MR-iNet Gym:組込みソフトウェア定義無線における深層強化学習のエッジ展開のためのフレームワーク【JST・京大機械翻訳】

Jagannath Jithin; Hamedani Kian; Farquhar Collin; Ramezanpour Keyvan; Jagannath Anu

プレプリント

J-GLOBAL ID：202202208992516130 整理番号：22P0328929

MR-iNet Gym:組込みソフトウェア定義無線における深層強化学習のエッジ展開のためのフレームワーク【JST・京大機械翻訳】

MR-iNet Gym: Framework for Edge Deployment of Deep Reinforcement Learning on Embedded Software Defined Radio

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月09日プレプリントサーバーでの情報更新日： 2022年04月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

動的資源配分は,インテリジェント無線通信システムの次世代において決定的役割を果たす。機械学習は,このドメインにおけるストライドを作るための強力なツールとして活用されてきた。ほとんどの場合,これらの解のハードウェア配置の困難な性質のため,進展はシミュレーションに限定されている。本論文では,初めて,GPU組込みソフトウェア定義無線(SDR)上の深層強化学習(DRL)ベース電力制御エージェントを設計し,展開する。この目的のために,実世界実装ハードルを克服するために,シミュレーションセットと組込みSDR開発が凝集的に働くエンドツーエンドフレームワーク(MR-iNet Gym)を提案した。実現可能性を証明するために,符号分割多重アクセス(DS-CDMA)ベースのLPI/Dトランシーバのための分散電力制御の問題を考察した。最初に,OpenAIGym環境と相互作用するDS-CDMAns3モジュールを構築した。次に,ハードウェアテストベッドを複製するシナリオにおいて,このns3-gymシミュレーション環境における電力制御DRLエージェントを訓練した。次に,エッジ(埋込みオンデバイス)配置のために,訓練されたモデルを,性能の損失なしでリアルタイム操作のために最適化した。ハードウェアベースの評価は,従来の分散制約電力制御(DCPC)アルゴリズムよりもDRLエージェントの効率を検証した。より重要なことに,一次目標として,これは,GPU埋込み無線の次世代のための最適化分散資源配分を提供するために,DRLを展開する実現可能性を確立した最初の研究である。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

無線通信一般 , 移動通信

, , , , , ,

前のページに戻る