AoI-Aware Trajectory Planning for Smart Agriculture Using Proximal Policy Optimization
Notice bibliographique
Résumé
In the realm of smart agriculture, the integration of Internet of Things Devices (IoTDs) for crop surveillance is pivotal for enhancing agricultural quality and output. However, the limited processing and transmission capabilities of these devices require alternative mechanisms for efficient data collection and transfer. Unmanned Aerial Vehicles (UAVs) emerge as a proficient solution, bridging the gap between IoTDs and more sophisticated systems, such as Multi-access Edge Computing (MEC) servers. Within this framework, the meticulous design of UAV flight paths is imperative to circumvent the processing of obsolete data. Such precision ensures timely access to vital data, for instance, in pest detection, and prevents erroneous actions such as unsuitable pesticide dispensation. This study delves into a UAVMEC-integrated system tailored for data acquisition, transfer, and processing from a multitude of IoTDs dispersed throughout a smart farm. The flight path of the UAV is traced by employing the Proximal Policy Optimization (PPO) approach, based on the data’s timeliness in the IoTDs, quantified by the average Age of Information (AoI). Furthermore, we analyze the potential advantages of this optimized UAV trajectory concerning its battery longevity. Simulations reveal that our model adeptly formulates an effective UAV trajectory, leading to a reduction in the average AoI and simultaneously conserving the UAV’s propulsion energy in designated scenarios.
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 ».