論文の概要: Threat-Aware Energy-Efficient Deployment for Dynamic UAV Networks: A Multi-Agent RL Approach

• arxiv url: http://arxiv.org/abs/2609.30690v1
• Date: Fri, 25 Sep 2026 01:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.184785
• Title: Threat-Aware Energy-Efficient Deployment for Dynamic UAV Networks: A Multi-Agent RL Approach
• Title（参考訳）: 動的UAVネットワークの脅威を考慮したエネルギー効率向上:マルチエージェントRLアプローチ
• Abstract要約: 本稿では,グローバルエネルギー効率(EE)を最大化するための効率的な枠組みを提案する。 脅威対応クラスタリングと報酬ベースの安全執行を通じて、安全な運用を促進する。 考慮されたシナリオにおいて、観測された安全違反をゼロにする。
• 参考スコア（独自算出の注目度）: 2.249497190436447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring operational safety in threat-prone environments remains a critical challenge for multi-UAV networks serving as aerial base stations. This paper proposes an efficient framework to maximize global energy efficiency (EE) while promoting safe operation through threat-aware clustering and reward-based safety enforcement. The proposed framework is executed in three steps. First, a threat-aware K-means (TAKM) algorithm determines the minimum required UAVs and computes safe initial placements. Second, an optimal matching stage assigns physical UAVs to these centroids to minimize energy expenditure. Third, a threat-aware multi-agent twin delayed deep deterministic policy gradient (MATD3) algorithm dynamically optimizes trajectories, power, and user associations. Simulation results show that the proposed framework achieves zero observed safety violations in the considered scenarios while achieving superior EE and faster convergence than other learning methods and non-clustering baselines. Compared to heuristic optimization, the proposed framework outperforms the greedy particle swarm optimization (GPSO) and achieves performance comparable to that of the optimized PSO (OPSO), while incurring significantly lower online deployment computational complexity. Furthermore, the proposed framework demonstrates effective generalization to unseen user distributions, large UAV fleets, and different threat geometries, while maintaining zero safety violations.
• Abstract（参考訳）: 脅威が発生しやすい環境での運用上の安全性を確保することは、航空基地局として機能する複数のUAVネットワークにとって重要な課題である。 本稿では,脅威対応クラスタリングと報酬に基づく安全対策を通じて,安全運転を促進するとともに,グローバルエネルギー効率(EE)を最大化するための効率的な枠組みを提案する。 提案するフレームワークは3つのステップで実行される。 第一に、脅威対応K-means(TAKM)アルゴリズムは最小限のUAVを決定し、安全な初期配置を計算する。 第二に、最適マッチング段階は、エネルギー消費を最小限に抑えるために、これらの遠心分離器に物理的UAVを割り当てる。 第3に、脅威を意識したマルチエージェント双対のディープ決定性ポリシー勾配(MATD3)アルゴリズムは、トラジェクトリ、パワー、ユーザアソシエーションを動的に最適化する。 シミュレーションの結果,提案フレームワークは,他の学習手法や非クラスタ化ベースラインよりも優れたEEと高速な収束を実現しつつ,検討シナリオにおいて観測された安全違反をゼロにすることがわかった。 ヒューリスティックな最適化と比較して,提案手法はgreedy Particle Swarm Optimization (GPSO) より優れ,最適化されたPSO (OPSO) に匹敵する性能を実現している。 さらに,提案フレームワークは,安全違反をゼロに保ちながら,未確認のユーザ分布,大型UAV艦隊,異なる脅威測地に対する効果的な一般化を実証する。

関連論文リスト

• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• 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)
• Logic-informed reinforcement learning for cross-domain optimization of large-scale cyber-physical systems [7.352750348429755]
  サイバー物理システムのための論理情報強化学習(LIRL)を提案する。 LIRL は低次元の潜在作用をオンザフライで定義された許容可能なハイブリッド多様体に一階述語論理でマッピングする。 一貫して制約違反をゼロに保ち、最先端のハイブリッドアクション強化学習ベースラインをはるかに上回る。
  論文  参考訳（メタデータ） (2025-11-02T05:02:17Z)
• 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)
• MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control [13.531665564516155]
  大規模マルチエージェントシステムにおける安全性とパフォーマンスの最適化は、依然として根本的な課題である。 マルチエージェント状態制約最適制御問題を解くための分散機械学習フレームワークMAD-PINNを提案する。 マルチエージェントナビゲーションタスクの実験では、MAD-PINNは優れた安全性と性能のトレードオフを実現し、エージェントの数が増えるにつれてスケーラビリティを維持し、常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-28T16:31:22Z)
• Energy Efficient Task Offloading in UAV-Enabled MEC Using a Fully Decentralized Deep Reinforcement Learning Approach [0.6999740786886537]
  無人航空機(UAV)は近年,マルチアクセスエッジコンピューティング(MEC)においてエッジサーバとして利用されている。 UAVの軌道を設計して、集中的な実行なしに完全に分散化されたセットアップを確保することが望ましい。
  論文  参考訳（メタデータ） (2025-08-09T07:24:12Z)
• LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks [57.27815890269697]
  この研究は、エネルギー制約下での不均一なUAVネットワーク(HetUAVN)における機密率の最大化に焦点を当てている。 本稿では,Large Language Model (LLM) を用いたマルチエージェント学習手法を提案する。 その結果,本手法は機密性やエネルギー効率において,既存のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T04:22:57Z)
• Task Assignment and Exploration Optimization for Low Altitude UAV Rescue via Generative AI Enhanced Multi-agent Reinforcement Learning [44.02103029265148]
  本稿では,UAV,GER,飛行船の連携フレームワークを提案する。 このフレームワークは、UAV-to-GER(U2G)とUAV-to-Airship(U2A)のリンクを通じてリソースプーリングを可能にし、オフロードされたタスクのコンピューティングサービスを提供する。
  論文  参考訳（メタデータ） (2025-04-18T08:44:06Z)
• 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)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Joint User Association, Interference Cancellation and Power Control for Multi-IRS Assisted UAV Communications [80.35959154762381]
  インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。 既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。 我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
  論文  参考訳（メタデータ） (2023-12-08T01:57:10Z)

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。