文献

J-GLOBAL ID：202202280684878397   整理番号：22A0914308

UAV支援センサネットワークにおける連続飛行制御と資源割付のためのLSTM特性深層強化学習【JST・京大機械翻訳】

LSTM-Characterized Deep Reinforcement Learning for Continuous Flight Control and Resource Allocation in UAV-Assisted Sensor Network

著者 (3件)： Li Kai (Real-Time and Embedded Computing Systems Research Centre (CISTER), Porto, Portugal) ,  Ni Wei (Digital Productivity and Services Flagship, Commonwealth Scientific and Industrial Research Organization, Sydney, NSW, Australia) ,  Dressler Falko (School of Electrical Engineering and Computer Science, TU Berlin, Berlin, Germany)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 6  ページ： 4179-4189  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 無人航空機(UAVs)は,遠隔無線センサネットワーク(WSNs)における感覚データを収集するために使用することができる。UAVの操縦により,データを伝送するセンサデバイスのスケジューリングは,非スケジューリング接地装置のデータバッファをオーバフローできる。さらに,損失空中チャネルは,予定されたセンサでパケット受信誤差をもたらす。本論文では,連続動作空間における全データパケット損失を最小化するために,新しい深層強化学習ベース飛行資源割当てフレームワーク(DeFRA)を提案した。DeFRAは,深い決定論的政策勾配(DDPG)に基づき,UAVの瞬時ヘッディングと速度を最適に制御し,データ収集のための地上装置を選択する。さらに,長い短期メモリ(LSTM)をレバーする状態キャラクタリゼーション層を開発し,地上装置における時変航空機搭載チャネルとエネルギー到着から生じるネットワークダイナミックスを予測した。DeFRAの有効性を検証するために,実世界UAVテストベッドとエネルギーハーベスティングWSNから収集した実験データを利用してUAVの行動を訓練した。数値結果により,提案したDeFRAは,既存の深層強化学習解と比較して,パケット損失を15%以上低減する一方で,高速収束を達成することを実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  スケジューリング ,  受信 ,  *資源割付 ,  ヘッディング ,  無人機 ,  *飛翔 ,  データ収集 ,  連続操作 ,  *飛行制御 ,  パケット ,  *センサネットワーク ,  パケット損失
準シソーラス用語： 無線センサネットワーク ,  エネルギーハーベスティング , 【Automatic Indexing@JST】

分類 (3件)： 符号理論  (ND02030R) ,  テレビジョン一般  (ND12031N) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： UAV ,  支援 ,  センサネットワーク ,  飛行制御 ,  資源割付 ,  LSTM ,  深層強化学習