onr:"swepub:oai:DiVA.org:kth-346879"
Sökning: onr:"swepub:oai:DiVA.org:kth-346879" > IoRT Data Collectio...
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
IoRT Data Collection With LEO Satellite-Assisted and Cache-Enabled UAV : A Deep Reinforcement Learning Approach
-
- Zhang, Shuai (författare)
- KTH,Kommunikationssystem, CoS
-
- Cai, Tianzhang (författare)
- KTH,Kommunikationssystem, CoS
-
- Wu, Di (författare)
- KTH,Skolan för elektroteknik och datavetenskap (EECS)
- visa fler...
- visa färre...
- (creator_code:org_t)
- Institute of Electrical and Electronics Engineers (IEEE), 2024
- 2024
- Engelska.
- Ingår i: IEEE Transactions on Vehicular Technology. - : Institute of Electrical and Electronics Engineers (IEEE). - 0018-9545 .- 1939-9359. ; 73:4, s. 5872-5884
- Tidskriftsartikel (refereegranskat)
Abstract
Ämnesord
Stäng
- Space air ground integrated network (SAGIN), leveraging low earth orbit (LEO) satellites and Unmanned Aerial Vehicles (UAVs), is expected to play a key role in providing services to Internet of Remote Things (IoRT) in the sixth generation (6G) communications. Our considered SAGIN incorporates a cache node on the UAV to cope with the data rate fluctuation in the backhaul link (UAV to satellite), allowing temporary storage of collected data during low data rate periods. In this paper, we aim to minimize the completion time of data collection in SAGIN by optimizing the UAV trajectory, IoRT device association scheme, and data caching policy (whether to store data temporarily or not in the UAV). Since the formulated problem is challenging to solve by using traditional optimization methods due to the unknown number of decision variables and the changing environment, we propose a deep reinforcement learning (DRL)-based algorithm to efficiently solve it. Simulation results demonstrate that our proposed algorithm requires less time to complete data collection compared to both the circular trajectory scheme and the no-cache node scheme under various setups. Moreover, our proposed algorithm can adapt to uneven data distribution by approaching closer to the IoRT nodes with large data sizes, and it can also mitigate the influence of backhaul link fluctuations with the aid of the cache node.
Ämnesord
- TEKNIK OCH TEKNOLOGIER -- Elektroteknik och elektronik -- Robotteknik och automation (hsv//swe)
- ENGINEERING AND TECHNOLOGY -- Electrical Engineering, Electronic Engineering, Information Engineering -- Robotics (hsv//eng)
Nyckelord
- Low Earth orbit (LEO)
- unmanned aerial vehicle (UAV)
- deep reinforcement learning (DRL)
- trajectory optimization
Publikations- och innehållstyp
- ref (ämneskategori)
- art (ämneskategori)
Hitta via bibliotek
- IEEE Transactions on Vehicular Technology (Sök värdpublikationen i LIBRIS)
Till lärosätets databas
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Zhang, Shuai
- Cai, Tianzhang
- Wu, Di
- Schupke, Dominic
- Ansari, Nirwan
- Cavdar, Cicek, 1 ...
- Om ämnet
-
- TEKNIK OCH TEKNOLOGIER
- TEKNIK OCH TEKNO ...
- och Elektroteknik oc ...
- och Robotteknik och ...
- Artiklar i publikationen
- IEEE Transaction ...
- Av lärosätet
- Kungliga Tekniska Högskolan
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
