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

要約

自律型インタラクティブドローンの群れは、充電技術のサポートにより、交通監視や災害対応など、スマートシティに強力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。
しかし、彼らは大きな課題に直面しています。予期せぬ変化がある動的な環境では短期的な最適化は効果的ではなく、長期的な学習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短期計画の生成と選択と、​​DRL ベースの飛行方向の長期戦略的スケジューリングを組み合わせた、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、提案されたソリューションが最先端のものと比較して優れたパフォーマンスを示していることが強調されています。
また、さまざまなセンシングミッションにおけるドローン密度の役割、ドローン運用のエネルギー安全性、充電インフラの主要な場所への投資の優先順位付けの方法について、説得力のある新たな洞察も提供します。

要約(オリジナル)

Swarms of autonomous interactive drones, with the support of recharging technology, can provide compelling 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 charging. However, they face grand challenges: short-term optimization is not effective in dynamic environments with unanticipated changes, while long-term learning lacks scalability, resilience, and flexibility. To bridge this gap, this paper introduces a new progressive approach that combines short-term plan generation and selection based on distributed optimization with a DRL-based long-term strategic scheduling of flying direction. Extensive experimentation with datasets generated from realistic urban mobility underscores an outstanding performance of the proposed solution compared to state-of-the-art. We also provide compelling new insights about the role of drones density in different sensing missions, the energy safety of drone operations and how to prioritize investments for key locations of charging infrastructure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google