論文の概要: Koopman-based Prediction of Connectivity for Flying Ad Hoc Networks

• arxiv url: http://arxiv.org/abs/2511.01286v1
• Date: Mon, 03 Nov 2025 07:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.149607
• Title: Koopman-based Prediction of Connectivity for Flying Ad Hoc Networks
• Title（参考訳）: クープマンによるフライングアドホックネットワークの接続性予測
• Authors: Sivaram Krishnan, Jinho Choi, Jihong Park, Gregory Sherman, Benjamin Campbell,
• Abstract要約: 我々は、データ駆動クープマンアプローチを用いて、フライングアドホックネットワーク(FANET)内のUAV軌道ダイナミクスをモデル化する。 クープマン作用素理論を活用することで、FANETの絶えず変化するトポロジによって引き起こされる課題を効果的に解決する2つの方法を提案する。 以上の結果から,これらの手法は,通信障害のモデル化につながる接続性やアイソレーションのイベントを正確に予測できることがわかった。
• 参考スコア（独自算出の注目度）: 14.81023997999862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of machine learning (ML) to communication systems is expected to play a pivotal role in future artificial intelligence (AI)-based next-generation wireless networks. While most existing works focus on ML techniques for static wireless environments, they often face limitations when applied to highly dynamic environments, such as flying ad hoc networks (FANETs). This paper explores the use of data-driven Koopman approaches to address these challenges. Specifically, we investigate how these approaches can model UAV trajectory dynamics within FANETs, enabling more accurate predictions and improved network performance. By leveraging Koopman operator theory, we propose two possible approaches -- centralized and distributed -- to efficiently address the challenges posed by the constantly changing topology of FANETs. To demonstrate this, we consider a FANET performing surveillance with UAVs following pre-determined trajectories and predict signal-to-interference-plus-noise ratios (SINRs) to ensure reliable communication between UAVs. Our results show that these approaches can accurately predict connectivity and isolation events that lead to modelled communication outages. This capability could help UAVs schedule their transmissions based on these predictions.
• Abstract（参考訳）: 機械学習(ML)の通信システムへの応用は、将来の人工知能(AI)ベースの次世代無線ネットワークにおいて重要な役割を果たすことが期待されている。 既存の作業の多くは静的な無線環境のためのML技術に重点を置いているが、フライングアドホックネットワーク(FANET)のような非常にダイナミックな環境に適用する場合、しばしば制限に直面している。 本稿では,これらの課題に対処するためのデータ駆動型クープマンアプローチについて検討する。 具体的には、これらの手法がFANET内のUAV軌道力学をモデル化し、より正確な予測を可能にし、ネットワーク性能を向上させる方法について検討する。 Koopman演算子理論を利用することで、FANETの絶えず変化するトポロジによって引き起こされる課題に効率的に対処する、2つの可能なアプローチ(集中型と分散型)を提案する。 これを示すために, FANETは, UAV間の信頼性の高い通信を確保するために, 事前に決定された軌跡に従ってUAVによる監視を行い, SINR(Signal-to-Interference-plus-noise ratio)を予測する。 以上の結果から,これらの手法は,通信障害のモデル化につながる接続性やアイソレーションのイベントを正確に予測できることがわかった。 この能力は、UAVがこれらの予測に基づいて送信をスケジュールするのに役立つ。

関連論文リスト

• MUST: Multi-Scale Structural-Temporal Link Prediction Model for UAV Ad Hoc Networks [14.111475464877563]
  無人航空機(UAV)アドホックネットワーク(UANET)におけるリンク予測は,将来のUAV間のリンクの形成を予測することを目的としている。 UAVのルート情報が利用できない敵の環境では、将来のリンクはUANETの観測された歴史的トポロジ情報にのみ依存しなければならない。 UANETのためのマルチスケール構造時間リンク予測モデル(MUST)を提案する。
  論文  参考訳（メタデータ） (2025-05-14T12:26:46Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Predictive Covert Communication Against Multi-UAV Surveillance Using Graph Koopman Autoencoder [27.178522837149053]
  低確率検出(LPD)通信は、無線周波数(RF)信号の存在を隠蔽し、監視を回避することを目的としている。 UAVの将来の位置を正確に予測することは、リアルタイムのLPD通信を可能にするために不可欠である。 マルチUAV監視下での地上アドホックネットワークにおける検出可能性の最小化を目的とした,予測被覆通信と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:02:45Z)
• Graph Koopman Autoencoder for Predictive Covert Communication Against UAV Surveillance [29.15836826461713]
  低確率検出(LPD)通信は、無線周波数(RF)信号の存在を曖昧にすることを目的としている。 無人航空機(UAV)は、特定の関心領域をホバリングすることで地上からのRF信号を検出することができる。 本稿では,複数の固定翼UAVの軌跡を予測するために,グラフニューラルネットワーク(GNN)とクープマン理論を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-23T23:42:55Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• UAV-Aided Decentralized Learning over Mesh Networks [23.612400109629544]
  分散学習は、デバイス間通信(D2D)のみに依存する機械学習(ML)モデルを協調的にトレーニングする、無線ネットワークデバイスに権限を与える。 実世界のメッシュネットワークのローカル接続は、無線ノードの通信範囲が限られており、分散学習プロトコルの効率を損なう。 本論文は,UAVトラジェクトリを最適化し,ユーザグループ間のインテリジェンスを伝達するために,UAVが逐次訪問する一連の経路ポイントとして定義する。
  論文  参考訳（メタデータ） (2022-03-02T10:39:40Z)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。 コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。 ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)

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。