論文の概要: Age and Power Minimization via Meta-Deep Reinforcement Learning in UAV Networks

• arxiv url: http://arxiv.org/abs/2501.14603v1
• Date: Fri, 24 Jan 2025 16:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:57:52.998329
• Title: Age and Power Minimization via Meta-Deep Reinforcement Learning in UAV Networks
• Title（参考訳）: UAVネットワークにおけるメタディープ強化学習による年齢と消費電力の最小化
• Authors: Sankani Sarathchandra, Eslam Eldeeb, Mohammad Shehab, Hirley Alves, Konstantin Mikhaylov, Mohamed-Slim Alouini,
• Abstract要約: 本研究では,データ収集を行う無人航空機(UAV)が支援するモノのインターネット(IoT)ネットワークについて検討する。 我々の目的は、様々なAoIと送信電力の組み合わせを最小限に抑えるために、UAV飛行軌道とスケジューリングポリシーを最適化することである。
• 参考スコア（独自算出の注目度）: 42.14963369042011
• License:
• Abstract: Age-of-information (AoI) and transmission power are crucial performance metrics in low energy wireless networks, where information freshness is of paramount importance. This study examines a power-limited internet of things (IoT) network supported by a flying unmanned aerial vehicle(UAV) that collects data. Our aim is to optimize the UAV flight trajectory and scheduling policy to minimize a varying AoI and transmission power combination. To tackle this variation, this paper proposes a meta-deep reinforcement learning (RL) approach that integrates deep Q-networks (DQNs) with model-agnostic meta-learning (MAML). DQNs determine optimal UAV decisions, while MAML enables scalability across varying objective functions. Numerical results indicate that the proposed algorithm converges faster and adapts to new objectives more effectively than traditional deep RL methods, achieving minimal AoI and transmission power overall.
• Abstract（参考訳）: AoIと送信電力は、情報更新性が最重要となる低エネルギー無線ネットワークにおいて重要なパフォーマンス指標である。 本研究では,データ収集を行う無人航空機(UAV)が支援するモノのインターネット(IoT)ネットワークについて検討する。 我々の目的は、様々なAoIと送信電力の組み合わせを最小限に抑えるために、UAV飛行軌道とスケジューリングポリシーを最適化することである。 そこで本研究では,深層Q-networks(DQN)とモデルに依存しないメタラーニング(MAML)を統合したメタディープ強化学習(RL)手法を提案する。 DQNは最適なUAV決定を決定するが、MAMLは様々な目的関数にまたがるスケーラビリティを実現する。 数値計算により,提案アルゴリズムは従来の深部RL法よりも高速に収束し,新たな目的に適応し,AoIの最小化と送信効率の向上を実現している。

関連論文リスト

• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• AoI in Context-Aware Hybrid Radio-Optical IoT Networks [8.467370216900107]
  光通信(OC)を無線周波数(RF)の強化媒体とするハイブリッドIoTネットワークについて検討する。 我々は、スループットの収集とエネルギーの最小化と技術間の切り替え頻度のバランスをとるために、多目的最適化戦略を採用する。 シミュレーションの結果,OC補充統合によりネットワーク全体の性能が向上し,Mean AoI と Peak AoI が大幅に削減された。
  論文  参考訳（メタデータ） (2024-12-17T13:48:25Z)
• Meta Reinforcement Learning Approach for Adaptive Resource Optimization in O-RAN [6.326120268549892]
  Open Radio Access Network (O-RAN) は、前例のない効率性と適応性を持つ現代のネットワークの変動要求に対処する。 本稿では,モデルに依存しないメタラーニング(MAML)にインスパイアされたメタ深層強化学習(Meta-DRL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-30T23:04:30Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty [23.29963717212139]
  高高度プラットフォーム(HAP)と無人航空機(UAV)からなる階層型空中コンピューティングフレームワークを開発する。 タスクスケジューリングは平均AoIを大幅に削減する。 電力割り当ては全ユーザに対して全送信電力を使用する場合と比較して平均AoIに限界効果があることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T11:52:15Z)
• 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)
• Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT Networks by Reinforcement Learning with Sequential Model [4.273341750394231]
  我々は、UAVの軌道を共同で設計し、インターネット・オブ・シングス・ネットワークでクラスタ・ヘッドを選択するという問題を定式化する。 本稿では,シーケンス・ツー・シーケンス・ニューラルネットワークで表されるポリシーを効果的に学習できるシーケンシャルモデル戦略を備えた,新しい深層強化学習(DRL)を提案する。 シミュレーションにより,提案したDRL法は,より少ないエネルギー消費を必要とするUAVの軌道を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-12-01T07:59:53Z)
• 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)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。