論文の概要: Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment

• arxiv url: http://arxiv.org/abs/2408.03329v1
• Date: Fri, 19 Jul 2024 12:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 04:49:14.259254
• Title: Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment
• Title（参考訳）: 実環境におけるHDマップQoSに対するマルチエージェントアプローチによるカバレッジ認識と強化学習
• Authors: Jeffrey Redondo, Zhenhui Yuan, Nauman Aslam, Juan Zhang,
• Abstract要約: オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。 これはVehicular Adhoc Network(VANET)において特に当てはまり、車両はHD(High-Definition)マップデータを頻繁にダウンロードしてアップロードする。
• 参考スコア（独自算出の注目度）: 8.853779271331508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One effective way to optimize the offloading process is by minimizing the transmission time. This is particularly true in a Vehicular Adhoc Network (VANET) where vehicles frequently download and upload High-definition (HD) map data which requires constant updates. This implies that latency and throughput requirements must be guaranteed by the wireless system. To achieve this, adjustable contention windows (CW) allocation strategies in the standard IEEE802.11p have been explored by numerous researchers. Nevertheless, their implementations demand alterations to the existing standard which is not always desirable. To address this issue, we proposed a Q-Learning algorithm that operates at the application layer. Moreover, it could be deployed in any wireless network thereby mitigating the compatibility issues. The solution has demonstrated a better network performance with relatively fewer optimization requirements as compared to the Deep Q Network (DQN) and Actor-Critic algorithms. The same is observed while evaluating the model in a multi-agent setup showing higher performance compared to the single-agent setup.
• Abstract（参考訳）: オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。 これはVehicular Adhoc Network(VANET)において特に当てはまり、車両は定期的に更新を必要とするハイデフィニション(HD)マップデータを頻繁にダウンロードしてアップロードする。 これは、レイテンシとスループットの要求が無線システムによって保証されなければならないことを意味する。 これを実現するため、IEEE802.11pの調整可能なコンパクションウィンドウ(CW)割り当て戦略が多くの研究者によって検討されている。 それでも、それらの実装は、常に望ましいとは限らない既存の標準の変更を要求する。 そこで本研究では,アプリケーション層で動作するQ-Learningアルゴリズムを提案する。 さらに、任意の無線ネットワークにデプロイすることで、互換性の問題を軽減することができる。 このソリューションは、Deep Q Network(DQN)やActor-Criticアルゴリズムと比較して、比較的少ない最適化条件で、より良いネットワーク性能を示す。 シングルエージェントのセットアップと比較して高いパフォーマンスを示すマルチエージェントのセットアップでモデルを評価しながら、同じことが観察される。

関連論文リスト

• Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning [3.59419219139168]
  Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。 本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。 我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
  論文  参考訳（メタデータ） (2023-03-03T14:34:25Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• QoS-SLA-Aware Artificial Intelligence Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing System for the Internet of Vehicles [14.978000952939404]
  IoT of Vehicles (IoV) over Vehicular Ad-hoc Networks (VANETS) は、スマートシティアプリケーションの開発を可能にする新興技術である。 車両の計算能力とストレージ能力の制限を考えると、アプリケーション要求は統合されたエッジクラウドコンピューティングシステムにオフロードされる。 本稿では、異種エッジクラウドコンピューティングシステムにおけるマルチリクエストオフロードのための新しいAI(AI)デッドラインSLA対応遺伝的アルゴリズム(GA)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T10:11:55Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Efficient Real-Time Image Recognition Using Collaborative Swarm of UAVs and Convolutional Networks [9.449650062296824]
  本稿では,画像の分類を行うリソース制約付きUAV群に推論要求を分散する戦略を提案する。 画像の取得と最終的な決定の待ち時間を最小限に抑える最適化問題としてモデルを定式化する。 私たちは、利用可能なUAV間で最高のレイテンシを提供するレイヤ配置戦略を見つけるために、オンラインソリューション、すなわちDistInferenceを導入します。
  論文  参考訳（メタデータ） (2021-07-09T19:47:02Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)
• Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video Streaming over HTTP [89.30855958779425]
  Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。 本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
  論文  参考訳（メタデータ） (2019-12-27T01:19:14Z)

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。