Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications

要約

非直交多元接続 (NOMA) を介してアクセス ポイント (AP) によって複数のモバイル ロボットが提供される、新しい再構成可能なインテリジェントな表面支援マルチロボット ネットワークが提案されます。
目標は、予測された初期および
ロボットの最終位置と各ロボットのサービス品質 (QoS)。
この問題に取り組むために、統合機械学習 (ML) スキームが提案されています。これは、長短期記憶 (LSTM) – 自己回帰統合移動平均 (ARIMA) モデルと決闘二重ディープ Q ネットワーク (D$^{3}$
QN) アルゴリズム。
ロボットの初期位置と最終位置を予測するために、LSTM-ARIMA は、データの非定常および非線形シーケンスの勾配消失の問題を克服できます。
位相シフト行列とロボットの軌道を共同で決定するために、アクション値の過大評価の問題を解決するために D$^{3}$QN が呼び出されます。
提案されたスキームに基づいて、各ロボットは軌道全体の最大合計レートに基づいて最適な軌道を保持します。これは、ロボットが軌道設計全体の長期的な利益を追求することを明らかにしています。
数値結果は次のことを示しました。1) LSTM-ARIMA モデルは高精度の予測モデルを提供します。
2) 提案された D$^{3}$QN アルゴリズムは、高速な平均収束を達成できます。
3) RIS-NOMA ネットワークは、RIS 支援の直交ネットワークと比較して優れたネットワーク パフォーマンスを備えています。

要約(オリジナル)

A novel reconfigurable intelligent surface-aided multi-robot network is proposed, where multiple mobile robots are served by an access point (AP) through non-orthogonal multiple access (NOMA). The goal is to maximize the sum-rate of whole trajectories for the multi-robot system by jointly optimizing trajectories and NOMA decoding orders of robots, phase-shift coefficients of the RIS, and the power allocation of the AP, subject to predicted initial and final positions of robots and the quality of service (QoS) of each robot. To tackle this problem, an integrated machine learning (ML) scheme is proposed, which combines long short-term memory (LSTM)-autoregressive integrated moving average (ARIMA) model and dueling double deep Q-network (D$^{3}$QN) algorithm. For initial and final position prediction for robots, the LSTM-ARIMA is able to overcome the problem of gradient vanishment of non-stationary and non-linear sequences of data. For jointly determining the phase shift matrix and robots’ trajectories, D$^{3}$QN is invoked for solving the problem of action value overestimation. Based on the proposed scheme, each robot holds an optimal trajectory based on the maximum sum-rate of a whole trajectory, which reveals that robots pursue long-term benefits for whole trajectory design. Numerical results demonstrated that: 1) LSTM-ARIMA model provides high accuracy predicting model; 2) The proposed D$^{3}$QN algorithm can achieve fast average convergence; and 3) RIS-NOMA networks have superior network performance compared to RIS-aided orthogonal counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google