論文の概要: An Agentic AI Framework with Large Language Models and Chain-of-Thought for UAV-Assisted Logistics Scheduling with Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2605.13221v1
• Date: Wed, 13 May 2026 09:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.936143
• Title: An Agentic AI Framework with Large Language Models and Chain-of-Thought for UAV-Assisted Logistics Scheduling with Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングを用いたUAV支援ロジスティックススケジューリングのための大規模言語モデルと待ち行列を持つエージェントAIフレームワーク
• Authors: Hanwen Zhang, Dusit Niyato, Wei Zhang, Xin Lou, Malcolm Yoke Hean Low,
• Abstract要約: クラウド製造において、無人航空機(UAV)は製品収集と移動エッジコンピューティング(MEC)の両方をサポートすることができる。 本稿では,エージェントAIによる2つのコンポーネントの最適化フレームワークを提案する。 まず,大規模言語モデル,検索拡張生成,および連鎖推論を組み合わせたエージェントAIを開発し,ユーザ入力をハイブリッドスケジューリング問題に対する解釈可能な数学的定式化に変換する。
• 参考スコア（独自算出の注目度）: 47.615329461292504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cloud manufacturing, unmanned aerial vehicles (UAVs) can support both product collection and mobile edge computing (MEC). This joint operation forms a hybrid scheduling problem, where physical logistics decisions are coupled with computational task scheduling. In this paper, UAVs collect finished products from manufacturing stations and transport them back to a central depot. Meanwhile, computational tasks generated by industrial sensor devices at these stations are processed locally, at UAVs, or offloaded via UAVs to the cloud. This coupling makes the problem challenging. A UAV can provide MEC services only during its service window at a station, so routing decisions directly determine when UAV-assisted offloading is available. Routing decisions also affect the UAV energy budget and the availability of onboard computing and communication resources for computational task execution under task deadline constraints. To address this, we propose an agentic-AI-assisted optimization framework with two components. First, we develop an agentic AI that combines large language models, retrieval-augmented generation, and chain-of-thought reasoning to translate user input into an interpretable mathematical formulation for the hybrid scheduling problem. Second, we design a hierarchical deep reinforcement learning approach based on proximal policy optimization (PPO), where the upper layer learns UAV routing and the lower layer optimizes per-slot task execution and resource allocation. Simulation results show that the proposed framework yields more consistent formulations, while the hierarchical PPO achieves full product collection in 99.6% of the last 500 episodes and maintains a 100% deadline satisfaction rate, with more stable performance than the advantage actor-critic approach.
• Abstract（参考訳）: クラウド製造において、無人航空機(UAV)は製品収集と移動エッジコンピューティング(MEC)の両方をサポートすることができる。 この共同作業は、物理ロジスティクス決定と計算タスクスケジューリングを結合したハイブリッドスケジューリング問題を形成する。 本稿では、UAVが製造ステーションから完成品を回収し、中央駅に搬送する。 一方、これらのステーションで産業用センサー装置によって生成された計算タスクは、ローカル、UAVで処理されるか、UAV経由でクラウドにオフロードされる。 この結合は問題を難しくする。 UAVは、ステーションのサービスウィンドウ内でのみMECサービスを提供することができるため、ルーティング決定は、UAV支援のオフロードがいつ利用可能かを直接決定する。 ルーティング決定は、UAVエネルギー予算とタスク期限制約下での計算タスク実行のためのオンボードコンピューティングおよび通信リソースの可用性にも影響する。 そこで本研究では,エージェントAIを用いた2つの最適化フレームワークを提案する。 まず,大規模言語モデル,検索拡張生成,および連鎖推論を組み合わせたエージェントAIを開発し,ユーザ入力をハイブリッドスケジューリング問題に対する解釈可能な数学的定式化に変換する。 次に,上位層がUAVルーティングを学習し,下位層がスロット毎のタスクの実行とリソース割り当てを最適化する,PPOに基づく階層的深層強化学習手法を設計する。 シミュレーションの結果、提案手法はより一貫した定式化を実現し、一方階層的なPPOは過去500エピソードの99.6%で完全な製品コレクションを達成し、100%の納期満足度を維持し、より有利なアクター・クリティカルなアプローチよりも安定したパフォーマンスを維持した。

関連論文リスト

• Embodied AI-Enhanced IoMT Edge Computing: UAV Trajectory Optimization and Task Offloading with Mobility Prediction [16.23179975760884]
  無人航空機(UAV)は、無線ボディエリアネットワーク(WBAN)ユーザーにリアルタイムなバイオメディカルエッジコンピューティングサービスを提供するために、Internet of Medical Things(IoMT)で広く利用されている。 本稿では,AIエージェントが捉えたユーザの履歴軌跡に基づく,階層型マルチスケールトランスフォーマーに基づくユーザ軌道予測モデルを提案する。 予測ユーザの移動情報を統合した予測強化学習(DRL)アルゴリズムは,UAV飛行軌跡の最適化とタスクオフロード決定のために設計されている。
  論文  参考訳（メタデータ） (2025-12-24T03:06:37Z)
• Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
  本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。 システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。 提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
  論文  参考訳（メタデータ） (2025-10-23T02:55:40Z)
• Hierarchical Task Offloading for UAV-Assisted Vehicular Edge Computing via Deep Reinforcement Learning [11.695622067301128]
  部分オフロードに基づく2層UAV支援エッジコンピューティングアーキテクチャを提案する。 提案アーキテクチャは異種資源の効率的な統合と調整を可能にする。 提案手法は,タスク完了率,システム効率,収束速度において,いくつかのベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-08T07:10:52Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty [23.29963717212139]
  高高度プラットフォーム(HAP)と無人航空機(UAV)からなる階層型空中コンピューティングフレームワークを開発する。 タスクスケジューリングは平均AoIを大幅に削減する。 電力割り当ては全ユーザに対して全送信電力を使用する場合と比較して平均AoIに限界効果があることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T11:52:15Z)

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。