Energy-Aware Multi-Agent Reinforcement Learning for Collaborative Execution in Mission-Oriented Drone Networks

要約

ミッション指向のドローン ネットワークは、構造検査、災害監視、国境監視などに広く使用されています。ドローンのバッテリー容量には限りがあるため、ミッション実行戦略はネットワークのパフォーマンスとミッションの完了に影響を与えます。
ただし、このような動的な環境におけるドローンにとって共同実行は、効率的な軌道設計も必要となるため、困難な問題です。
この研究では、マルチエージェント強化学習 (MARL) を活用して課題を管理し、各ドローンが共同でタスクを実行し、現在のステータスと環境に基づいて軌道を計画する方法を学習させます。
シミュレーション結果によると、提案された協調実行モデルは、タスクの場所や長さに関係なく、少なくとも 80% の確率でミッションを正常に完了でき、タスク密度がそれほど疎ではない場合には 100% の成功率を達成することもできます。
私たちの知る限り、私たちの研究は、ミッション指向のドローン ネットワークの共同実行に MARL を活用する先駆的な研究の 1 つです。
この作品のユニークな価値は、モデル設計を推進するドローンのバッテリーレベルにあります。

要約(オリジナル)

Mission-oriented drone networks have been widely used for structural inspection, disaster monitoring, border surveillance, etc. Due to the limited battery capacity of drones, mission execution strategy impacts network performance and mission completion. However, collaborative execution is a challenging problem for drones in such a dynamic environment as it also involves efficient trajectory design. We leverage multi-agent reinforcement learning (MARL) to manage the challenge in this study, letting each drone learn to collaboratively execute tasks and plan trajectories based on its current status and environment. Simulation results show that the proposed collaborative execution model can successfully complete the mission at least 80% of the time, regardless of task locations and lengths, and can even achieve a 100% success rate when the task density is not way too sparse. To the best of our knowledge, our work is one of the pioneer studies on leveraging MARL on collaborative execution for mission-oriented drone networks; the unique value of this work lies in drone battery level driving our model design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google