:15Z)
• Multi-Agent Deep Reinforcement Learning Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing [99.27205900403578]
  無人航空機(UAV)支援移動エッジコンピューティング(MEC)フレームワークを提案する。 我々は,全ユーザ機器(UE)の地理的公正性と,各UAVのUE負荷の公平性を共同で最適化することを目的としている。 提案手法は他の従来のアルゴリズムよりもかなり性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-23T17:44:07Z)
• Adaptive Height Optimisation for Cellular-Connected UAVs using Reinforcement Learning [7.073213965263513]
  本稿では,環境中を移動するUAVの高さを動的に最適化するRLアルゴリズムを提案する。 その結果,提案手法はシナリオに応じて,UAVを6%から41%改善することがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:15:37Z)

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。