論文の概要: Multi-Agent DRL for QoS and Energy Optimization in RIS-Enabled Open-RAN Industrial 6G TN/NTN Networks
- arxiv url: http://arxiv.org/abs/2606.28339v1
- Date: Sun, 31 May 2026 16:18:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.585427
- Title: Multi-Agent DRL for QoS and Energy Optimization in RIS-Enabled Open-RAN Industrial 6G TN/NTN Networks
- Title（参考訳）: RIS-Enabled Open-RAN Industrial 6G TN/NTNネットワークにおけるQoSのためのマルチエージェントDRLとエネルギー最適化
- Abstract要約: 産業用6Gネットワークは、動的および閉塞性環境における超信頼性、低レイテンシ、エネルギー効率の接続を必要とする。
我々は,TN/NTN産業用6Gネットワークを統合化するためのRIS対応Open-RANフレームワークを提案する。
我々は、最先端の学習ベースと非RISベースラインと比較して、最大75%のデータレート、25%のレイテンシ削減、16%の省エネの改善を示す。
- 参考スコア（独自算出の注目度）: 49.19977685617281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial 6G networks require ultra-reliable, low-latency, and energy-efficient connectivity in dynamic and blockage-prone environments, where conventional terrestrial deployments often fail to ensure stable coverage. Hence, in this paper, we propose a RIS-enabled Open-RAN framework for integrated terrestrial/non-terrestrial (TN/NTN) industrial 6G networks, in which UAVs-mounted reconfigurable intelligent surfaces (RISs) cooperate with ground radio units and a high-altitude platform (HAP) to enhance connectivity for dense industrial IoT devices. Owing to the high dimensionality and strong coupling among decision variables, conventional optimization techniques become computationally intractable. To overcome this limitation, the joint optimization problem of data rates, latency, and energy consumptions is formulated as a decentralized partially observable Markov decision process (Dec-POMDP) and solved using a multi-agent deep reinforcement learning framework. Simulation results show improvements of up to 75\% in data rate, 25\% latency reduction, and 16\% energy savings compared with state-of-the-art learning-based and non-RIS baselines, demonstrating the effectiveness of RIS-assisted Open-RAN intelligence for industrial 6G networks.
- Abstract（参考訳）: 産業用6Gネットワークは、高信頼性、低レイテンシ、エネルギー効率の接続を必要とする。
そこで本稿では,UAVに搭載された再構成可能なインテリジェントサーフェス(RIS)と地上無線ユニットと高高度プラットフォーム(HAP)が連携し,高密度の産業用IoTデバイスとの接続性を高めることを目的とした,TN/NTN産業用6GネットワークのためのRIS対応Open-RANフレームワークを提案する。
決定変数間の高次元性と強い結合により、従来の最適化手法は計算的に難解になる。
この制限を克服するために、データレート、レイテンシ、エネルギー消費の合同最適化問題は、分散化された部分的に観測可能なマルコフ決定プロセス(Dec-POMDP)として定式化され、マルチエージェントの深層強化学習フレームワークを用いて解決される。
シミュレーションの結果,産業用6GネットワークにおけるRIS支援Open-RANインテリジェンスの有効性を実証し,最先端の学習ベースおよび非RISベースラインと比較して,データレート75-%,遅延低減25-%,省エネルギー16-%の改善が示された。
関連論文リスト
- Active Beyond-Diagonal RIS Empowered Heterogeneous Edge Computing: A Distributional Reinforcement Learning Approach [33.021924217806756]
アクティブな対角方向のインテリジェントサーフェス(BDRIS)は、効果的な信号増幅と全空間カバレッジを実現するためにハイブリッド伝送および反射モードを可能にする。
本稿では,DSAC-Tというソフトアクター・ソフトアクター・アルゴリズムの洗練されたバージョンに基づく,エンドツーエンドのモバイル・エッジ・コンピューティング・フレームワークを開発する。
他のベースラインアルゴリズムと比較して、DSAC-Tは最もエネルギーを意識したオフロード報酬であり、最も実現可能性の高い比率であり、1シナリオあたり0.0267秒の高速オンライン決定時間である。
論文 参考訳（メタデータ） (2026-07-14T18:10:14Z) - 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) - FRIEND: Federated Learning for Joint Optimization of multi-RIS Configuration and Eavesdropper Intelligent Detection in B5G Networks [3.809709581796032]
We present a novel framework for detection malicious users in RIS-enhanced cell-free mmWave network using Federated Learning (FL) using Federated Learning (FL)。
FLとMulti-RISの連携は,ベースライン非RIS支援法と比較して,達成された秘密保持率(SR)を約30%向上させることを示した。
この研究は、次世代IIoTデプロイメントに適した物理的レイヤの盗聴検出に対する、分散されたプライバシ保護アプローチを確立する。
論文 参考訳（メタデータ） (2026-03-11T17:02:40Z) - Federated Multi-Agent Reinforcement Learning for Privacy-Preserving and Energy-Aware Resource Management in 6G Edge Networks [0.0]
第6世代(6G)ネットワークは、超高密度でインテリジェントなエッジ環境に向かっている。
厳しいプライバシー モビリティ エネルギー制約の下での資源管理が 重要になります
本稿では,フェデレート・マルチエージェント強化学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2025-09-12T11:41:40Z) - Multi-Functional RIS-Enabled in SAGIN for IoT: A Hybrid Deep Reinforcement Learning Approach with Compressed Twin-Models [4.02185297590683]
宇宙空間におけるモノのインターネットのための統合ネットワーク(SAGIN)について検討した。
MF-RISは同時に無線エネルギーを増幅し、回収することができる。
論文 参考訳（メタデータ） (2025-07-22T03:40:56Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Resource Allocation for RIS-Assisted CoMP-NOMA Networks using Reinforcement Learning [8.13094889619588]
この論文は、STAR-RIS、CoMP、NOMAの3つの変換技術の相乗的統合を探求する。
この研究は、データレートの増大、スペクトル効率の向上、進化途上の6G開発環境のカバー範囲の拡大などにより、これらの技術が将来の無線ネットワークに革命をもたらす可能性を調査する。
論文 参考訳（メタデータ） (2025-04-01T17:14:01Z) - Energy-Efficient Flying LoRa Gateways: A Multi-Agent Reinforcement Learning Approach [8.65375886947338]
無人航空機(UAV)に搭載された空飛ぶLoRaゲートウェイを配置し、LoRaのエンドデバイスからデータを収集し、それを中央サーバに送信する。
我々の主な目的は、送信電力、拡散係数、帯域幅、ユーザアソシエーションの合同最適化により、無線LoRaネットワークのグローバルシステムエネルギー効率を最大化することである。
論文 参考訳（メタデータ） (2025-02-05T17:16:40Z) - Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳（メタデータ） (2025-01-20T15:52:43Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z)
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。