Age and Power Minimization via Meta-Deep Reinforcement Learning in UAV Networks

要約

情報の年齢（AOI）とトランスミッションパワーは、低エネルギーのワイヤレスネットワークの重要なパフォーマンスメトリックであり、情報の鮮度が最も重要です。
この調査では、データを収集する空飛ぶ無人航空機（UAV）によってサポートされる、電力制限されたモノのインターネット（IoT）ネットワークを調べます。
私たちの目的は、UAVフライトの軌跡とスケジューリングポリシーを最適化して、さまざまなAOIとトランスミッションパワーの組み合わせを最小限に抑えることです。
このバリエーションに取り組むために、このペーパーでは、深いQネットワーク（DQN）とモデルに依存しないメタラーニング（MAML）を統合するメタディープ強化学習（RL）アプローチを提案します。
DQNSは最適なUAV決定を決定しますが、MAMLはさまざまな目的関数全体でスケーラビリティを有効にします。
数値結果は、提案されたアルゴリズムがより速く収束し、従来のディープRLメソッドよりも効果的に新しい目標に適応し、全体的に最小限のAOIおよび伝送力を達成することを示しています。

要約(オリジナル)

Age-of-information (AoI) and transmission power are crucial performance metrics in low energy wireless networks, where information freshness is of paramount importance. This study examines a power-limited internet of things (IoT) network supported by a flying unmanned aerial vehicle(UAV) that collects data. Our aim is to optimize the UAV flight trajectory and scheduling policy to minimize a varying AoI and transmission power combination. To tackle this variation, this paper proposes a meta-deep reinforcement learning (RL) approach that integrates deep Q-networks (DQNs) with model-agnostic meta-learning (MAML). DQNs determine optimal UAV decisions, while MAML enables scalability across varying objective functions. Numerical results indicate that the proposed algorithm converges faster and adapts to new objectives more effectively than traditional deep RL methods, achieving minimal AoI and transmission power overall.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google