論文の概要: Place, Slice and Schedule: Hierarchical O-RAN Control of a Tethered mmWave UAV-gNB
- arxiv url: http://arxiv.org/abs/2608.23824v1
- Date: Mon, 24 Aug 2026 21:08:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.60262
- Title: Place, Slice and Schedule: Hierarchical O-RAN Control of a Tethered mmWave UAV-gNB
- Title（参考訳）: 位置・スライス・スケジュール:Trethered mmWave UAV-gNBの階層型O-RAN制御
- Abstract要約: 無人航空機(UAV)搭載の5Gニューラジオ基地局(gNB)は、地上ネットワークをオンデマンドで再配置可能な周波数レンジ2の容量層で拡張することができる。
この柔軟性は、物理ネットワークトポロジと無線リソース管理を結合する。UAVムーブメントは、ブロック、チャンネル品質、効果的に提供されたユーザのセットを想起させる。
我々は、この結合に対処するために、O-RAN分解、キーパフォーマンス指標(KPI)モニタリング、マルチタイムRANインテリジェントコントローラ(RIC)制御を利用する。
集約・無線環境コンテキストを用いた非リアルタイムRCC rAppによる共同制御
- 参考スコア（独自算出の注目度）: 8.316876835702525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unmanned aerial vehicle (UAV)-mounted 5G New Radio base stations (gNBs) can augment terrestrial networks with an on-demand, repositionable Frequency Range 2 (FR2) capacity layer. This flexibility, however, couples the physical network topology with radio-resource management: UAV movement reshapes blockage, channel quality, and the set of effectively served users, while traffic demand, queues, and service requirements evolve at a much faster timescale. Existing Open Radio Access Network (O-RAN)-enabled UAV studies optimize trajectory, deployment, association, or resource allocation, but typically in isolation, without coordinating slow aerial control with fast per-user scheduling. We instead exploit O-RAN disaggregation, Key Performance Indicator (KPI) monitoring, and multi-timescale RAN Intelligent Controller (RIC) control to address this coupling: a Non-Real-Time RIC rApp uses aggregated KPIs and radio-environment context to jointly control tethered UAV placement and the enhanced Mobile Broadband (eMBB)/Ultra-Reliable Low-Latency Communication (URLLC) slice budget, while a Near-Real-Time RIC xApp allocates per-user resources within that budget. We realize this xApp as a permutation-equivariant DeepSets Soft Actor-Critic (D-SAC) scheduler that treats the users as an unordered set, trained in a Sionna RT ray traced channel. The resulting hierarchical controller improves eMBB SLA satisfaction by up to 17% and URLLC on-time delivery by up to 42% over classical and learned schedulers; the learned rApp further raises URLLC on-time delivery by up to 20% over baselines.
- Abstract（参考訳）: 無人航空機(UAV)搭載の5Gニューラジオ基地局(gNB)は、地上ネットワークをオンデマンドで再配置可能な周波数レンジ2(FR2)の容量層で拡張することができる。
しかし、この柔軟性は物理的ネットワークトポロジと無線リソース管理を結合している: UAV ムーブメントはブロック、チャネル品質、効果的に提供されたユーザのセットに反するが、トラフィックの需要、キュー、サービス要求はより高速な時間スケールで進化する。
既存のOpen Radio Access Network (O-RAN) 対応のUAV研究は、軌道、展開、アソシエーション、資源割り当てを最適化するが、通常は単独で行う。
その代わりに、O-RANディアグリゲーション、キーパフォーマンスインジケータ(KPI)モニタリング、マルチタイムRANインテリジェントコントローラ(RIC)制御を利用して、この結合に対処する。 非リアルタイムRIC rAppは、集約されたKPIと無線環境を用いて、テザリングされたUAV配置と拡張されたMobile Broadband(eMBB)/Ultra-Reliable Low-Latency Communication(URLLC)の予算を削減し、Near-Real-Time RIC xAppはその予算内でユーザ毎のリソースを割り当てる。
我々は、このxAppを、Sionna RTトレースチャネルでトレーニングされた、ユーザを非順序集合として扱う、置換等価なDeepSets Soft Actor-Critic (D-SAC)スケジューラとして実現した。
その結果、階層的なコントローラによって、eMBB SLAの満足度が最大17%向上し、古典的で学習されたスケジューラよりも最大42%向上した。
