Short vs. Long-term Coordination of Drones: When Distributed Optimization Meets Deep Reinforcement Learning

要約

スマート ドローンの群れは、充電テクノロジーのサポートにより、交通監視や災害対応など、スマート シティに完全なセンシング機能を提供できます。
分散最適化や深層強化学習（DRL）などの既存のアプローチは、ドローンを調整してコスト効率が高く高品質なナビゲーション、センシング、充電を実現することを目的としています。
ただし、これらには明確な課題があります。短期的な最適化では持続的なメリットを提供するのが難しく、長期的な DRL にはスケーラビリティ、回復力、柔軟性が欠けています。
このギャップを埋めるために、この文書では、分散最適化に基づく計画と選択、および DRL ベースの飛行方向スケジューリングを含む、新しい進歩的なアプローチを紹介します。
現実的な都市モビリティから生成されたデータセットを使用した広範な実験により、交通監視における提案されたソリューションの優れたパフォーマンスが 3 つのベースライン手法と比較して実証されました。

要約(オリジナル)

Swarms of smart drones, with the support of charging technology, can provide completing sensing capabilities in Smart Cities, such as traffic monitoring and disaster response. Existing approaches, including distributed optimization and deep reinforcement learning (DRL), aim to coordinate drones to achieve cost-effective, high-quality navigation, sensing, and recharging. However, they have distinct challenges: short-term optimization struggles to provide sustained benefits, while long-term DRL lacks scalability, resilience, and flexibility. To bridge this gap, this paper introduces a new progressive approach that encompasses the planning and selection based on distributed optimization, as well as DRL-based flying direction scheduling. Extensive experiment with datasets generated from realisitic urban mobility demonstrate the outstanding performance of the proposed solution in traffic monitoring compared to three baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google