Efficient Data Harvesting in Urban IoT Networks: DRL for RIS-UAV Communications
Notice bibliographique
Résumé
The next generation of wireless communication networks is expected to utilise unmanned aerial vehicles (UAVs) and reconfigurable intelligent surfaces (RISs) to enhance spectrum and energy efficiency. This work establishes a theoretical foundation for RIS-assisted UAV implementation, capitalising on the passive beamforming capabilities of RIS alongside the adaptable deployment and dynamic mobility of UAVs to enhance internet-of-things (IoT) network performance. A comprehensive framework for RIS-assisted UAV IoT data collection is represented and optimised to enhance critical performance metrics, including the quantity of served IoT devices and achievable data rates. This framework is instrumental in urban IoT networks, such as smart cities, where blockages and fading channels hinder reliable communication. The optimisation strategy deploys a deep reinforcement learning (DRL) algorithm to fine-tune UAV trajectories and IoT device scheduling decisions, complemented by a codebook for RIS beamforming to optimise the RIS phase shift matrix. This integrated approach addresses the ever-increasing demand for efficient data collection in wireless IoT networks, providing a scalable and reliable solution for efficient data collection under dynamic urban environments channel conditions. Simulation results show substantial improvements in system performance, demonstrating the efficiency of the proposed algorithm. By coordinating the RIS phase shift matrix and UAV trajectory planning, the proposed framework achieves improvements in terms of the number of served IoT devices and achievable data rates. For example, compared to baseline methods, our approach outperforms benchmark scenarios by over 50% in terms of the number of served devices. The results reveal the potential of RIS-assisted UAV solutions in meeting the increasing demands of wireless IoT networks.
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 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».