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) - Deep Adaptive Rate Allocation in Volatile Heterogeneous Wireless Networks [1.6332728502735252]
本稿では、Transformerベースのパス状態予測と、Deep Adaptive Rate Allocation (DARA)と呼ばれる新しいマルチパス分割スケジューラを統合する。
DARAは利用可能なパス上で最適な混雑ウィンドウ率を計算し、それらの間のデータの割り当てを決定する。
DARAは、学習ベースのスケジューラに比べて、適度なボラティリティトレースによるファイル転送時間短縮を実現している。
論文 参考訳（メタデータ） (2026-03-21T20:03:56Z) - AQUILA: A QUIC-Based Link Architecture for Resilient Long-Range UAV Communication [0.0]
AQUILAは、これらの課題に対処するためにQUIC上に構築された層間通信アーキテクチャである。
AQUILAは、C2レイテンシ、ビデオ品質、リンクレジリエンスにおいて、TCPおよびUDPベースのアプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-12-07T15:30:01Z) - Distributed Link Sparsification for Scalable Scheduling Using Graph Neural Networks (Journal Version) [50.894272363373126]
密接な接続を特徴とする無線ネットワークでは、分散リンクスケジューリングアルゴリズムによって発生する重要な信号のオーバーヘッドは、混雑、エネルギー消費、無線フットプリント拡張といった問題を悪化させる可能性がある。
ネットワーク容量を維持しながら遅延耐性トラフィックのスケジューリングオーバーヘッドを低減するために,グラフニューラルネットワーク(GNN)を用いた分散リンクスカラー化方式を提案する。
GNNモジュールは、トラフィック統計とネットワークトポロジに基づいて、個々のリンクに対する競合しきい値を調整するように訓練されており、成功しそうもない場合には、リンクがスケジュール競合から撤退することを可能にする。
論文 参考訳（メタデータ） (2025-09-05T18:59:14Z) - 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) - Time-Series JEPA for Predictive Remote Control under Capacity-Limited Networks [31.408649975934008]
時系列共同埋め込み予測アーキテクチャ(TS-JEPA)
TS-JEPAは、高次元の知覚データをセンサーに低次元のセマンティック埋め込みにエンコードする。
チャネル対応スケジューリングはデバイス送信を動的に優先順位付けするために統合される。
論文 参考訳（メタデータ） (2024-06-07T11:35:15Z) - A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC
in Industrial IoT [16.167107624956294]
産業用IoT(Industrial Internet of Things)ネットワークは、重要なプロセスをサポートするために、ウルトラ信頼性の低い低レイテンシ通信(URLLC)を提供する。
無線リソースを割り当てるための標準プロトコルは、特にアップリンク通信において、レイテンシと信頼性のトレードオフを最適化しない可能性がある。
論文 参考訳（メタデータ） (2023-11-21T12:22:04Z) - Communication-Efficient Orchestrations for URLLC Service via
Hierarchical Reinforcement Learning [14.604814002402588]
制御ループの時間スケールが異なるマルチレベルポリシーの実装を可能にするマルチエージェント階層型RL(HRL)フレームワークを提案する。
従来技術のユースケースでは、HRLフレームワークを用いて、産業機器の最大送電量と送電電力を最適化した。
論文 参考訳（メタデータ） (2023-07-25T11:23:38Z) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳（メタデータ） (2023-03-05T12:25:49Z) - Reinforcement Learning Based Resource Allocation for Network Slices in
O-RAN Midhaul [4.254099382808598]
ネットワークスライシングは、Ultra-Reliable Low Communication (URLLC) や Enhanced Mobile Broadband (eMBB) など、異なるサービスに対する異なる要求に基づいて、第5世代(5G)モバイルネットワークリソース割り当てを想定している。
本研究は、ユーザ機器(UE)、エッジオクラウド、地域オクラウドの3つのコンポーネントを備えた、RL互換の簡易エッジネットワークシミュレータを実証する。
このシミュレータは後に、未使用帯域を他のスライスから動的に割り当てることで、ターゲットネットワークスライス(s)のスループットを改善する方法を見つけるために使われる。
論文 参考訳（メタデータ） (2022-11-14T15:48:13Z) - Learning Resilient Radio Resource Management Policies with Graph Neural
Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。
有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。
このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文 参考訳（メタデータ） (2022-03-07T19:40:39Z) - Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。
eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。
RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文 参考訳（メタデータ） (2021-12-03T07:44:45Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z)
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。