Learning with Dynamics: Autonomous Regulation of UAV Based Communication Networks with Dynamic UAV Crew

要約

無人航空機 (UAV) ベースの通信ネットワーク (UCN) は、将来のモバイル ネットワーキングの重要なコンポーネントです。
UCN の動的な環境を処理するには、環境モデルに依存しない適応的意思決定の強力な機能に起因する強化学習 (RL) が有望なソリューションです。
ただし、既存の RL ベースの研究のほとんどは、固定セットの UAV を想定した制御戦略の設計に焦点を当てています。
サービスを提供する UAV が動的に変化する場合に UCN をどのように適応的に規制すべきかを調査した研究はほとんどありません。
この記事では、動的 UAV セットを前提とした適応型 UCN 規制のための RL ベースの戦略設計について説明し、一般的な UCN における事後戦略と太陽光発電 UCN における事前戦略の両方に取り組みます。
まず、UCN と RL フレームワークの概要を説明します。
その後、主要な課題と考えられる解決策を伴う潜在的な研究の方向性が詳しく説明されます。
私たちの最近の研究の一部は、さまざまな RL アルゴリズムを使用して動的な UAV 乗組員を処理する革新的な方法を刺激するケーススタディとして紹介されています。

要約(オリジナル)

Unmanned Aerial Vehicle (UAV) based communication networks (UCNs) are a key component in future mobile networking. To handle the dynamic environments in UCNs, reinforcement learning (RL) has been a promising solution attributed to its strong capability of adaptive decision-making free of the environment models. However, most existing RL-based research focus on control strategy design assuming a fixed set of UAVs. Few works have investigated how UCNs should be adaptively regulated when the serving UAVs change dynamically. This article discusses RL-based strategy design for adaptive UCN regulation given a dynamic UAV set, addressing both reactive strategies in general UCNs and proactive strategies in solar-powered UCNs. An overview of the UCN and the RL framework is first provided. Potential research directions with key challenges and possible solutions are then elaborated. Some of our recent works are presented as case studies to inspire innovative ways to handle dynamic UAV crew with different RL algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google