論文の概要: Handover and SINR-Aware Path Optimization in 5G-UAV mmWave Communication using DRL
- arxiv url: http://arxiv.org/abs/2504.02688v1
- Date: Thu, 03 Apr 2025 15:28:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-04 19:35:58.944827
- Title: Handover and SINR-Aware Path Optimization in 5G-UAV mmWave Communication using DRL
- Title（参考訳）: DRLを用いた5G-UAVmm波通信におけるハンドオーバとSINR対応経路最適化
- Authors: Achilles Kiwanuka Machumilane, Alberto Gotta, Pietro Cassarà,
- Abstract要約: UAV支援5G mmWave無線ネットワークにおける経路最適化のための新しいモデルフリーアクタ・アクタ・クリティック・ディープ・強化学習(AC-DRL)フレームワークを提案する。
我々は、gNBに接続されたUAVが最短時間で所望の目的地への最適な経路を決定することができるAC-RLエージェントを訓練する。
- 参考スコア（独自算出の注目度）: 0.5315148938765306
- License:
- Abstract: Path planning and optimization for unmanned aerial vehicles (UAVs)-assisted next-generation wireless networks is critical for mobility management and ensuring UAV safety and ubiquitous connectivity, especially in dense urban environments with street canyons and tall buildings. Traditional statistical and model-based techniques have been successfully used for path optimization in communication networks. However, when dynamic channel propagation characteristics such as line-of-sight (LOS), interference, handover, and signal-to-interference and noise ratio (SINR) are included in path optimization, statistical and model-based path planning solutions become obsolete since they cannot adapt to the dynamic and time-varying wireless channels, especially in the mmWave bands. In this paper, we propose a novel model-free actor-critic deep reinforcement learning (AC-DRL) framework for path optimization in UAV-assisted 5G mmWave wireless networks, which combines four important aspects of UAV communication: \textit{flight time, handover, connectivity and SINR}. We train an AC-RL agent that enables a UAV connected to a gNB to determine the optimal path to a desired destination in the shortest possible time with minimal gNB handover, while maintaining connectivity and the highest possible SINR. We train our model with data from a powerful ray tracing tool called Wireless InSite, which uses 3D images of the propagation environment and provides data that closely resembles the real propagation environment. The simulation results show that our system has superior performance in tracking high SINR compared to other selected RL algorithms.
- Abstract（参考訳）: 無人航空機(UAV)による次世代無線ネットワークの経路計画と最適化は、特に道路峡谷や高層建築物のある密集した都市環境において、モビリティ管理とUAVの安全性とユビキタス接続を確保するために重要である。
従来の統計およびモデルに基づく手法は、通信ネットワークにおける経路最適化に成功している。
しかし、経路最適化において、LOS(Line-of-Sight)、干渉、ハンドオーバ、信号間干渉、雑音比(SINR)などの動的チャネル伝搬特性が組み込まれている場合、特にmmWave帯域において、動的および時間変化の無線チャネルに適応できないため、統計およびモデルに基づく経路計画ソリューションは時代遅れとなる。
本稿では,UAV支援5G mmWave無線ネットワークにおける経路最適化のための新しいモデルフリーアクタ・アクタ・クリティック・ディープ・強化学習(AC-DRL)フレームワークを提案する。
我々は、gNBに接続されたUAVが最小のgNBハンドオーバで最短時間で所望の目的地への最適な経路を決定できるようにAC-RLエージェントを訓練する。
我々は、伝搬環境の3D画像を使用し、実際の伝搬環境によく似たデータを提供する、Wireless InSiteと呼ばれる強力な光線追跡ツールのデータを用いてモデルを訓練する。
シミュレーションの結果,本システムは,他の選択したRLアルゴリズムと比較して,高SINRの追跡性能に優れていた。
関連論文リスト
- AoI-Sensitive Data Forwarding with Distributed Beamforming in UAV-Assisted IoT [32.6091251316091]
本稿では,IoT(Internet of Things, モノのインターネット)における年齢フォワード情報(AoI)の分散ビームフォーミングに基づくUAV支援システムを提案する。
そこで我々は,この問題を解決するため,DRLに基づくアルゴリズムを提案し,安定性を向上し,収束を加速する。
論文 参考訳（メタデータ） (2025-02-13T07:48:36Z) - DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。
大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
論文 参考訳（メタデータ） (2024-10-18T14:04:38Z) - Joint Optimization of Deployment and Trajectory in UAV and IRS-Assisted
IoT Data Collection System [25.32139119893323]
無人航空機(UAV)は多くのモノのインターネット(IoT)システムに適用できる。
UAV-IoT無線チャネルは、時には木や高層建築物によってブロックされることがある。
本稿では,UAVの展開と軌道を最適化することで,システムのエネルギー消費を最小化することを目的とする。
論文 参考訳（メタデータ） (2022-10-27T06:27:40Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z) - Model-aided Deep Reinforcement Learning for Sample-efficient UAV
Trajectory Design in IoT Networks [20.303937220315177]
飛行時間制限されたUAVをデータハーベスティングミッションに導くためのモデル支援型深層Q-ラーニング手法を提案する。
標準DRL手法と比較して,提案手法では,同一データ収集性能に到達するためには,少なくとも1桁のトレーニングデータサンプルを必要とする。
論文 参考訳（メタデータ） (2021-04-21T08:25:11Z) - Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement
Learning [1.2330326247154968]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本論文では,複数のセルコネクテッドUAVの衝突のない経路を探索する。
本稿では,オンライン信号対干渉+雑音比マッピングを用いたオフライン時間差学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-09T16:52:33Z) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-03T22:22:20Z) - Distributed Conditional Generative Adversarial Networks (GANs) for
Data-Driven Millimeter Wave Communications in UAV Networks [116.94802388688653]
無人航空機(UAV)無線ネットワークにおけるミリ波(mmWave)通信のための,データ駆動型空対地(A2G)チャネル推定手法を提案する。
実効的なチャネル推定手法を開発し、各UAVは、各ビームフォーミング方向に沿って条件付き生成対向ネットワーク(CGAN)を介してスタンドアロンチャネルモデルを訓練することができる。
分散CGANアーキテクチャに基づく協調的なフレームワークを開発し、各UAVがmmWaveチャネルの分布を協調的に学習できるようにする。
論文 参考訳（メタデータ） (2021-02-02T20:56:46Z) - 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) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - 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。