論文の概要: xApp Empowered Resource Management for Non-Terrestrial Users in 5G O-RAN Networks

• arxiv url: http://arxiv.org/abs/2605.10704v1
• Date: Mon, 11 May 2026 15:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.930304
• Title: xApp Empowered Resource Management for Non-Terrestrial Users in 5G O-RAN Networks
• Title（参考訳）: 5G O-RANネットワークにおける地球外ユーザのためのxAppによるリソース管理
• Abstract要約: 本稿では,オープン無線アクセスネットワーク(O-RAN)のためのアクティブ無人航空機(UAV)モビリティ管理xAppを紹介する。 提案フレームワークはネットワーク条件を予測し、予測最適化により停止確率とハンドオーバ頻度を最小化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a proactive Unmanned Aerial Vehicle (UAV) mobility management xApp for Open Radio Access Network (O-RAN) Near Real-Time Radio Intelligent Controller (Near-RT RIC) environments, employing Double Deep Q-Network (DDQN) reinforcement learning (RL) enhanced with transfer learning to optimise handover decisions for UAVs operating along predetermined flight trajectories. Unlike reactive approaches that respond to signal degradation, the proposed framework anticipates network conditions and minimises both outage probability and handover frequency through predictive optimisation. The system leverages centralised weight averaging to consolidate knowledge from multiple flight scenarios into a global model capable of generalising to previously unseen operational environments without extensive retraining. A comprehensive evaluation demonstrates that the proposed framework achieves a favourable trade-off between handover frequency and connectivity reliability, reducing handover events by up to 54.6% compared to greedy approaches while maintaining outage probability at practically negligible levels. The results validate the effectiveness of intelligent learning-based approaches for UAV mobility management in next-generation O-RAN architectures, thereby contributing to seamless integration of aerial user equipment into cellular networks.
• Abstract（参考訳）: 本稿では,移動学習により強化されたDouble Deep Q-Network(DDQN)強化学習(RL)を用いた,オープンラジオアクセスネットワーク(O-RAN)周辺リアルタイム無線インテリジェントコントローラ(Near-RT RIC)環境のためのアクティブ無人航空機(UAV)モビリティ管理xAppを紹介する。 信号劣化に対応する反応性アプローチとは異なり、提案フレームワークはネットワーク条件を予測し、予測最適化により停止確率とハンドオーバ周波数の両方を最小化する。 このシステムは、複数の飛行シナリオから得た知識を、大規模な再訓練をすることなく、これまで見られなかった運用環境に一般化できるグローバルモデルに集約するために、集中的な重量推定を利用する。 網羅的な評価により,提案フレームワークは,事実上無視可能なレベルでの停止確率を維持しながら,ハンドオーバ頻度と接続信頼性のトレードオフを良好に達成し,ハンドオーバイベントを54.6%削減できることが示されている。 その結果,次世代O-RANアーキテクチャにおけるUAVモビリティ管理における知的学習に基づくアプローチの有効性が検証され,無線通信機器のセルネットワークへのシームレスな統合に寄与した。

関連論文リスト

• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• Diffusion Offline Reinforcement Learning for Fair and Energy-Efficient UAV-Assisted Wireless Networks [4.225452248917631]
  オフライン強化学習(RL)を利用した拡散ソフトアクター批判(拡散-SAC)手法を提案する。 Diffusion-SACは通常のオフラインRLベースラインよりも優れており、限られたデータセットでもより安定した収束と高い報酬を達成する。 この方法はデータ効率を向上し、エネルギー消費を低減し、既存のアルゴリズムと比較してスループットを35%以上向上させる。
  論文  参考訳（メタデータ） (2026-06-15T07:34:17Z)
• Digital Twin-Assisted Adaptive Multi-Agent DRL for Intelligent Spectrum and Resource Management in Open-RAN UAV-Enabled 6G Networks [49.19977685617281]
  6G無線ネットワークは、無人航空機(UAV)がカバー範囲を広げ、レジリエンスを向上し、地上ユーザのデプロイメントに信頼性の高い接続性を確保する上で重要な役割を果たす、シームレスにインテリジェントでオープンなRAN対応アーキテクチャを想定している。 高度にダイナミックなUAV支援環境でのスペクトルと資源の効率的な管理は、非線形システム相互作用、モビリティによって引き起こされるトポロジの変動、厳密なレイテンシとエネルギー制約により、依然として大きな課題である。 本稿では,デジタルツイン(DT)を利用した適応型深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-31T16:19:28Z)
• Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications [73.26813382994867]
  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。
  論文  参考訳（メタデータ） (2026-03-23T05:42:50Z)
• RL-Driven Security-Aware Resource Allocation Framework for UAV-Assisted O-RAN [4.742829970187343]
  無人航空機(UAV)のオープン無線アクセスネットワーク(O-RAN)への統合は、災害管理・捜索・救助(SAR)業務におけるコミュニケーションを強化する。 既存のUAV支援型O-RANアプローチは、動的環境におけるセキュリティ、レイテンシ、エネルギー効率の最適化をしばしば見落としている。 本稿では,UAVリレーにおける動的リソース割り当てのための新しい強化学習(RL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T20:22:00Z)
• Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks [5.034703123469061]
  インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T06:29:00Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• 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)
• Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach [11.44410301488549]
  本稿では,将来的なサービスセル予測のためのディープラーニングに基づくアルゴリズムを提案する。 我々のフレームワークはO-RAN仕様に準拠しており、Near-Real-Time RAN Intelligent Controllerにデプロイできます。
  論文  参考訳（メタデータ） (2024-04-11T20:30:36Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Path Design and Resource Management for NOMA enhanced Indoor Intelligent Robots [58.980293789967575]
  通信可能な屋内知的ロボット(IR)サービスフレームワークを提案する。 室内レイアウトとチャネル状態を決定論的に記述できるレゴモデリング手法が提案されている。 調査対象の無線マップは、強化学習エージェントを訓練するための仮想環境として呼び出される。
  論文  参考訳（メタデータ） (2020-11-23T21:45:01Z)

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。