論文の概要: Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications
- arxiv url: http://arxiv.org/abs/2603.21594v1
- Date: Mon, 23 Mar 2026 05:42:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.505382
- Title: Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications
- Title（参考訳）: 限られた通信を有するUAV無線ネットワークのための時空間強調マルチエージェントDRL
- Authors: Che Chen, Lanhua Li, Shimin Gong, Yu Zhao, Yuming Fang, Dusit Niyato,
- Abstract要約: 本稿では,UAV間の情報共有を促進するために,遅延ペナル化報酬を統合した遅延耐性多エージェント深層強化学習アルゴリズムを提案する。
提案手法は従来のMADRLに比べて50%以上の情報遅延と75%のスループット向上を実現する。
また、UAV情報交換の必要性を低減し、UAV支援無線ネットワークにおけるMADRLの実践的展開を促進するのにも有効である。
- 参考スコア（独自算出の注目度）: 73.26813382994867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we employ multiple UAVs to accelerate data transmissions from ground users (GUs) to a remote base station (BS) via the UAVs' relay communications. The UAVs' intermittent information exchanges typically result in delays in acquiring the complete system state and hinder their effective collaboration. To maximize the overall throughput, we first propose a delay-tolerant multi-agent deep reinforcement learning (MADRL) algorithm that integrates a delay-penalized reward to encourage information sharing among UAVs, while jointly optimizing the UAVs' trajectory planning, network formation, and transmission control strategies. Additionally, considering information loss due to unreliable channel conditions, we further propose a spatio-temporal attention based prediction approach to recover the lost information and enhance each UAV's awareness of the network state. These two designs are envisioned to enhance the network capacity in UAV-assisted wireless networks with limited communications. The simulation results reveal that our new approach achieves over 50\% reduction in information delay and 75% throughput gain compared to the conventional MADRL. Interestingly, it is shown that improving the UAVs' information sharing will not sacrifice the network capacity. Instead, it significantly improves the learning performance and throughput simultaneously. It is also effective in reducing the need for UAVs' information exchange and thus fostering practical deployment of MADRL in UAV-assisted wireless networks.
- Abstract（参考訳）: 本稿では,複数のUAVを用いて地上ユーザ(GU)から遠隔基地局(BS)への中継を,UAVの中継通信を介して高速化する。
UAVの断続的な情報交換は、通常、完全なシステム状態を取得するのに遅延を起こし、効果的なコラボレーションを妨げる。
総スループットを最大化するために,UAV間の情報共有を促進するために遅延ペナル化された報酬を統合し,UAVの軌道計画,ネットワーク形成,送信制御戦略を協調的に最適化する,遅延耐性マルチエージェント強化学習(MADRL)アルゴリズムを提案する。
さらに,信頼できない通信路条件による情報損失を考慮し,損失情報を復元し,ネットワーク状態に対する各UAVの意識を高めるための時空間的注意に基づく予測手法を提案する。
これらの2つの設計は、UAV支援無線ネットワークにおける限られた通信量でネットワーク容量を向上させることを想定している。
シミュレーションの結果,従来のMADRLに比べて情報遅延の50%以上低減し,75%のスループット向上を実現していることがわかった。
興味深いことに、UAVの情報共有の改善はネットワークの容量を犠牲にしない。
代わりに、同時に学習のパフォーマンスとスループットを大幅に改善します。
また、UAV情報交換の必要性を低減し、UAV支援無線ネットワークにおけるMADRLの実践的展開を促進するのにも有効である。
関連論文リスト
- Leveraging Large Vision Model for Multi-UAV Co-perception in Low-Altitude Wireless Networks [51.323657802729535]
多様な低高度経済応用のための有望なパラダイムとして、UAV(Multi-Uncrewed Aero Vehicle)協調認識が出現している。
本稿では,BHU(Base-Station-Helped UAV)と呼ばれるコミュニケーション効率の良い協調認識フレームワークを提案する。
我々は、UAVキャプチャされたRGB画像から最も情報性の高い画素を識別するためにTop-K選択機構を使用し、データボリュームと遅延を低減したスペーサー化された視覚伝達を可能にする。
論文 参考訳（メタデータ） (2026-03-13T17:49:28Z) - Age of Information Minimization in UAV-Enabled Integrated Sensing and Communication Systems [34.92822911897626]
統合センシング通信(ISAC)機能を備えた無人航空機(UAV)は、将来の無線ネットワークにおいて重要な役割を果たすと想定されている。
ターゲットセンシングとマルチユーザ通信を同時に行う老化情報(AoI)システムを提案する。
論文 参考訳（メタデータ） (2025-07-18T18:17:09Z) - AoI-Sensitive Data Forwarding with Distributed Beamforming in UAV-Assisted IoT [32.6091251316091]
本稿では,IoT(Internet of Things, モノのインターネット)における年齢フォワード情報(AoI)の分散ビームフォーミングに基づくUAV支援システムを提案する。
そこで我々は,この問題を解決するため,DRLに基づくアルゴリズムを提案し,安定性を向上し,収束を加速する。
論文 参考訳（メタデータ） (2025-02-13T07:48:36Z) - UAV Virtual Antenna Array Deployment for Uplink Interference Mitigation in Data Collection Networks [71.23793087286703]
無人航空機(UAV)は、航空無線ネットワークと通信を確立するためのプラットフォームとして注目されている。
本稿では,複数UAVネットワークシステムにおける協調ビームフォーミング(CB)法に基づく新しいアップリンク干渉緩和手法を提案する。
論文 参考訳（メタデータ） (2024-12-09T12:56:50Z) - Movable Antenna-Equipped UAV for Data Collection in Backscatter Sensor Networks: A Deep Reinforcement Learning-based Approach [10.115361454176773]
無人航空機(UAV)は遠隔後方散乱装置(BD)からの柔軟なデータ収集を可能にする
指向性と柔軟性の高い指向性移動アンテナ(MA)をUAVに搭載することを検討する。
我々は,UAVと各BD間の方位角と距離を用いた深部強化学習(DRL)に基づく戦略を開発し,エージェントの観測空間を簡素化する。
論文 参考訳（メタデータ） (2024-11-21T09:34:48Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳（メタデータ） (2023-10-03T11:47:01Z) - Federated Learning in UAV-Enhanced Networks: Joint Coverage and
Convergence Time Optimization [16.265792031520945]
フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。
FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。
この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
論文 参考訳（メタデータ） (2023-08-31T17:50:54Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z)
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。