概要

本論文は、都市部における複数の無人航空機（UAV）ベースのモバイルエッジコンピューティングネットワークで、計算オフロードを効率化するための手法を提案しています。再構成可能知的表面（RIS）技術を活用し、UAVの軌跡最適化、計算タスクのオフロード戦略、RISの位相制御を同時に最適化する分散型学習フレームワークを開発しました。

ポイント

  • 課題： 都市部の見通し線（LoS）遮蔽やユーザー需要の急速な変動により、マルチUAVエッジネットワークにおける効率的な計算オフロードが困難
  • RIS技術の活用： 再構成可能知的表面により制御可能な反射リンクを生成し、LoS遮蔽を緩和
  • 分散型モデルベース強化学習： 各UAVが限定的な情報交換の下で、複数のホップ近傍から観測情報を取得し、モデルベースの多エージェント強化学習（MARL）により自律的に移動とオフロードを最適化
  • 動的環境への対応： 従来のモデルフリーMARLの学習効率の低さを克服し、高度に動的な環境での意思決定を高速化
  • 脱炭素への寄与： エネルギー効率的な通信・計算システムにより、ICT関連のカーボンフットプリント削減に貢献

出典

Joint Trajectory, RIS, and Computation Offloading Optimization via Decentralized Model-Based PPO in Urban Multi-UAV Mobile Edge Computing

この記事はAIが海外情報を要約・翻訳したものです。元記事は出典リンクをご覧ください。