Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting

要約

5G 接続を備えた無人アリエル車両 (UAV) サービスは、多数のアプリケーションを備えた新興分野です。
オペレーター制御の UAV 飛行と手動による静的飛行構成は、UAV サービスのスケーラビリティを広く採用する上での大きな制限となります。
いくつかのサービスは携帯電話ネットワークとの優れた UAV 接続に依存しており、あらかじめ決められた飛行経路でそれを維持するのは困難です。
この論文では、確実な接続 (DUPAC) を備えた UAV 経路計画のための深層強化学習 (DRL) フレームワークを提案することで、これらの制限に対処します。
UAV 飛行中、DUPAC は、距離と信号品質の観点から、定義された送信元から目的地までの最適なルートを決定します。
DUPAC の実行可能性とパフォーマンスは、Unity フレームワークを使用してシミュレートされた現実世界の都市シナリオの下で評価されます。
その結果、DUPAC は飛行中平均 9% 優れた接続品質を維持しながら、基本方法と同様の自律 UAV 飛行経路をわずか 2% の増分で達成できることが確認されました。

要約(オリジナル)

Unmanned Ariel Vehicle (UAV) services with 5G connectivity is an emerging field with numerous applications. Operator-controlled UAV flights and manual static flight configurations are major limitations for the wide adoption of scalability of UAV services. Several services depend on excellent UAV connectivity with a cellular network and maintaining it is challenging in predetermined flight paths. This paper addresses these limitations by proposing a Deep Reinforcement Learning (DRL) framework for UAV path planning with assured connectivity (DUPAC). During UAV flight, DUPAC determines the best route from a defined source to the destination in terms of distance and signal quality. The viability and performance of DUPAC are evaluated under simulated real-world urban scenarios using the Unity framework. The results confirm that DUPAC achieves an autonomous UAV flight path similar to base method with only 2% increment while maintaining an average 9% better connection quality throughout the flight.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google