論文の概要: Wireless Power Transfer and Intent-Driven Network Optimization in AAVs-assisted IoT for 6G Sustainable Connectivity

• arxiv url: http://arxiv.org/abs/2511.18368v1
• Date: Sun, 23 Nov 2025 09:27:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.80165
• Title: Wireless Power Transfer and Intent-Driven Network Optimization in AAVs-assisted IoT for 6G Sustainable Connectivity
• Title（参考訳）: 6GサステナブルコネクティビティのためのAAV支援IoTにおける無線電力伝送とインテント駆動ネットワーク最適化
• Authors: Yue Hu, Xiaoming He, Rui Yuan, Shahid Mumtaz,
• Abstract要約: AAVは、6Gリンク以上のリソースを割り当て、ユーザインテリジェンスとネットワーク全体のパフォーマンスを共同で強化する。 本稿では,予測と決定モジュールを含む自律ネットワーク最適化のためのIntent-Driven Frameworkを提案する。 予測には超次元ベクトル符号化による超次元空間にデータを埋め込む超次元変換器(HDT)を導入する。 MAPPOは、2つの独立したパラメータ化されたネットワークを通してアクションをサンプリングし、ユーザインテントネットワークを軌跡ネットワークにカスケードして動作を維持する。
• 参考スコア（独自算出の注目度）: 38.7629490084784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous Aerial Vehicle (AAV)-assisted Internet of Things (IoT) represents a collaborative architecture in which AAV allocate resources over 6G links to jointly enhance user-intent interpretation and overall network performance. Owing to this mutual dependence, improvements in intent inference and policy decisions on one component reinforce the efficiency of others, making highly reliable intent prediction and low-latency action execution essential. Although numerous approaches can model intent relationships, they encounter severe obstacles when scaling to high-dimensional action sequences and managing intensive on-board computation. We propose an Intent-Driven Framework for Autonomous Network Optimization comprising prediction and decision modules. First, implicit intent modeling is adopted to mitigate inaccuracies arising from ambiguous user expressions. For prediction, we introduce Hyperdimensional Transformer (HDT), which embeds data into a Hyperdimensional space via Hyperdimensional vector encoding and replaces standard matrix and attention operations with symbolic Hyperdimensional computations. For decision-making, where AAV must respond to user intent while planning trajectories, we design Double Actions based Multi-Agent Proximal Policy Optimization (DA-MAPPO). Building upon MAPPO, it samples actions through two independently parameterized networks and cascades the user-intent network into the trajectory network to maintain action dependencies. We evaluate our framework on a real IoT action dataset with authentic wireless data. Experimental results demonstrate that HDT and DA-MAPPO achieve superior performance across diverse scenarios.
• Abstract（参考訳）: AAV(Autonomous Aerial Vehicle)が支援するIoT(Internet of Things)は、AAVが6Gリンクにリソースを割り当て、ユーザインテリジェンスとネットワーク全体のパフォーマンスを共同で向上するコラボレーションアーキテクチャである。 この相互依存のため、あるコンポーネントに対する意図推論と政策決定の改善は他のコンポーネントの効率を強化し、信頼性の高い意図予測と低遅延動作実行が不可欠である。 多くのアプローチは意図関係をモデル化できるが、高次元のアクションシーケンスへのスケーリングや、オンボード計算の集中管理において、深刻な障害に遭遇する。 本稿では,予測と決定モジュールを含む自律ネットワーク最適化のためのIntent-Driven Frameworkを提案する。 まず、曖昧なユーザ表現から生じる不正確さを軽減するために、暗黙の意図モデリングを採用する。 超次元ベクトル符号化によりデータを超次元空間に埋め込む超次元変換器(HDT)を導入し,標準行列とアテンション演算を記号的超次元計算で置き換える。 本稿では,DA-MAPPO(Double Actions based Multi-Agent Proximal Policy Optimization)を設計する。 MAPPOをベースとして、2つの独立したパラメータ化されたネットワークを通じてアクションをサンプリングし、ユーザインテリジェントネットワークを軌跡ネットワークにカスケードしてアクション依存性を維持する。 正確な無線データを用いた実際のIoTアクションデータセット上で,我々のフレームワークを評価する。 実験により,HDTとDA-MAPPOは多種多様なシナリオにおいて優れた性能を示した。

関連論文リスト

• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
  軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。 近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。 我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
  論文  参考訳（メタデータ） (2025-02-12T00:26:01Z)
• DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
  我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。 DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。 実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-09T14:04:21Z)
• Generalized Multi-Objective Reinforcement Learning with Envelope Updates in URLLC-enabled Vehicular Networks [12.323383132739195]
  我々は,無線ネットワーク選択と自律運転ポリシーを協調的に最適化する,新しい多目的強化学習(MORL)フレームワークを開発した。 ベルマン方程式の一般化版を適用し、多目的Q値の凸包絡を最適化し、最適ポリシーを生成することができる統一パラメトリック表現を学習する。 数値計算により, エンベロープ型MORLソリューションの有効性を検証し, 車両動特性, HOs, 通信データ率の相互依存性に関する興味深い知見を示した。
  論文  参考訳（メタデータ） (2024-05-18T16:31:32Z)
• Pixel State Value Network for Combined Prediction and Planning in Interactive Environments [9.117828575880303]
  本研究は,予測と計画を組み合わせた深層学習手法を提案する。 U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。 結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:13Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• DSDNet: Deep Structured self-Driving Network [92.9456652486422]
  本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。 我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
  論文  参考訳（メタデータ） (2020-08-13T17:54:06Z)

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。