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 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 | 0,000 |
| 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 ».