Coordination of Drones at Scale: Decentralized Energy-aware Swarm Intelligence for Spatio-temporal Sensing

要約

交通監視や災害対応などのスマート シティ アプリケーションでは、多くの場合、インテリジェントで協調的なドローンの群れを使用して、さまざまな関心領域や期間にわたるセンサー データを効率的に収集します。
しかし、必要なセンシングが時空間的に大きく変化すると、バッテリーが制限され分散した多数のドローンに対してセンシングタスクを集合的に配置することが困難になります。
この問題に対処するために、この論文では、時空間センシングの計画と調整のためのスケーラブルでエネルギーを意識したモデルを紹介します。
調整モデルは、分散型マルチエージェント集合学習アルゴリズム (EPOS) に基づいて構築されており、既存のアプローチにはないスケーラビリティ、回復力、柔軟性を確保します。
実験結果は、最先端の方法と比較して、提案された方法の優れたパフォーマンスを示しています。
分析結果は、ドローンの調整された機動性がセンシング性能にどのように影響するかについてのより深い理解に貢献します。
この新しい調整ソリューションは、実世界のデータを使用した交通監視に適用され、ドローンの数が希少なリソースになる中、46.45\%$ 精度が向上し、2.88\%$ 効率的に車両を検出できることを実証します。

要約(オリジナル)

Smart City applications, such as traffic monitoring and disaster response, often use swarms of intelligent and cooperative drones to efficiently collect sensor data over different areas of interest and time spans. However, when the required sensing becomes spatio-temporally large and varying, a collective arrangement of sensing tasks to a large number of battery-restricted and distributed drones is challenging. To address this problem, this paper introduces a scalable and energy-aware model for planning and coordination of spatio-temporal sensing. The coordination model is built upon a decentralized multi-agent collective learning algorithm (EPOS) to ensure scalability, resilience, and flexibility that existing approaches lack of. Experimental results illustrate the outstanding performance of the proposed method compared to state-of-the-art methods. Analytical results contribute a deeper understanding of how coordinated mobility of drones influences sensing performance. This novel coordination solution is applied to traffic monitoring using real-world data to demonstrate a $46.45\%$ more accurate and $2.88\%$ more efficient detection of vehicles as the number of drones become a scarce resource.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google