論文の概要: Base Station Deployment under EMF constrain by Deep Reinforcement learning
- arxiv url: http://arxiv.org/abs/2601.02385v1
- Date: Tue, 23 Dec 2025 12:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-11 18:48:17.563315
- Title: Base Station Deployment under EMF constrain by Deep Reinforcement learning
- Title（参考訳）: 深部強化学習によるEMF制約下の基地局配置
- Authors: Mohammed Mallik, Guillaume Villemaud,
- Abstract要約: 本稿では、位置特定受信信号強度(RSS)とEMF露光を同時に予測する条件付き生成対向ネットワーク(cGAN)を画像として提案する。
提案したcGANは、推論とデプロイメント時間を数時間から秒に短縮する。
静的なパフォーマンスマップを提供するスタンドアロンのcGANとは異なり、提案されたGAN-DQNフレームワークは、カバレッジと露出制約の下でのシーケンシャルな意思決定を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As 5G networks rapidly expand and 6G technologies emerge, characterized by dense deployments, millimeter-wave communications, and dynamic beamforming, the need for scalable simulation tools becomes increasingly critical. These tools must support efficient evaluation of key performance metrics such as coverage and radio-frequency electromagnetic field (RF-EMF) exposure, inform network design decisions, and ensure compliance with safety regulations. Moreover, base station (BS) placement is a crucial task in the network design, where satisfying coverage requirements is essential. To address these, based on our previous work, we first propose a conditional generative adversarial network (cGAN) that predicts location specific received signal strength (RSS), and EMF exposure simultaneously from the network topology, as images. As a network designing application, we propose a Deep Q Network (DQN) framework, using the trained cGAN, for optimal base station (BS) deployment in the network. Compared to conventional ray tracing simulations, the proposed cGAN reduces inference and deployment time from several hours to seconds. Unlike a standalone cGAN, which provides static performance maps, the proposed GAN-DQN framework enables sequential decision making under coverage and exposure constraints, learning effective deployment strategies that directly solve the BS placement problem. Thus making it well suited for real time design and adaptation in dynamic scenarios in order to satisfy pre defined network specific heterogeneous performance goals.
- Abstract（参考訳）: 5Gネットワークが急速に拡大し、6G技術が出現するにつれて、密集した展開、ミリ波通信、動的ビームフォーミングが特徴となり、スケーラブルなシミュレーションツールの必要性がますます重要になっている。
これらのツールは、カバレッジや高周波電磁界(RF-EMF)露光などの重要な性能指標の効率的な評価をサポートし、ネットワーク設計の決定を通知し、安全規制の遵守を保証する必要がある。
さらに, ネットワーク設計において, 基地局(BS)配置は重要な課題であり, 網羅要件を満たすことが不可欠である。
これらの課題に対処するため,我々はまず,位置特定受信信号強度(RSS)とEMF露光を同時に画像として予測する条件付き生成対向ネットワーク(cGAN)を提案する。
ネットワーク設計アプリケーションとして,ネットワークにおける最適基地局(BS)配置のための訓練されたcGANを用いたディープQネットワーク(DQN)フレームワークを提案する。
従来のレイトレーシングシミュレーションと比較して、提案したcGANは推論時間と展開時間を数時間から秒に短縮する。
静的なパフォーマンスマップを提供するスタンドアロンのcGANとは異なり、提案されたGAN-DQNフレームワークは、カバレッジや露出制約の下でのシーケンシャルな意思決定を可能にし、BS配置問題を直接解決する効果的なデプロイメント戦略を学ぶ。
したがって、事前に定義されたネットワーク固有の不均一なパフォーマンス目標を満たすために、動的シナリオにおけるリアルタイム設計と適応に適している。
関連論文リスト
- Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL [37.79695337425523]
低高度インテリジェントネットワーク(LAIN)は、災害対応、環境モニタリング、リアルタイムセンシングといったミッションクリティカルなアプリケーションをサポートすることができる。
これらのシステムは、エネルギー制約のあるUAV、タスク到着、異種コンピューティングリソースなど、重要な課題に直面している。
本稿では,UAV軌道計画とタスクオフロード決定を協調的に最適化する,時間依存型整数型非線形計画問題の解法を提案する。
論文 参考訳（メタデータ） (2025-12-05T08:14:45Z) - Neural Beam Field for Spatial Beam RSRP Prediction [11.903931127386349]
高密度無線ネットワークにおけるビーム管理には、正確なビームレベル基準信号受信電力(RSRP)の予測が不可欠である。
本稿では,空間ビームRSRP予測の効率的かつ解釈可能なハイブリッドニューラルネットワーク物理フレームワークであるNeural Beam Field (NBF)を提案する。
論文 参考訳（メタデータ） (2025-08-09T12:05:51Z) - A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。
大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
論文 参考訳（メタデータ） (2025-07-08T12:37:55Z) - SNR and Resource Adaptive Deep JSCC for Distributed IoT Image Classification [8.956048958779315]
我々は,IoTデバイスとエッジサーバ間での無線画像分類のための,新しいSNRおよび計算適応型分散CNNフレームワークを提案する。
既存の J SCC ベースの SNR 適応型多層化フレームワークと比較して,SNR が 10dB 以下である場合と比較して,分類精度が10% 向上する。
論文 参考訳（メタデータ） (2025-06-12T13:51:04Z) - Space-O-RAN: Enabling Intelligent, Open, and Interoperable Non Terrestrial Networks in 6G [16.472121677010268]
本稿では,Open RANの原理を階層的な閉ループ制御により衛星コンステレーションに拡張する分散制御アーキテクチャであるSpace-O-RANを紹介する。
軽量のglspldappは衛星をオンボードで運用し、恒久的な地上アクセスに頼ることなく、スケジューリングやビームステアリングなどのリアルタイム機能を実現できる。
鍵となるイネーブルは、O-RANインタフェースを衛星リンクに動的にマッピングし、様々な条件下で適応的なシグナリングをサポートすることである。
論文 参考訳（メタデータ） (2025-02-21T21:03:37Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-03T22:22:20Z) - 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) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-28T14:37:38Z)
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。