論文の概要: Learning to Optimize UAV Path Planning for Data Sensing in Wireless Sensor Networks

• arxiv url: http://arxiv.org/abs/2609.16629v1
• Date: Tue, 15 Sep 2026 04:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.344826
• Title: Learning to Optimize UAV Path Planning for Data Sensing in Wireless Sensor Networks
• Title（参考訳）: 無線センサネットワークにおけるデータセンシングのためのUAV経路計画の最適化
• Abstract要約: ランドスケープ・アウェア・メタ微分進化(LAMDE)と呼ばれる新しい学習支援計画フレームワークを提案する。 LAMDEは、WSNデータ収集シナリオにおけるテストされた複雑なUAVパス計画タスクにおける最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 15.490344146407798
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: UAVs have emerged as highly flexible platforms for data sensing in Wireless Sensor Networks (WSNs). Path planning for UAVs in such tasks plays a key role to assure remote sensing effectiveness and friendly energy consumption. However, existing approaches show two key limitations: i) they are primarily hand-crafted with certain design biases that harm adaptation on unseen tasks. ii) they predominantly assume idealized spatial complexities of actual environments through simplified simulation, causing them to underperform during real-world deployment. In this paper, we propose a novel learning-assisted planning framework, termed Landscape-Aware Meta Differential Evolution (LAMDE), to tackle the mentioned limitations. The major contributions come from the following aspects. We first re-formulate such UAV path planning problem to embrace challenging constraints. To efficiently navigate this highly constrained space, we propose a bi-level learning to optimize approach, where the meta-level is a trainable algorithm configuration policy that meta-learns an adaptable planning strategy for low-level planning algorithm. To address the potential training data scarcity and distribution shift in real-world environments, we introduce a landscape-aware automatic augmentation scheme that enriches training data. At the low-level, a Differential Evolution algorithm is deployed for solving the path planning tasks. To enhance the solving flexibility, we further design a variable-length encoding strategy that dynamically prunes redundant hover points and optimizes continuous flight parameters concurrently within a unified search space. Based on all proposed designs, we meta-train LAMDE and compare it with representative baselines. Comprehensive experiments demonstrate that LAMDE achieves state-of-the-art performance on the tested complex UAV path planning tasks in WSN data collection scenarios.
• Abstract（参考訳）: UAVは、無線センサネットワーク(WSN)におけるデータセンシングのための、高度に柔軟なプラットフォームとして登場した。 このようなタスクにおけるUAVの経路計画は、リモートセンシングの有効性とフレンドリーなエネルギー消費を保証する上で重要な役割を担っている。 しかし、既存のアプローチには2つの重要な制限がある。 一 主に、目に見えない作業への適応を害する特定の設計バイアスで手作りされていること。 二 シミュレーションの簡略化により、現実環境の理想的な空間複雑さを前提としており、現実の展開において過小評価されていること。 本稿では,ランドスケープ・アウェア・メタ微分進化(LAMDE)と呼ばれる新しい学習支援計画フレームワークを提案する。 主な貢献は以下の点にある。 まず、このようなUAV経路計画問題を再定式化し、挑戦的な制約を受け入れる。 この高度に制約された空間を効率的にナビゲートするために、メタレベルがトレーニング可能なアルゴリズム構成ポリシーであり、低レベル計画アルゴリズムの適応可能な計画戦略をメタラーニングするアプローチを最適化するバイレベル学習を提案する。 実環境におけるトレーニングデータの不足や分布の変化に対処するため,ランドスケープを意識した自動拡張スキームを導入し,トレーニングデータを強化した。 低レベルでは、経路計画タスクを解決するために微分進化アルゴリズムが展開される。 解答の柔軟性を高めるため、冗長なホバーポイントを動的に実行し、一貫した検索空間内で連続飛行パラメータを同時に最適化する可変長符号化戦略を設計する。 提案した全ての設計に基づいて,LAMDEをメタトレーニングし,代表的ベースラインと比較する。 総合的な実験により、LAMDEはWSNデータ収集シナリオにおいて、テストされた複雑なUAVパス計画タスクに対して最先端のパフォーマンスを達成することを示した。

関連論文リスト

• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness [5.419189180406189]
  本稿では, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。 今後の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。 次に,多モードハイブリッド軌道計画機構を提案し,計画効率を向上させる。
  論文  参考訳（メタデータ） (2026-03-03T07:23:19Z)
• Optimizing Energy and Data Collection in UAV-aided IoT Networks using Attention-based Multi-Objective Reinforcement Learning [7.900374101465939]
  無人航空機(UAV)は、特にデータ収集作業において、無線ネットワークサービスにとってますます重要になっている。 既存のアルゴリズムは限られたトレーニングデータに悩まされており、非常にダイナミックな環境でパフォーマンスを損なう。 本研究では,都市環境におけるデータ収集とエネルギー消費のトレードオフを明示的に扱う多目的強化学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-01-20T15:55:11Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation [28.104584236205405]
  重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。 これは例えば、農地のモニタリングに関係している。 本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-03T11:03:28Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning [18.266087952180733]
  本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。 提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
  論文  参考訳（メタデータ） (2020-10-23T14:59:30Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。