Location Optimization for Tethered Aerial Base Station Serving mmWave High Altitude UAVs
Notice bibliographique
Résumé
Uncrewed Aerial Vehicle-User Equipment (UAV-UE) is integral to millimeter wave (mmWave)-based wireless cellular systems. UAV-UE at high altitudes encounter limited connectivity with terrestrial base stations. Tethered Aerial Base Stations (TABS) are viable alternatives to terrestrial base stations. Optimal placement of a TABS in a three-dimensional environment is necessary and critical to serve multiple moving UAV-UE units with reliable connectivity. In this work, we propose a contextual multi-armed bandit framework to learn the optimal TABS locations. We consider multiple UAV-UE units moving at high altitudes in an uplink mmWave setting. Under this framework, the TABS acts as a learning agent leveraging position information about served UAV- UE units to provide connectivity with minimum Signal to Noise Ratio (SNR) threshold requirements. We first compare the Upper Confidence Bound (UCB) and Thompson Sampling (TS)-based learning strategies against the traditional naive-based approach. Our simulation results show that the TS-based approach learns optimal locations with a 31% and 51% average regret-reduction ratio (ARR) over UCB and naive-based approaches, respectively. Also, the TS-based learning strategy for TABS reliably achieves the required SNR for UAV-UE units under multiple contexts, compared to a static TABS location.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».