論文の概要: Ready, Bid, Go! On-Demand Delivery Using Fleets of Drones with Unknown, Heterogeneous Energy Storage Constraints

• arxiv url: http://arxiv.org/abs/2504.08585v1
• Date: Fri, 11 Apr 2025 14:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:32.716733
• Title: Ready, Bid, Go! On-Demand Delivery Using Fleets of Drones with Unknown, Heterogeneous Energy Storage Constraints
• Title（参考訳）: 未知の異種エネルギー貯蔵制約付きドローンによるオンデマンド配送
• Authors: Mohamed S. Talamali, Genki Miyauchi, Thomas Watteyne, Micael S. Couceiro, Roderich Gross,
• Abstract要約: 無人航空機(UAV)はロジスティクスを変革し、配達時間、コスト、排出を減らすことが期待されている。 この研究は、UAVの艦隊が到着した注文を満たすために配備されるオンデマンド配送に対処する。 本稿では,オークションベースのタスクアロケーションとオンライン学習を組み合わせた分散デプロイメント戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.1161776147104203
• License:
• Abstract: Unmanned Aerial Vehicles (UAVs) are expected to transform logistics, reducing delivery time, costs, and emissions. This study addresses an on-demand delivery , in which fleets of UAVs are deployed to fulfil orders that arrive stochastically. Unlike previous work, it considers UAVs with heterogeneous, unknown energy storage capacities and assumes no knowledge of the energy consumption models. We propose a decentralised deployment strategy that combines auction-based task allocation with online learning. Each UAV independently decides whether to bid for orders based on its energy storage charge level, the parcel mass, and delivery distance. Over time, it refines its policy to bid only for orders within its capability. Simulations using realistic UAV energy models reveal that, counter-intuitively, assigning orders to the least confident bidders reduces delivery times and increases the number of successfully fulfilled orders. This strategy is shown to outperform threshold-based methods which require UAVs to exceed specific charge levels at deployment. We propose a variant of the strategy which uses learned policies for forecasting. This enables UAVs with insufficient charge levels to commit to fulfilling orders at specific future times, helping to prioritise early orders. Our work provides new insights into long-term deployment of UAV swarms, highlighting the advantages of decentralised energy-aware decision-making coupled with online learning in real-world dynamic environments.
• Abstract（参考訳）: 無人航空機(UAV)はロジスティクスを変革し、配達時間、コスト、排出を減らすことが期待されている。 この研究は、オンデマンドの配送に対処し、UAVの艦隊が確率的に到着する注文を満たすために配備される。 以前の研究とは異なり、UAVは不均一で未知のエネルギー貯蔵能力を持ち、エネルギー消費モデルについての知識を前提としていない。 本稿では,オークションベースのタスクアロケーションとオンライン学習を組み合わせた分散デプロイメント戦略を提案する。 それぞれのUAVは、そのエネルギー貯蔵電荷レベル、パーセル質量、配送距離に基づいて注文を入札するかを独立に決定する。 時間が経つにつれて、その能力内での注文のみを入札するポリシーが洗練される。 現実的なUAVエネルギーモデルを用いたシミュレーションでは、最も自信の持たない入札者に注文を割り当てることによって、納期を短縮し、完了した注文数を増やすことが示される。 この戦略は、UAVが特定の充電レベルを超えることを要求するしきい値ベースの手法よりも優れている。 本稿では,学習した戦略を予測に用いた戦略の変種を提案する。 これにより、チャージレベルが不十分なUAVは、特定の将来のタイミングで注文を完了し、早期注文の優先順位付けに役立てることができる。 我々の研究は、UAVスワムの長期展開に関する新たな洞察を提供し、現実の動的環境におけるオンライン学習と相まって、分散化されたエネルギーを意識した意思決定の利点を強調している。

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)
• 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)
• RL-Based Cargo-UAV Trajectory Planning and Cell Association for Minimum Handoffs, Disconnectivity, and Energy Consumption [23.734853912297634]
  無人航空機(UAV)は、ラストマイル貨物輸送のための有望な技術である。 既存の携帯電話ネットワークは、主に地上ユーザー向けに設計された。 本稿では, 共同貨物・UAV軌道計画とセルアソシエーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-05T04:06:09Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• 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)
• 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)
• Federated Learning for UAV Swarms Under Class Imbalance and Power Consumption Constraints [6.995852507959362]
  設計上の制約を考慮しつつ、UAVの利用効率を調査することが不可欠である。 本稿では,各UAVが機械学習分類タスクを遂行する際のUAVスワムの展開について検討する。
  論文  参考訳（メタデータ） (2021-08-23T16:10:14Z)
• 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)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• SREC: Proactive Self-Remedy of Energy-Constrained UAV-Based Networks via Deep Reinforcement Learning [11.065500588538997]
  複数の無人航空機(UAV)のエネルギーを意識した制御は、UAVベースのネットワークにおける主要な研究の1つである。 1つ以上のUAVがエネルギー不足であり、充電を中止しようとしている場合、エネルギー制約されたUAVネットワークの積極的な自己修復について検討する。 我々は,UAVがネットワークを離脱しようとしている場合に,UAVを積極的に移動させる,エネルギーを意識した最適なUAV制御ポリシーを提案する。
  論文  参考訳（メタデータ） (2020-09-17T20:51:17Z)

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。