論文の概要: Real-Time AIoT for UAV Antenna Interference Detection via Edge-Cloud Collaboration

• arxiv url: http://arxiv.org/abs/2412.03055v1
• Date: Wed, 04 Dec 2024 06:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:07:12.326969
• Title: Real-Time AIoT for UAV Antenna Interference Detection via Edge-Cloud Collaboration
• Title（参考訳）: エッジクラウド協調によるUAVアンテナ干渉検出のためのリアルタイムAIoT
• Authors: Jun Dong, Jintao Cheng, Jin Wu, Chengxi Zhang, Shunyi Zhao, Xiaoyu Tang,
• Abstract要約: 第5世代(5G)では,通信干渉源の除去がネットワーク性能の維持に不可欠である。 本稿では,UAVのアンテナ干渉源を検出するコンピュータビジョンに基づくモノのAIを提案する。 システムは、我々のカスタムアンテナ干渉源データセットの平均平均精度(mAP)42.1%で、最先端(SOTA)性能を達成する。
• 参考スコア（独自算出の注目度）: 6.7233672503362545
• License:
• Abstract: In the fifth-generation (5G) era, eliminating communication interference sources is crucial for maintaining network performance. Interference often originates from unauthorized or malfunctioning antennas, and radio monitoring agencies must address numerous sources of such antennas annually. Unmanned aerial vehicles (UAVs) can improve inspection efficiency. However, the data transmission delay in the existing cloud-only (CO) artificial intelligence (AI) mode fails to meet the low latency requirements for real-time performance. Therefore, we propose a computer vision-based AI of Things (AIoT) system to detect antenna interference sources for UAVs. The system adopts an optimized edge-cloud collaboration (ECC+) mode, combining a keyframe selection algorithm (KSA), focusing on reducing end-to-end latency (E2EL) and ensuring reliable data transmission, which aligns with the core principles of ultra-reliable low-latency communication (URLLC). At the core of our approach is an end-to-end antenna localization scheme based on the tracking-by-detection (TBD) paradigm, including a detector (EdgeAnt) and a tracker (AntSort). EdgeAnt achieves state-of-the-art (SOTA) performance with a mean average precision (mAP) of 42.1% on our custom antenna interference source dataset, requiring only 3 million parameters and 14.7 GFLOPs. On the COCO dataset, EdgeAnt achieves 38.9% mAP with 5.4 GFLOPs. We deployed EdgeAnt on Jetson Xavier NX (TRT) and Raspberry Pi 4B (NCNN), achieving real-time inference speeds of 21.1 (1088) and 4.8 (640) frames per second (FPS), respectively. Compared with CO mode, the ECC+ mode reduces E2EL by 88.9%, increases accuracy by 28.2%. Additionally, the system offers excellent scalability for coordinated multiple UAVs inspections. The detector code is publicly available at https://github.com/SCNU-RISLAB/EdgeAnt.
• Abstract（参考訳）: 第5世代(5G)では,通信干渉源の除去がネットワーク性能維持に不可欠である。 干渉は、しばしば無許可または機能不全のアンテナから発生し、無線監視機関は、このようなアンテナの多くのソースに毎年対処する必要がある。 無人航空機(UAV)は検査効率を向上させることができる。 しかし、既存のクラウドオンリー(CO)人工知能(AI)モードのデータ伝送遅延は、リアルタイムパフォーマンスの低レイテンシ要件を満たすことができない。 そこで我々は,UAVのアンテナ干渉源を検出するコンピュータビジョンに基づくAI of Things (AIoT)システムを提案する。 このシステムは最適化されたエッジクラウドコラボレーション(ECC+)モードを採用し、キーフレーム選択アルゴリズム(KSA)を組み合わせて、エンドツーエンドのレイテンシ(E2EL)の削減と信頼性の高いデータ伝送を保証する。 我々のアプローチの核となるのは、検知器(EdgeAnt)とトラッカー(AntSort)を含むTBDパラダイムに基づくエンドツーエンドのアンテナローカライズ方式である。 EdgeAntは、我々のカスタムアンテナ干渉源データセットの平均平均精度(mAP)が42.1%で、300万のパラメータと14.7のGFLOPしか必要とせず、最先端のSOTA(State-of-the-art)性能を実現している。 COCOデータセットでは、EdgeAntは5.4GFLOPで38.9%のmAPを達成した。 We deployed EdgeAnt on Jetson Xavier NX (TRT) and Raspberry Pi 4B (NCNN)。 COモードと比較してECC+モードはE2ELを88.9%削減し、精度は28.2%向上した。 さらに、このシステムは、複数のUAV検査をコーディネートするための優れたスケーラビリティを提供する。 検出器コードはhttps://github.com/SCNU-RISLAB/EdgeAntで公開されている。

関連論文リスト

• Movable Antenna-Equipped UAV for Data Collection in Backscatter Sensor Networks: A Deep Reinforcement Learning-based Approach [10.115361454176773]
  無人航空機(UAV)は遠隔後方散乱装置(BD)からの柔軟なデータ収集を可能にする 指向性と柔軟性の高い指向性移動アンテナ(MA)をUAVに搭載することを検討する。 我々は,UAVと各BD間の方位角と距離を用いた深部強化学習(DRL)に基づく戦略を開発し,エージェントの観測空間を簡素化する。
  論文  参考訳（メタデータ） (2024-11-21T09:34:48Z)
• Robust Low-Cost Drone Detection and Classification in Low SNR Environments [0.9087641068861043]
  ドローンを検知し、分類する能力について、様々な畳み込みニューラルネットワーク(CNN)を評価した。 本稿では,標準コンピュータ,ソフトウェア定義無線(SDR),アンテナを用いた低コストドローン検知システムについて紹介する。
  論文  参考訳（メタデータ） (2024-06-26T12:50:55Z)
• YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection [8.184096371244175]
  本稿では,アンテナ干渉源検出のための軽量CNNと変圧器ハイブリッド検出器であるYOLO-Antを紹介する。 本稿では,ネットワークの機能抽出能力を高めるために,奥行き分離可能な畳み込みと大きな畳み込みカーネルに基づくDSLK-Blockモジュールを提案する。 アンテナ検出における複雑な背景やクラス間の違いといった課題に対処するため,DSLKVit-Blockを構築した。
  論文  参考訳（メタデータ） (2024-02-20T01:35:23Z)
• 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)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Digital Beamforming Robust to Time-Varying Carrier Frequency Offset [21.18926642388997]
  時変キャリア周波数オフセットから発生する信号の破損に頑健な新しいビームフォーミングアルゴリズムを提案する。 パイロットと干渉器信号に未知の時変周波数ドリフトが存在する場合に干渉をキャンセルできる重みベクトルを設計するための2つの原子ノルム最小化(anm)方式を提案する。
  論文  参考訳（メタデータ） (2021-03-08T18:08:56Z)
• Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
  低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。 我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
  論文  参考訳（メタデータ） (2020-10-20T09:07:10Z)
• Blind Federated Edge Learning [93.29571175702735]
  フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。 そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2020-10-19T16:22:28Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。