Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization

要約

無人航空機（UAV）のセルラーネットワークへの統合は、主に複数の地上ベースステーション（BSS）を備えた確率的な視線条件によって引き起こされる頻繁な手元のために、重要なモビリティ管理の課題をもたらします。
これらの課題に取り組むために、Rehnecortion Learning（RL）ベースの方法、特にDeep Q-Networks（DQN）が採用されており、ハンドオーバー決定を動的に最適化しています。
ただし、これらの学習ベースのアプローチの主な欠点は、それらのブラックボックスの性質であり、意思決定プロセスの解釈可能性を制限します。
このペーパーでは、Shapley Additive説明（SHAP）を組み込んだ説明可能なAI（XAI）フレームワークを紹介して、さまざまな状態パラメーターがDQNベースのモビリティ管理システムにおけるハンドオーバー決定にどのように影響するかについてのより深い洞察を提供します。
参照信号受信電力（RSRP）、参照信号受信品質（RSRQ）、バッファーステータス、およびUAV位置などの主要な機能の影響を定量化することにより、RLベースのハンドオーバーソリューションの解釈可能性と信頼性を高めます。
フレームワークを検証して比較するために、UAVフライトトライアルから収集された実際のネットワークパフォーマンスデータを利用します。
シミュレーション結果は、この方法が政策決定の直感的な説明を提供し、AI主導のモデルと人間の意思決定者との間のギャップを効果的に埋めることを示しています。

要約(オリジナル)

The integration of unmanned aerial vehicles (UAVs) into cellular networks presents significant mobility management challenges, primarily due to frequent handovers caused by probabilistic line-of-sight conditions with multiple ground base stations (BSs). To tackle these challenges, reinforcement learning (RL)-based methods, particularly deep Q-networks (DQN), have been employed to optimize handover decisions dynamically. However, a major drawback of these learning-based approaches is their black-box nature, which limits interpretability in the decision-making process. This paper introduces an explainable AI (XAI) framework that incorporates Shapley Additive Explanations (SHAP) to provide deeper insights into how various state parameters influence handover decisions in a DQN-based mobility management system. By quantifying the impact of key features such as reference signal received power (RSRP), reference signal received quality (RSRQ), buffer status, and UAV position, our approach enhances the interpretability and reliability of RL-based handover solutions. To validate and compare our framework, we utilize real-world network performance data collected from UAV flight trials. Simulation results show that our method provides intuitive explanations for policy decisions, effectively bridging the gap between AI-driven models and human decision-makers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google