論文の概要: Reinforcement Learning for Delivery Drone-Based Participatory Sensing in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2607.18874v1
• Date: Tue, 21 Jul 2026 09:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.378337
• Title: Reinforcement Learning for Delivery Drone-Based Participatory Sensing in Dynamic Environments
• Title（参考訳）: 動的環境における配送ドローンによる参加型センシングのための強化学習
• Abstract要約: 問題をSensUAVとして形式化し、TSRL(Two TimeScale Reinforcement Learning framework)を提案する。 マクロレベルでは、タスク・エム・センシング・ディスペンサが異なるタスク機能を個別にエンコードすることでスケーラビリティを処理します。 マイクロレベルでは、風向速度制御器が微粒な速度スケジューリングを学習し、動的環境変動に適応する。
• 参考スコア（独自算出の注目度）: 31.33963902763075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using Unmanned Aerial Vehicle (UAV) for urban sensing has emerged as a powerful paradigm to monitor the status of the city, e.g., air quality and noise levels, through agile aerial crowdsourcing. Despite this potential, existing UAV-based sensing approaches overlook environmental disturbances like wind that drastically impact drone velocity and energy efficiency. Consequently, directly applying existing methods to this joint delivery and sensing paradigm in dynamic environments faces two severe challenges: (1) scalability bottlenecks as fleet sizes expand; and (2) multi-timescale decision heterogeneity between macro task dispatching and micro velocity control. To tackle these, we formalize the problem as SensUAV and propose a Two TimeScale Reinforcement Learning framework (TSRL). Specifically, TSRL separates decision-making into two cooperative layers. At the macro level, a task-embedding sensing dispatcher handles scalability by separately encoding distinct task features and sequentially evaluating UAV suitability before task selection. At the micro level, a wind-aware velocity controller learns fine-grained velocity scheduling to adapt to dynamic environmental variations. Extensive experiments on real-world datasets demonstrate that TSRL significantly outperforms baselines, achieving average system profit improvements of 20.1% in Hangzhou and 46.6% in Shanghai.
• Abstract（参考訳）: 都市センシングに無人航空機(UAV)を使用することは、アジャイルな空中クラウドソーシングを通じて、都市の状態、例えば空気質、騒音レベルを監視するための強力なパラダイムとして現れています。 この可能性にもかかわらず、既存のUAVベースのセンシングアプローチは、ドローンの速度とエネルギー効率に大きな影響を及ぼす風のような環境障害を見落としている。 その結果, 動的環境における既存手法を直接適用することは, 1) 艦隊規模拡大に伴うスケーラビリティのボトルネック, (2) マクロタスクディスパッチとマイクロ速度制御のマルチスケール決定の不均一性という2つの深刻な課題に直面している。 このような問題に対処するため,我々はSensUAVとして問題を定式化し,TSRL(Two TimeScale Reinforcement Learning framework)を提案する。 具体的には、TSRLは意思決定を2つの協力層に分離する。 マクロレベルでは、個別のタスク特徴を個別に符号化し、タスク選択前のUAV適合性を逐次評価することにより、タスク埋め込みセンシングディスパッチラがスケーラビリティを処理する。 マイクロレベルでは、風向速度制御器が微粒な速度スケジューリングを学習し、動的環境変動に適応する。 実世界のデータセットに関する大規模な実験では、TSRLはベースラインを著しく上回り、香港では20.1%、上海では46.6%のシステム利益を達成している。

関連論文リスト

• Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment [0.0]
  信頼性の高いフィールド配置のための統合型計画と自律化フレームワークを提案する。 本稿では,エネルギー制約付き協調的ルーティングタスクとしてこの問題を定式化し,Deep Reinforcement Learning (DRL)ベースのプランナーを用いて解決する。 計画と実行のギャップを埋めるために、標準化された2層YAMLベースのミッションAPIを導入します。 このフレームワークは、UAV制御のためのPX4/MAVSDKとUGVナビゲーションのためのROS 2/Nav2を使用して、完全な自律スタックによってサポートされている。
  論文  参考訳（メタデータ） (2026-07-07T15:59:49Z)
• Hierarchical LLM-Driven Control for HAPS-Assisted UAV Networks: Joint Optimization of Flight and Connectivity [33.68706070829591]
  INTN(Integrated terrestrial and non-terrestrial network)で動作するマルチUAVシステムについて検討する。 衝突回避,効率的な交通流,そして動的かつ部分的に観測可能な条件下での信頼性の高い通信を確保するために,UAVが自身の動きに適応しなければならない3次元空路シナリオを考察する。 我々は,大規模言語モデル(LLM)による階層型マルチレート制御フレームワークを提案する。世界レベルでは,HAPS上のLLMベースのコントローラが,ロードバランシングとハンドオーバ決定のための長期計画を実行する。 ローカルレベルでは、各UAVは遅い時間スケールを統合するハイブリッドコントローラを使用する。
  論文  参考訳（メタデータ） (2026-05-12T04:27:14Z)
• Hierarchical Reinforcement Learning for Cooperative Air-Ground Delivery in Urban System [41.96919926267983]
  本研究では,階層型強化学習フレームワークHRL4AGを提案する。 具体的には、HRL4AGは高レベルのマネージャを使用して、共同アクション空間を分解することでスケーラビリティのボトルネックに取り組む。 2つの実世界のデータセットと評価プラットフォームの実験は、HRL4AGが最先端のベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-02-13T13:19:59Z)
• Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL [37.79695337425523]
  低高度インテリジェントネットワーク(LAIN)は、災害対応、環境モニタリング、リアルタイムセンシングといったミッションクリティカルなアプリケーションをサポートすることができる。 これらのシステムは、エネルギー制約のあるUAV、タスク到着、異種コンピューティングリソースなど、重要な課題に直面している。 本稿では,UAV軌道計画とタスクオフロード決定を協調的に最適化する,時間依存型整数型非線形計画問題の解法を提案する。
  論文  参考訳（メタデータ） (2025-12-05T08:14:45Z)
• Trajectory Design for UAV-Based Low-Altitude Wireless Networks in Unknown Environments: A Digital Twin-Assisted TD3 Approach [62.11847362756054]
  低高度無線ネットワーク(LAWN)のキーイネーブラーとして無人航空機(UAV)が登場している 我々は、デジタルツイン(DT)支援トレーニングおよびデプロイメントフレームワークを提案する。 このフレームワークでは、UAVは統合されたセンシングと通信信号を送信し、地上ユーザーに通信サービスを提供し、同時にDTサーバにアップロードされたエコーを収集して、仮想環境(VE)を段階的に構築する。 これらのVEはモデルトレーニングを加速し、展開中のリアルタイムUAVセンシングデータを継続的に更新し、意思決定をサポートし、飛行安全性を向上する。
  論文  参考訳（メタデータ） (2025-10-28T10:05:53Z)
• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• STAR-RIS-assisted Collaborative Beamforming for Low-altitude Wireless Networks [58.13757830013997]
  無人航空機(UAV)に基づく無線ネットワークは、都市コミュニケーションに高いモビリティ、柔軟性、カバーを提供する。 閉塞により、密集した環境では信号の減衰が激しい。 この重要な問題に対処するために、UAVの協調ビームの導入と全方向逆方向ビームフォーミングについて検討する。
  論文  参考訳（メタデータ） (2025-10-25T01:28:37Z)
• 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)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)
• Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms [98.78553146823829]
  無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。 本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T14:04:01Z)

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。