論文の概要: TRUAV: Distributed Multi-Agent Reinforcement Learning for Trajectory Planning and Routing Enhancement in UAV-Aided IoT-Enabled VANETs

• arxiv url: http://arxiv.org/abs/2607.23734v1
• Date: Sun, 26 Jul 2026 16:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.214216
• Title: TRUAV: Distributed Multi-Agent Reinforcement Learning for Trajectory Planning and Routing Enhancement in UAV-Aided IoT-Enabled VANETs
• Title（参考訳）: TRUAV: UAV支援IoT対応VANETにおける軌道計画とルーティング強化のための分散マルチエージェント強化学習
• Abstract要約: TRUAVは、UAV軌道計画とルーティング強化のための分散マルチエージェント強化学習フレームワークである。 潜在的なゲームにインスパイアされた報酬デザインは、相互作用するエージェント間の空間的多様性とルーティングを意識したUAV位置決めを促進する。 シミュレーションにより,提案するTRUAVフレームワークは,集中型深層強化学習法に匹敵するネットワークカバレッジとパケット配信率を実現することが示された。
• 参考スコア（独自算出の注目度）: 9.184605949644343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicles (UAVs) have emerged as a key enabler of next-generation Internet of Things (IoT) ecosystems, offering flexible aerial relaying to extend connectivity across dynamic vehicular ad hoc networks (VANETs) in smart city environments. However, conventional centralized approaches for UAV trajectory planning require continuous global network state aggregation, making them impractical under bandwidth and energy constraints typical of dense urban deployments. In this article, we present TRUAV, a distributed multi-agent reinforcement learning framework based on independent tabular Q-learning for joint UAV trajectory planning and routing enhancement in UAV-aided VANETs. Each UAV is equipped with a local Q-learning agent that operates purely on locally observable information, including vehicle density, packet queue states, and neighbor UAV positions, thereby eliminating the need for global state exchange. A potential-game-inspired reward design encourages spatial diversity and routing-aware UAV positioning among interacting agents while accounting for energy consumption. Numerical simulations over a large urban area with 200 mobile vehicles show that the proposed TRUAV framework achieves network coverage and packet delivery ratios comparable to centralized deep reinforcement learning methods, while also improving relay delay and energy efficiency. Finally, we discuss emerging challenges and future research directions for distributed multi-agent UAV-assisted IoT systems.
• Abstract（参考訳）: 無人航空機(UAV)は、スマートシティ環境における動的車両アドホックネットワーク(VANET)間の接続性を拡張するフレキシブルな空中中継を提供する、次世代モノのインターネット(IoT)エコシステムの重要な実現手段として登場した。 しかし、UAV軌道計画のための従来の集中的なアプローチでは、連続的なグローバルなネットワーク状態の集約が必要であり、高密度都市配置に典型的な帯域幅とエネルギー制約の下では非現実的である。 本稿では、UAV支援VANETにおける共同UAV軌道計画とルーティング強化のための独立した表付きQ-ラーニングに基づく分散マルチエージェント強化学習フレームワークであるTRUAVについて述べる。 各UAVは、車両密度、パケットキュー状態、隣接するUAV位置などのローカル観測可能な情報を純粋に操作するローカルQ学習エージェントを備えており、グローバルな状態交換の必要性を排除している。 潜在的なゲームにインスパイアされた報酬設計は、エネルギー消費を考慮しつつ相互作用するエージェント間の空間的多様性とルーティングを意識したUAV位置決めを促進する。 200台の移動車による大都市での数値シミュレーションにより,提案するTRUAVフレームワークは,集中型深部強化学習法に匹敵するネットワークカバレッジとパケット配信率を実現し,中継遅延とエネルギー効率の向上を実現している。 最後に,分散マルチエージェントUAV支援IoTシステムにおける新たな課題と今後の研究方向性について論じる。

関連論文リスト

• 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)
• UAV Based 5G Network: A Practical Survey Study [0.0]
  無人航空機(UAV)は、新しい無線ネットワークの開発に大きく貢献することが期待されている。 UAVは5Gネットワークの低レイテンシと高速能力を利用して大量のデータをリアルタイムに転送することができる。
  論文  参考訳（メタデータ） (2022-12-27T00:34:59Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Energy-aware placement optimization of UAV base stations via decentralized multi-agent Q-learning [3.502112118170715]
  航空基地局(UAV-BS)として機能する無人航空機は、ネットワーク需要の増加、既存のインフラの障害点、災害時の地上機器への無線接続を提供するために配備することができる。 バッテリー容量が限られていることを考えると、長時間のカバー作業でUAVのエネルギーを節約することは困難である。 本稿では,各UAV-BSに,地上機器との接続性を最大化し,エネルギー利用の向上を図る自律エージェントを組み込んだ分散Q-ラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-06-01T22:49:42Z)
• Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
  UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。 エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。 UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
  論文  参考訳（メタデータ） (2021-03-03T20:54:19Z)
• UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement Learning Approach [18.266087952180733]
  本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。 自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。 提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
  論文  参考訳（メタデータ） (2020-07-01T15:14:16Z)
• Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
  動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
  論文  参考訳（メタデータ） (2020-01-28T15:10:22Z)

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。