論文の概要: Joint Communication Scheduling and Velocity Control for Multi-UAV-Assisted Post-Disaster Monitoring: An Attention-Based In-Context Learning Approach

• arxiv url: http://arxiv.org/abs/2510.05698v1
• Date: Tue, 07 Oct 2025 09:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.171573
• Title: Joint Communication Scheduling and Velocity Control for Multi-UAV-Assisted Post-Disaster Monitoring: An Attention-Based In-Context Learning Approach
• Title（参考訳）: マルチUAV後監視のための共同通信スケジューリングと速度制御:注意に基づくインコンテキスト学習アプローチ
• Authors: Yousef Emami, Seyedsina Nabavirazavi, Jingjing Zheng, Hao Zhou, Miguel Gutierrez Gaitan, Kai Li, Luis Almeida,
• Abstract要約: 無人航空機(UAV)は、津波などの災害後の監視シナリオにおいて、センサデータを収集するためにますます研究されている。 主な課題は、データ収集スケジュールと飛行速度を設計することであり、これは好ましくないスケジュールと速度が送信エラーや地上センサーのバッファオーバーフローを引き起こす可能性があるためである。 本稿では,データ損失を最小限に抑えるために,データ収集スケジュールと複数のUAVの速度制御の協調最適化を提案する。
• 参考スコア（独自算出の注目度）: 13.429550708956294
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, Unmanned Aerial Vehicles (UAVs) are increasingly being investigated to collect sensory data in post-disaster monitoring scenarios, such as tsunamis, where early actions are critical to limit coastal damage. A major challenge is to design the data collection schedules and flight velocities, as unfavorable schedules and velocities can lead to transmission errors and buffer overflows of the ground sensors, ultimately resulting in significant packet loss. Meanwhile, online Deep Reinforcement Learning (DRL) solutions have a complex training process and a mismatch between simulation and reality that does not meet the urgent requirements of tsunami monitoring. Recent advances in Large Language Models (LLMs) offer a compelling alternative. With their strong reasoning and generalization capabilities, LLMs can adapt to new tasks through In-Context Learning (ICL), which enables task adaptation through natural language prompts and example-based guidance without retraining. However, LLM models have input data limitations and thus require customized approaches. In this paper, a joint optimization of data collection schedules and velocities control for multiple UAVs is proposed to minimize data loss. The battery level of the ground sensors, the length of the queues, and the channel conditions, as well as the trajectories of the UAVs, are taken into account. Attention-Based In-Context Learning for Velocity Control and Data Collection Schedule (AIC-VDS) is proposed as an alternative to DRL in emergencies. The simulation results show that the proposed AIC-VDS outperforms both the Deep-Q-Network (DQN) and maximum channel gain baselines.
• Abstract（参考訳）: 近年、無人航空機(UAV)は、津波などの災害後の監視シナリオにおいて、沿岸の被害を抑えるために早期行動が不可欠であるような感覚データを収集する研究がますます進んでいる。 主な課題は、データ収集のスケジュールと飛行速度を設計することであり、これは好ましくないスケジュールと速度が、地上センサーの送信エラーやバッファオーバーフローを引き起こし、最終的にパケット損失が大幅に増加するためである。 一方、オンラインのDeep Reinforcement Learning(DRL)ソリューションは、複雑なトレーニングプロセスと、津波監視の緊急要件を満たしていないシミュレーションと現実のミスマッチを持つ。 大規模言語モデル(LLM)の最近の進歩は、魅力的な代替手段を提供する。 強力な推論と一般化機能により、LLMはインコンテキスト学習(ICL)を通じて新しいタスクに適応することができる。 しかし、LLMモデルには入力データ制限があり、そのためカスタマイズされたアプローチが必要である。 本稿では,複数のUAVに対するデータ収集スケジュールと速度制御の協調最適化を提案し,データ損失を最小限に抑える。 地上センサのバッテリレベル、キューの長さ、チャネル条件、UAVの軌跡を考慮に入れた。 Intention-based In-Context Learning for Velocity Control and Data Collection Schedule (AIC-VDS) は、緊急時のDRLの代替として提案されている。 シミュレーションの結果,提案したAIC-VDSは,DQN(Deep-Q-Network)と最大チャネルゲインベースラインの両方より優れていた。

関連論文リスト

• Large Language Model-Empowered Decision Transformer for UAV-Enabled Data Collection [71.84636717632206]
  空間分散デバイスからの信頼性とエネルギー効率のよいデータ収集のための無人航空機(UAV)は、IoT(Internet of Things)アプリケーションをサポートする上で大きな可能性を秘めている。 有効なUAV制御ポリシーを学習するための共同言語モデル(LLM)を提案する。 LLM-CRDTは、現在の最先端DTアプローチよりも最大36.7%高いエネルギー効率を達成し、オンラインおよびオフラインメソッドのベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-09-17T13:05:08Z)
• FRSICL: LLM-Enabled In-Context Learning Flight Resource Allocation for Fresh Data Collection in UAV-Assisted Wildfire Monitoring [14.068881151569435]
  無人航空機(UAV)は、特に早期発見が環境への影響を最小限に抑える山火事の監視において、公共の安全のために不可欠である。 UAV-Assisted Wildfire Monitoring (UAWM)システムでは、センサの送信スケジューリングと速度の協調最適化が、古いセンサデータから情報時代(AoI)を最小化するために重要である。 深層強化学習(DRL)はそのような最適化に使われてきたが、サンプリング効率の低下、シミュレーションと現実のギャップ、複雑なトレーニングといった制限により、山火事モニタリングのような時間クリティカルなアプリケーションには適さない。 本稿では,新しいオンライン航空資源割当方式を提案する。
  論文  参考訳（メタデータ） (2025-07-14T10:24:43Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [62.579951798437115]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• LLM-Enabled In-Context Learning for Data Collection Scheduling in UAV-assisted Sensor Networks [1.3355457804095248]
  無人航空機 (UAV) は、様々な民間および商用用途で利用されている。 UAV-assisted Sensor Networks (UASNETs) やDeep Reinforcement Learning (DRL) で使用される機械学習(ML) は、複雑で長いモデルトレーニングのような課題に直面している。 本稿では,緊急時におけるDRLの代替として,ICLDC(In-Context Learning)に基づくデータ収集スケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2025-04-20T10:05:07Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms [6.649753747542209]
  本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。 定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。 我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
  論文  参考訳（メタデータ） (2022-12-21T17:16:42Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。