論文の概要: Optimizing UAV Aerial Base Station Flights Using DRL-based Proximal Policy Optimization

• arxiv url: http://arxiv.org/abs/2504.03961v1
• Date: Fri, 04 Apr 2025 22:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:11.809497
• Title: Optimizing UAV Aerial Base Station Flights Using DRL-based Proximal Policy Optimization
• Title（参考訳）: DRLに基づく近接政策最適化を用いたUAV基地局飛行の最適化
• Authors: Mario Rico Ibanez, Azim Akhtarshenas, David Lopez-Perez, Giovanni Geraci,
• Abstract要約: 無人航空機(UAV)ベースの基地局は、最先端ネットワークの迅速な展開が救命可能性の最大化に不可欠である緊急時に、有望な解決策を提供する。 本稿では,UAVが環境と対話し,最適構成を決定するための自動強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 3.1376814250061544
• License:
• Abstract: Unmanned aerial vehicle (UAV)-based base stations offer a promising solution in emergencies where the rapid deployment of cutting-edge networks is crucial for maximizing life-saving potential. Optimizing the strategic positioning of these UAVs is essential for enhancing communication efficiency. This paper introduces an automated reinforcement learning approach that enables UAVs to dynamically interact with their environment and determine optimal configurations. By leveraging the radio signal sensing capabilities of communication networks, our method provides a more realistic perspective, utilizing state-of-the-art algorithm -- proximal policy optimization -- to learn and generalize positioning strategies across diverse user equipment (UE) movement patterns. We evaluate our approach across various UE mobility scenarios, including static, random, linear, circular, and mixed hotspot movements. The numerical results demonstrate the algorithm's adaptability and effectiveness in maintaining comprehensive coverage across all movement patterns.
• Abstract（参考訳）: 無人航空機(UAV)ベースの基地局は、最先端ネットワークの迅速な展開が救命可能性の最大化に不可欠である緊急時に、有望な解決策を提供する。 これらのUAVの戦略的配置の最適化は通信効率の向上に不可欠である。 本稿では,UAVが環境と動的に対話し,最適構成を決定するための自動強化学習手法を提案する。 本手法は,通信ネットワークの無線信号検出機能を活用することで,多様なユーザ機器(UE)動作パターンをまたいだ位置決め戦略を学習し,一般化するために,最先端のアルゴリズム – ポリシ最適化 – を活用することで,より現実的な視点を提供する。 我々は, 静的, ランダム, 線形, 円形, 混合ホットスポット運動を含む, UEモビリティのシナリオにまたがるアプローチを評価する。 その結果,全運動パターンを包括的に包括的に網羅するアルゴリズムの適応性と有効性を示した。

関連論文リスト

• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• 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)
• Meta Reinforcement Learning for Strategic IoT Deployments Coverage in Disaster-Response UAV Swarms [5.57865728456594]
  無人航空機(UAV)は、重要な緊急用途に使用される可能性があるとして、学術や産業の研究者の注目を集めている。 これらのアプリケーションには、地上のユーザーに無線サービスを提供し、災害の影響を受けた地域からデータを収集する機能が含まれる。 UAVの限られた資源、エネルギー予算、厳格なミッション完了時間は、これらの用途にUAVを採用する際の課題を提起している。
  論文  参考訳（メタデータ） (2024-01-20T05:05:39Z)
• Continual Meta-Reinforcement Learning for UAV-Aided Vehicular Wireless Networks [29.89196067653312]
  無人航空基地局(UABS)は、V2Xサービスによる拡張センシングなどのアプリケーションをサポートするために、車載無線ネットワークに配備することができる。 このようなシステムの鍵となる問題は、UABSの軌道を効率的に最適化し、カバー範囲を最大化するアルゴリズムを設計することである。 本稿では,以前に経験した交通構成から新しい条件へ情報を伝達する手段として,連続メタRLを提案する。
  論文  参考訳（メタデータ） (2022-07-13T11:28:02Z)
• 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)
• Multi-Agent Deep Reinforcement Learning Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing [99.27205900403578]
  無人航空機(UAV)支援移動エッジコンピューティング(MEC)フレームワークを提案する。 我々は,全ユーザ機器(UE)の地理的公正性と,各UAVのUE負荷の公平性を共同で最適化することを目的としている。 提案手法は他の従来のアルゴリズムよりもかなり性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-23T17:44:07Z)
• 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。