論文の概要: UAV-Assisted Resilience in 6G and Beyond Network Energy Saving: A Multi-Agent DRL Approach
- arxiv url: http://arxiv.org/abs/2511.07366v1
- Date: Mon, 10 Nov 2025 18:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.407414
- Title: UAV-Assisted Resilience in 6G and Beyond Network Energy Saving: A Multi-Agent DRL Approach
- Title（参考訳）: UAV支援型6Gとネットワーク省エネルギーの先進的レジリエンス:マルチエージェントDRLアプローチ
- Authors: Dao Lan Vy Dinh, Anh Nguyen Thi Mai, Hung Tran, Giang Quynh Le Vu, Tu Dac Ho, Zhenni Pan, Vo Nhan Van, Symeon Chatzinotas, Dinh-Hieu Tran,
- Abstract要約: 本稿では、6Gネットワーク省エネ(NES)シナリオにおける無人航空機(UAV)によるレジリエンスの視点について検討する。
本稿では,UAV支援通信を実現するために,マルチエージェントのDeep Deterministic Policy Gradient (MADDPG) フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 30.175514487521358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the unmanned aerial vehicle (UAV)-assisted resilience perspective in the 6G network energy saving (NES) scenario. More specifically, we consider multiple ground base stations (GBSs) and each GBS has three different sectors/cells in the terrestrial networks, and multiple cells are turned off due to NES or incidents, e.g., disasters, hardware failures, or outages. To address this, we propose a Multi-Agent Deep Deterministic Policy Gradient (MADDPG) framework to enable UAV-assisted communication by jointly optimizing UAV trajectories, transmission power, and user-UAV association under a sleeping ground base station (GBS) strategy. This framework aims to ensure the resilience of active users in the network and the long-term operability of UAVs. Specifically, it maximizes service coverage for users during power outages or NES zones, while minimizing the energy consumption of UAVs. Simulation results demonstrate that the proposed MADDPG policy consistently achieves high coverage ratio across different testing episodes, outperforming other baselines. Moreover, the MADDPG framework attains the lowest total energy consumption, with a reduction of approximately 24\% compared to the conventional all GBS ON configuration, while maintaining a comparable user service rate. These results confirm the effectiveness of the proposed approach in achieving a superior trade-off between energy efficiency and service performance, supporting the development of sustainable and resilient UAV-assisted cellular networks.
- Abstract（参考訳）: 本稿では、6Gネットワーク省エネ(NES)シナリオにおける無人航空機(UAV)によるレジリエンスの視点について検討する。
より具体的には、複数の地上基地局(GBS)と各GBSは、地上ネットワークに3つの異なるセクター/セルを持ち、複数のセルは、NESやインシデント、災害、ハードウェア障害、停止によって停止される。
そこで本稿では, 睡眠基盤局(GBS)戦略の下でUAVトラジェクトリ, 送信電力, ユーザ-UAVアソシエーションを協調的に最適化することにより, UAV支援通信を可能にするためのマルチエージェントDeep Deterministic Policy Gradient(MADDPG)フレームワークを提案する。
このフレームワークは、ネットワーク内のアクティブユーザのレジリエンスと、UAVの長期運用性を保証することを目的としている。
具体的には、UAVのエネルギー消費を最小化しながら、停電やNESゾーンの利用者のサービスカバレッジを最大化する。
シミュレーションの結果,提案したMADDPGポリシは,異なるテストエピソード間の高いカバレッジ比を連続的に達成し,他のベースラインよりも優れた結果が得られた。
さらに、MADDPGフレームワークは、従来の全GBS ON構成に比べて約24倍の削減を実現し、ユーザサービス率に匹敵する低い総エネルギー消費を実現している。
これらの結果は,エネルギー効率とサービス性能の優れたトレードオフを実現するための提案手法の有効性を確認し,持続的かつレジリエントなUAV支援セルネットワークの開発を支援する。
関連論文リスト
- When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。
これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。
本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-25T02:02:14Z) - Integrated Communication and Control for Energy-Efficient UAV Swarms: A Multi-Agent Reinforcement Learning Approach [9.51758427865825]
本稿では,UAVSwarm支援通信の品質向上を目的とした,統合型通信・制御協調設計機構を提案する。
マルコフ決定過程(MDP)として,共同資源配分と3次元軌道制御問題を定式化する。
我々は,UAV群全体のリアルタイム協調動作を可能にするマルチエージェント強化学習フレームワークを開発した。
論文 参考訳（メタデータ） (2025-09-28T14:23:04Z) - LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。
本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。
その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-07-23T04:22:57Z) - Graph Neural Network Aided Deep Reinforcement Learning for Resource Allocation in Dynamic Terahertz UAV Networks [6.170724183076036]
フレキシブルトポロジと超高データレートを備えたテラヘルツ(THz)ネットワークは、多数のセキュリティ監視、災害対応、環境応用に力を与えると期待されている。
しかし、動的トポロジと超高データレートは、THzの効率的な長期アンテナ特性を阻害する。
本稿では,自己ノードの特徴に着目した動的THz UAVネットワークにおけるリソース割り当てアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-08T06:36:17Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Optimising Energy Efficiency in UAV-Assisted Networks using Deep
Reinforcement Learning [2.6985600125290907]
無人航空機(UAV)のエネルギー効率(EE)最適化について検討する。
最近のマルチエージェント強化学習手法は2次元軌道設計を用いてシステムのEEを最適化する。
協調型マルチエージェント分散Double Deep Q-Network (MAD-DDQN) アプローチを提案する。
論文 参考訳（メタデータ） (2022-04-04T15:47:59Z) - 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) - Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency
of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。
提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
論文 参考訳（メタデータ） (2021-11-03T14:49:17Z) - Energy-aware placement optimization of UAV base stations via
decentralized multi-agent Q-learning [3.502112118170715]
航空基地局(UAV-BS)として機能する無人航空機は、ネットワーク需要の増加、既存のインフラの障害点、災害時の地上機器への無線接続を提供するために配備することができる。
バッテリー容量が限られていることを考えると、長時間のカバー作業でUAVのエネルギーを節約することは困難である。
本稿では,各UAV-BSに,地上機器との接続性を最大化し,エネルギー利用の向上を図る自律エージェントを組み込んだ分散Q-ラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-06-01T22:49:42Z)
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。