論文の概要: FLoRa: Flight-Assisted Data Collection from Duty Cycling LoRa Nodes under Energy Constraints

• arxiv url: http://arxiv.org/abs/2610.09226v1
• Date: Tue, 06 Oct 2026 23:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.647796
• Title: FLoRa: Flight-Assisted Data Collection from Duty Cycling LoRa Nodes under Energy Constraints
• Title（参考訳）: FLoRa:エネルギー制約下でのダティサイクルLoRaノードからの飛行支援データ収集
• Abstract要約: エネルギー制約の下では、UAVはどのIoTDを訪問するか、どの順序でホバリングするか、各ノードを調査する回数を決定する必要がある。 経路計画にSimulated Annealing(SA)を用いたFlight-assisted LoRaデータ収集アーキテクチャであるFLoRaを提案する。 FLoRaはメタヒューリスティック、欲求、深い強化学習ベースラインを30.6%、27.8%、VIP全体の15.2%で上回っている。
• 参考スコア（独自算出の注目度）: 2.4063592468412276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data collection using Unmanned Aerial Vehicles (UAVs) is challenging when LoRa IoT Devices (IoTDs) duty-cycle to conserve battery. Under energy constraints, a UAV must decide which IoTDs to visit, in what order, where to hover, and how many times to probe each node, while time-based data freshness decays. Tractably solving this problem requires a multi-level optimization architecture: discrete combinatorial optimization for routing, continuous global optimization for spatial positioning, and sequential decision-making under uncertainty. We propose FLoRa, a Flight-assisted LoRa data collection architecture using Simulated Annealing (SA) for path planning, Covariance Matrix Adaptation Evolution Strategy (CMA-ES) for hover positioning, and Partially Observable Markov Decision Processes (POMDPs) for probing IoTDs. To quantify collection utility from duty-cycling nodes, we introduce the Value of Information for Pull-based systems (VIP), a metric that rewards fresh data and penalizes failed probes, imposing well-posedness and preventing indefinite probing when an IoTD is off. Tracking hard battery constraints on every POMDP sample path requires state augmentation, worsening the curse of dimensionality. For tractability, SA and CMA-ES work on the hard battery constraints, while at the POMDP layer we relax them into soft average constraints via Lagrangian relaxation. Since solving the network-wide POMDP is computationally complex, we decompose it into node-level POMDPs by approximating inter-node time dependency using a forward-decomposition technique. Evaluation shows FLoRa outperforms metaheuristic, greedy, and deep reinforcement learning baselines by 30.6%, 27.8%, and 15.2% in total expected VIP, while increasing node coverage by 24.5%, 29.2%, and 8.8%, and successful collections by 24.3%, 25.6%, and 15.2%, respectively.
• Abstract（参考訳）: Unmanned Aerial Vehicles (UAVs) を使用したデータ収集は,LoRa IoT Devices (IoTDs) がバッテリの保存を義務付ける場合には困難である。 エネルギー制約の下では、UAVはどのIoTDを訪問するか、どの順序でホバリングするか、各ノードを調査する回数を決定する必要がある。 ルーティングのための離散組合せ最適化、空間的位置決めのための連続的グローバル最適化、不確実性の下でのシーケンシャルな意思決定である。 本研究では、経路計画にSA(Simulated Annealing)、ホバリング位置決めにCMA-ES(Covariance Matrix Adaptation Evolution Strategy)、IoTDの探索にPOMDP(Partially Observable Markov Decision Processs)を用いた飛行支援LoRaデータ収集アーキテクチャを提案する。 デューティサイクルノードから収集ユーティリティを定量化するために、新しいデータに報酬を与え、失敗したプローブをペナルティ化するメトリクスであるPull-based Systems(VIP)のValue of Informationを導入する。 すべてのPOMDPサンプルパスでハードバッテリ制約を追跡するには、状態の増大が必要で、次元性の呪いが悪化する。 トラクタビリティのために、SAとCMA-ESはハードバッテリの制約に取り組み、POMDP層ではラグランジアン緩和を介して柔らかい平均制約に緩和する。 ネットワーク全体のPOMDPは計算が複雑であるため,ノード間依存性を前方分解法を用いて近似することによりノードレベルのPOMDPに分解する。 FLoRaはメタヒューリスティック、欲求、深い強化学習ベースラインを30.6%、27.8%、および15.2%で上回り、ノードカバレッジは24.5%、29.2%、そして8.8%で増加し、コレクションは24.3%、25.6%、そして15.2%で成功した。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• Addressing Terminal Constraints in Data-Driven Demand Response Scheduling [16.092252559511305]
  目的空間計画 (GSP) とDeep Deterministic Policy Gradient (DDPG) を統合し、離散サブゴール上で学習した時間的抽象モデルを用いて、拡張水平線を越えて値を伝搬する。 提案手法は,端末のストレージ制約を満たすとともに,標準DDPGよりもサンプル効率を向上し,制御挙動を緩和する。
  論文  参考訳（メタデータ） (2026-05-14T12:07:53Z)
• Cost Minimization for Space-Air-Ground Integrated Multi-Access Edge Computing Systems [60.586531406445744]
  宇宙空間統合多高度エッジコンピューティング(SAGIN-MEC)は、急速に発展する低高度経済に有望なソリューションを提供する。 本稿では、ユーザデバイス(UD)、無人航空機(UAV)、衛星間の協調を可能にするSAGIN-MECアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-24T15:03:07Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Learning Spatio-Temporal Aggregations for Large-Scale Capacity Expansion Problems [0.0]
  キャパシティ拡張問題(CEP)は、ネットワークサイズが大きく、不均一なノード特性があり、多くの運用期間があるため、解決する費用がかかる。 本稿では、異種ノードを持つ汎用CEPの時間的アグリゲーションを識別するための新しいグラフ畳み込みオートエンコーダ手法を提案する。 提案手法は, ベンチマーク空間(時空間)集約手法よりも33%(resp. 10%)低い上限を与える。
  論文  参考訳（メタデータ） (2023-03-16T00:00:52Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• 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)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。