論文の概要: RL-ASL: A Dynamic Listening Optimization for TSCH Networks Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.07533v1
• Date: Wed, 08 Apr 2026 19:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.525828
• Title: RL-ASL: A Dynamic Listening Optimization for TSCH Networks Using Reinforcement Learning
• Title（参考訳）: RL-ASL:強化学習を用いたTSCHネットワークの動的リスニング最適化
• Authors: F. Fernando Jurado-Lasso, J. F. Jurado,
• Abstract要約: Time Slotted Channel Hopping (TSCH) はIEEE5.4e規格で広く採用されているメディアアクセス制御プロトコルである。 本稿では、強化学習駆動型適応リスニングフレームワークRL-ASLを紹介する。 RL-ASLは同期とデリバリの信頼性を維持しながらアイドルリスニングを低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Slotted Channel Hopping (TSCH) is a widely adopted Media Access Control (MAC) protocol within the IEEE 802.15.4e standard, designed to provide reliable and energy-efficient communication in Industrial Internet of Things (IIoT) networks. However, state-of-the-art TSCH schedulers rely on static slot allocations, resulting in idle listening and unnecessary power consumption under dynamic traffic conditions. This paper introduces RL-ASL, a reinforcement learning-driven adaptive listening framework that dynamically decides whether to activate or skip a scheduled listening slot based on real-time network conditions. By integrating learning-based slot skipping with standard TSCH scheduling, RL-ASL reduces idle listening while preserving synchronization and delivery reliability. Experimental results on the FIT IoT-LAB testbed and Cooja network simulator show that RL-ASL achieves up to 46% lower power consumption than baseline scheduling protocols, while maintaining near-perfect reliability and reducing average latency by up to 96% compared to PRIL-M. Its link-based variant, RL-ASL-LB, further improves delay performance under high contention with similar energy efficiency. Importantly, RL-ASL performs inference on constrained motes with negligible overhead, as model training is fully performed offline. Overall, RL-ASL provides a practical, scalable, and energy-aware scheduling mechanism for next-generation low-power IIoT networks.
• Abstract（参考訳）: Time Slotted Channel Hopping (TSCH) はIEEE 802.15.4e規格で広く採用されているメディアアクセス制御(MAC)プロトコルであり、産業用モノのインターネット(IIoT)ネットワークにおける信頼性とエネルギー効率の高い通信を提供するように設計されている。 しかし、最先端のTSCHスケジューラは静的なスロット割り当てに依存しており、動的な交通条件下ではアイドルリスニングや不要な電力消費が発生する。 本稿ではRL-ASLについて紹介する。RL-ASLは、リアルタイムネットワーク条件に基づいて、スケジュールされたリスニングスロットを起動するか、スキップするかを動的に決定する強化学習駆動適応型リスニングフレームワークである。 学習ベースのスロットスキップと標準TSCHスケジューリングを統合することで、RL-ASLは同期とデリバリの信頼性を維持しながらアイドルリスニングを低減する。 FIT IoT-LABテストベッドとCoojaネットワークシミュレータの実験結果から、RL-ASLはベースラインスケジューリングプロトコルよりも最大46%低い消費電力を実現し、ほぼ完全な信頼性を維持し、PRIL-Mと比較して平均遅延を最大96%削減した。 リンクベースの変種であるRL-ASL-LBは、同様のエネルギー効率で高い競合下での遅延性能をさらに向上させる。 重要なことは、RL-ASLは、モデルトレーニングが完全にオフラインで実行されるため、制約のある表に対して無視可能なオーバーヘッドで推論を行う。 全体として、RL-ASLは、次世代の低消費電力IIoTネットワークに対して実用的でスケーラブルでエネルギーを意識したスケジューリングメカニズムを提供する。

関連論文リスト

• Seer: Online Context Learning for Fast Synchronous LLM Reinforcement Learning [6.742598086990326]
  強化学習(RL)は、現代の大規模言語モデル(LLM)の進展に欠かせないものとなっているが、既存の同期RLシステムは、重大なパフォーマンスボトルネックに直面している。 従来見過ごされていた出力長と生成パターンの類似性を利用して,同じプロンプトを共有することで,これらの課題に対処する新しいオンラインコンテキスト学習システムであるSeerを提案する。 Seer氏は、動的ロードバランシングのための分割ロールアウト、コンテキスト対応スケジューリング、適応的なグループ化された投機的デコーディングの3つの主要なテクニックを紹介している。
  論文  参考訳（メタデータ） (2025-11-18T16:12:21Z)
• PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
  ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。 PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。 ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-27T03:04:46Z)
• QeRL: Beyond Efficiency -- Quantization-enhanced Reinforcement Learning for LLMs [80.76334908639745]
  大規模言語モデル(LLM)のための量子化強化学習フレームワークQeRLを提案する。 QeRLは、NVFP4量子化とローランド適応(LoRA)を組み合わせた問題に対処する。 実験によると、QeRLはロールアウトフェーズで1.5倍以上のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-10-13T17:55:09Z)
• SPEQ: Offline Stabilization Phases for Efficient Q-Learning in High Update-To-Data Ratio Reinforcement Learning [51.10866035483686]
  強化学習(RL)における高アップデート・トゥ・データ(UTD)比のアルゴリズムは、サンプル効率を改善するが、高い計算コストを伴い、現実世界のスケーラビリティを制限している。 我々は、低UTDオンライントレーニングと周期的オフライン安定化フェーズを組み合わせたRLアルゴリズムである、効率的なQ-Learningのためのオフライン安定化フェーズ(SPEQ)を提案する。 これらのフェーズでは、Q-関数は固定されたリプレイバッファ上で高いUTD比で微調整され、サブ最適データの冗長な更新が削減される。
  論文  参考訳（メタデータ） (2025-01-15T09:04:19Z)
• Intent-Aware DRL-Based NOMA Uplink Dynamic Scheduler for IIoT [30.146175299047325]
  産業用インターネット・オブ・モノのユーザ機器(IIoT UE)を意図的(QoS要求品質)とランダムなトラフィック到着で支援する問題について検討する。 利用可能な通信資源のスケジューリング方法を学ぶために,DRLに基づく時間周波数リソースの集中型動的スケジューラを提案する。
  論文  参考訳（メタデータ） (2024-03-27T08:57:15Z)
• LEACH-RLC: Enhancing IoT Data Transmission with Optimized Clustering and Reinforcement Learning [0.0]
  本稿では,Low-Energy Adaptive Clustering with Reinforcement Learning-based Controller (LEACH-RLC)を提案する。 MILPアプローチによるクラスタヘッド(CH)とノード対クラスタ割り当ての戦略的選択 新しいクラスタを生成するための最適なタイミングを学習することで、制御オーバーヘッドを最小限に抑えるRLエージェント。 その結果、最先端プロトコルよりもLEACH-RLCの方が優れた性能を示し、ネットワーク寿命の向上、平均エネルギー消費の削減、制御オーバーヘッドの最小化を示した。
  論文  参考訳（メタデータ） (2024-01-28T21:08:45Z)
• Communication-Efficient Orchestrations for URLLC Service via Hierarchical Reinforcement Learning [14.604814002402588]
  制御ループの時間スケールが異なるマルチレベルポリシーの実装を可能にするマルチエージェント階層型RL(HRL)フレームワークを提案する。 従来技術のユースケースでは、HRLフレームワークを用いて、産業機器の最大送電量と送電電力を最適化した。
  論文  参考訳（メタデータ） (2023-07-25T11:23:38Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)

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。