AI-based Radio and Computing Resource Allocation and Path Planning in NOMA NTNs: AoI Minimization under CSI Uncertainty

要約

タイトル：CSI不確実性下におけるNOMA NTNsにおけるAIベースの無線およびコンピューティングリソース割り当てとパスプランニング：AoI最小化

要約：

– 高度な航空プラットフォーム（HAP）と無人航空車（UAV）から構成される階層的な空中コンピューティングフレームワークを開発し、地上移動ユーザーの完全オフロードタスクを計算します。
– UL-NOMAによって接続されたユーザーに対して、UAVとHAPのリソース割り当てとUAVの軌道を調整することにより、CSIの不確実性と多数のリソース制約に制限された、弾性タスクを持つすべてのユーザーのAoIを最小化する問題が定式化されています。
– この非凸最適化問題を解決するために、2つの方法である、Multi-Agent Deep Deterministic Policy Gradient（MADDPG）とFederated Reinforcement Learning（FRL）が提案されました。これにより、UAVの軌道を設計し、チャネル、電力、CPUの割り当てを取得することができます。
– タスクスケジューリングは、平均AoIを大幅に減少させることが示されました。特に、タスクのサイズが大きい場合には、効果がより顕著であることが示されました。
– 一方、電力割り当ては、すべてのユーザーに対して完全な送信電力を使用することと比較して、平均AoIにほとんど影響を与えないことが示されました。
– また、従来の送信（固定方法）と比較して、スケジューリングスキームでは平均AoIが低くなることがシミュレーション結果から示されました。

要約(オリジナル)

In this paper, we develop a hierarchical aerial computing framework composed of high altitude platform (HAP) and unmanned aerial vehicles (UAVs) to compute the fully offloaded tasks of terrestrial mobile users which are connected through an uplink non-orthogonal multiple access (UL-NOMA). In particular, the problem is formulated to minimize the AoI of all users with elastic tasks, by adjusting UAVs trajectory and resource allocation on both UAVs and HAP, which is restricted by the channel state information (CSI) uncertainty and multiple resource constraints of UAVs and HAP. In order to solve this non-convex optimization problem, two methods of multi-agent deep deterministic policy gradient (MADDPG) and federated reinforcement learning (FRL) are proposed to design the UAVs trajectory and obtain channel, power, and CPU allocations. It is shown that task scheduling significantly reduces the average AoI. This improvement is more pronounced for larger task sizes. On the one hand, it is shown that power allocation has a marginal effect on the average AoI compared to using full transmission power for all users. On the other hand, compared with traditional transmissions (fixed method) simulation result shows that our scheduling scheme has a lower average AoI.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI