論文の概要: Reinforcement Learning for Enhancing Sensing Estimation in Bistatic ISAC Systems with UAV Swarms

• arxiv url: http://arxiv.org/abs/2501.06454v1
• Date: Sat, 11 Jan 2025 06:57:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:21:13.183188
• Title: Reinforcement Learning for Enhancing Sensing Estimation in Bistatic ISAC Systems with UAV Swarms
• Title（参考訳）: UAVスワムを用いたバイオスタティックISACシステムのセンシング推定向上のための強化学習
• Authors: Obed Morrison Atsu, Salmane Naoumi, Roberto Bomfin, Marwa Chafii,
• Abstract要約: 本稿では,MARL(Multi-Agent Reinforcement Learning)フレームワークを提案する。 部分観測可能なマルコフ決定過程としてUAVの位置と軌道を最適化することにより、我々はMARLアプローチを開発する。 我々は,UAVが効果的な通信プロトコルを開発できるように,分散型協調型MARL戦略を実装した。
• 参考スコア（独自算出の注目度）: 4.387337528923525
• License:
• Abstract: This paper introduces a novel Multi-Agent Reinforcement Learning (MARL) framework to enhance integrated sensing and communication (ISAC) networks using unmanned aerial vehicle (UAV) swarms as sensing radars. By framing the positioning and trajectory optimization of UAVs as a Partially Observable Markov Decision Process, we develop a MARL approach that leverages centralized training with decentralized execution to maximize the overall sensing performance. Specifically, we implement a decentralized cooperative MARL strategy to enable UAVs to develop effective communication protocols, therefore enhancing their environmental awareness and operational efficiency. Additionally, we augment the MARL solution with a transmission power adaptation technique to mitigate interference between the communicating drones and optimize the communication protocol efficiency. Moreover, a transmission power adaptation technique is incorporated to mitigate interference and optimize the learned communication protocol efficiency. Despite the increased complexity, our solution demonstrates robust performance and adaptability across various scenarios, providing a scalable and cost-effective enhancement for future ISAC networks.
• Abstract（参考訳）: 本稿では,無人航空機(UAV)群をセンシングレーダとして利用するISACネットワークの強化を目的とした,MARL(Multi-Agent Reinforcement Learning)フレームワークを提案する。 部分観測可能なマルコフ決定プロセスとしてUAVの位置と軌道の最適化をフレーミングすることにより、集中学習と分散実行を活用して総合的なセンシング性能を最大化するMARLアプローチを開発する。 具体的には、UAVが効果的な通信プロトコルを開発できるように、分散協調型MARL戦略を実装し、環境意識と運用効率を向上させる。 さらに、通信ドローン間の干渉を緩和し、通信プロトコルの効率を最適化する送信電力適応技術により、MARLソリューションを拡張した。 さらに、干渉を緩和し、学習した通信プロトコル効率を最適化するために、送信電力適応技術が組み込まれている。 複雑さの増大にもかかわらず、我々のソリューションは様々なシナリオで堅牢なパフォーマンスと適応性を示し、将来のISACネットワークにスケーラブルで費用対効果の高い拡張を提供する。

関連論文リスト

• UAV-assisted Distributed Learning for Environmental Monitoring in Rural Environments [2.594420805049218]
  本稿では,無人航空機(UAV)を地域におけるIoT環境モニタリングのカバレッジ拡張中継として活用する,革新的なアプローチを提案する。 提案手法は,エッジデバイス,UAV,サーバ間のスプリットラーニング(SL)戦略を統合し,推論機構の適応性と性能を向上させる。
  論文  参考訳（メタデータ） (2024-07-02T22:21:03Z)
• UAV Networks Surveillance Implementing an Effective Load-Aware Multipath Routing Protocol (ELAMRP) [0.0]
  この研究は、無人航空機(UAV)を監視のために展開するために、革新的なマルチチャネルロードセンシング技術を用いている。 本研究は,データ伝送方式の品質向上と,監視システムの効率化と信頼性向上を目的としている。
  論文  参考訳（メタデータ） (2024-06-25T12:12:54Z)
• Cooperative Cognitive Dynamic System in UAV Swarms: Reconfigurable Mechanism and Framework [80.39138462246034]
  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。
  論文  参考訳（メタデータ） (2024-05-18T12:45:00Z)
• 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)
• 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)
• Path Design and Resource Management for NOMA enhanced Indoor Intelligent Robots [58.980293789967575]
  通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。 室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。 調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
  論文  参考訳（メタデータ） (2020-11-23T21:45:01Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。