論文の概要: AoI-Aware Resource Allocation with Deep Reinforcement Learning for HAPS-V2X Networks

• arxiv url: http://arxiv.org/abs/2508.00011v1
• Date: Mon, 21 Jul 2025 10:11:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.250722
• Title: AoI-Aware Resource Allocation with Deep Reinforcement Learning for HAPS-V2X Networks
• Title（参考訳）: AoI-Aware Resource Allocation with Deep Reinforcement Learning for HAPS-V2X Networks (特集:情報ネットワーク)
• Authors: Ahmet Melih Ince, Ayse Elif Canbilen, Halim Yanikomeroglu,
• Abstract要約: 第6世代(6G)ネットワークは、自律運転のような安全クリティカルなアプリケーションにおいて、高信頼性で低レイテンシな通信要求を満たすように設計されている。 非地上ネットワーク(NTN)を6Gインフラストラクチャに統合すると、ネットワークに冗長性が生まれ、極端な条件下であっても通信の連続性が保証される。 本稿では,情報伝達の年齢(AoI)を動的に最適化するために,深い決定論的ポリシー勾配(DDPG)を用いた強化学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 22.47860804880012
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Sixth-generation (6G) networks are designed to meet the hyper-reliable and low-latency communication (HRLLC) requirements of safety-critical applications such as autonomous driving. Integrating non-terrestrial networks (NTN) into the 6G infrastructure brings redundancy to the network, ensuring continuity of communications even under extreme conditions. In particular, high-altitude platform stations (HAPS) stand out for their wide coverage and low latency advantages, supporting communication reliability and enhancing information freshness, especially in rural areas and regions with infrastructure constraints. In this paper, we present reinforcement learning-based approaches using deep deterministic policy gradient (DDPG) to dynamically optimize the age-of-information (AoI) in HAPS-enabled vehicle-to-everything (V2X) networks. The proposed method improves information freshness and overall network reliability by enabling independent learning without centralized coordination. The findings reveal the potential of HAPS-supported solutions, combined with DDPG-based learning, for efficient AoI-aware resource allocation in platoon-based autonomous vehicle systems.
• Abstract（参考訳）: 第6世代(6G)ネットワークは、自律運転のような安全クリティカルなアプリケーションにおける高信頼・低レイテンシ通信(HRLLC)要件を満たすように設計されている。 非地上ネットワーク(NTN)を6Gインフラストラクチャに統合すると、ネットワークに冗長性が生まれ、極端な条件下であっても通信の連続性が保証される。 特に、高高度プラットフォームステーション(HAPS)は、その広範なカバレッジと低レイテンシのアドバンテージ、通信信頼性のサポート、情報更新性の向上、特にインフラ制約のある農村部や地域において際立っている。 本稿では,情報伝達の年齢(AoI)を動的に最適化するために,深い決定論的ポリシー勾配(DDPG)を用いた強化学習に基づくアプローチを提案する。 提案手法は,集中的な協調を伴わずに独立した学習を可能にすることにより,情報の鮮度とネットワーク全体の信頼性を向上させる。 この結果から,小隊をベースとした自律走行車システムにおいて,HAPS支援ソリューションとDDPGベースの学習を組み合わせることで,AoIを意識した資源配分が効果的である可能性が示唆された。

関連論文リスト

• Graph Neural Networks and Deep Reinforcement Learning Based Resource Allocation for V2X Communications [43.443526528832145]
  本稿では,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)を統合する手法を提案する。 通信リンクをノードとする動的グラフを構築することにより、V2V通信における高い成功率を確保することを目指している。 提案手法は,GNNのグローバルな特徴学習能力を維持し,分散ネットワーク展開をサポートする。
  論文  参考訳（メタデータ） (2024-07-09T03:14:11Z)
• Deep-Reinforcement-Learning-Based AoI-Aware Resource Allocation for RIS-Aided IoV Networks [43.443526528832145]
  車両間通信(V2X)方式を考慮したRIS支援車両インターネット(IoV)を提案する。 車両間リンク(V2I)のタイムラインと車両間リンク(V2V)の安定性を改善するため,情報量(AoI)モデルとペイロード伝達確率モデルを導入する。
  論文  参考訳（メタデータ） (2024-06-17T06:16:07Z)
• Enabling Intelligent Vehicular Networks Through Distributed Learning in the Non-Terrestrial Networks 6G Vision [0.5461938536945721]
  6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。 これらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティの厳しい要件を課している。 本稿では,資源制約型車両シナリオのための共同空地ネットワークにおいて,FSTL(Federated Split Transfer Learning)の概念を導入する。
  論文  参考訳（メタデータ） (2023-09-07T22:18:21Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• 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)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。