RSS-Based UAV-BS 3-D Mobility Management via Policy Gradient Deep\n Reinforcement Learning
Notice bibliographique
Résumé
We address the mobility management of an autonomous UAV-mounted base station\n(UAV-BS) that provides communication services to a cluster of users on the\nground while the geographical characteristics (e.g., location and boundary) of\nthe cluster, the geographical locations of the users, and the characteristics\nof the radio environment are unknown. UAVBS solely exploits the received signal\nstrengths (RSS) from the users and accordingly chooses its (continuous) 3-D\nspeed to constructively navigate, i.e., improving the transmitted data rate. To\ncompensate for the lack of a model, we adopt policy gradient deep reinforcement\nlearning. As our approach does not rely on any particular information about the\nusers as well as the radio environment, it is flexible and respects the privacy\nconcerns. Our experiments indicate that despite the minimum available\ninformation the UAV-BS is able to distinguish between high-rise (often\nnon-line-of-sight dominant) and sub-urban (mainly line-of-sight dominant)\nenvironments such that in the former (resp. latter) it tends to reduce (resp.\nincrease) its height and stays close (resp. far) to the cluster. We further\nobserve that the choice of the reward function affects the speed and the\nability of the agent to adhere to the problem constraints without affecting the\ndelivered data rate.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».