Εφαρμογή τεχνικών μηχανικής μάθησης για την εύρεση βέλτιστης διαδρομής και τοποθέτησης αυτόνομων εναέριων οχημάτων σε τρισδιάστατο χώρο για συστήματα 5G and beyond
Στα πλαίσια αυτής της διπλωματικής εργασίας μελετήθηκαν οι διάφορες τεχνικές Μηχανικής Μάθησης που υπάρχουν στη βιβλιογραφία για την εύρεση της βέλτιστης διαδρομής και τοποθέτησης UAV σε τρισδιάστατο χώρο με σκοπό την βέλτιστη κάλυψη των χρηστών σε δίκτυα 5G and beyond. Τα μη-επανδρωμένα εναέρια οχ...
Αποθηκεύτηκε σε:
| Κύριοι συγγραφείς: | , |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/25019 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Στα πλαίσια αυτής της διπλωματικής εργασίας μελετήθηκαν οι διάφορες τεχνικές Μηχανικής Μάθησης που υπάρχουν στη βιβλιογραφία για την εύρεση της βέλτιστης διαδρομής και τοποθέτησης UAV σε τρισδιάστατο χώρο με σκοπό την βέλτιστη κάλυψη των χρηστών σε δίκτυα 5G and beyond.
Τα μη-επανδρωμένα εναέρια οχήματα (UAV) θεωρούνται ως μια από τις πολλά υποσχόμενες λύσεις για ασύρματα δίκτυα επικοινωνίας νέας γενιάς. Η ευελιξία τους και η ικανότητά τους να προσφέρουν απρόσκοπτη σύνδεση οπτικής επαφής (LOS) με χρήστες, επιλύσαν σοβαρά ζητήματα τηλεπικοινωνιακής κάλυψης. Ωστόσο, υπάρχουν προκλήσεις, όπως η εύρεση της βέλτιστης διαδρομής και τοποθέτησης (optimal trajectory & placement design) σε τρισδιάστατο χώρο. Η αντιμετώπιση των προκλήσεων θα επιφέρει, ελαχιστοποίηση του χρόνου πτήσης και της ενεργειακής κατανάλωσης που απαιτείται, καθώς και βελτιστοποίηση της φασματικής απόδοσης. Η ανάπτυξη μεθόδων μηχανικής μάθησης αναβαθμίζουν με ραγδαίο ρυθμό την ποιότητα των προσφερόμενων υπηρεσιών.
Ο σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η πρόβλεψη της βέλτιστης διαδρομής για μεγιστοποίηση της τηλεπικοινωνιακής κάλυψης καθώς και την ελαχιστοποίηση του χρόνου πτήσης, η οποία θα επιτευχθεί με τη χρήση Reinforcement Learning (RL) και Supervised Learning (SL) τεχνικών μηχανικής μάθησης. Πιο συγκεκριμένα, υλοποιήθηκε ο RL αλγόριθμος Q learning ο οποίος θα εκπαιδεύεται στο εκάστοτε περιβάλλον το οποίο αποτελείται από πολλαπλές διαδρομές και εμπόδια με απώτερο σκοπό την εύρεση διαδρομής που θα μεγιστοποιεί την απόδοση της τηλεπικοινωνιακής κάλυψης. Ο Q Learning αλγόριθμος θεωρείται από τους κορυφαίους αλγορίθμους RL για την εύρεση βέλτιστης λύσης. Αξίζει να σημειωθεί πως οι παρεμβολές από γειτονικά UAVs και χρήστες, είναι μία πρόκληση που επηρεάζει σημαντικά την απόδοση της εξυπηρέτησης των UAVs τόσο στην βέλτιστη διαδρομή όσο και στην βέλτιστη τοποθέτηση. Την λύση στην πρόκληση των παρεμβολών θα την δώσει η εφαρμογή ελέγχου ισχύος εκπομπής ώστε να μετριαστούν τα επίπεδα των παρεμβολών και να αυξηθεί με τον τρόπο αυτό το QoS των χρηστών.
Επιπλέον, κατασκευάστηκε σύνολο δεδομένων (dataset) με χρήση του περιβάλλοντος MATLAB με σκοπό την εκπαίδευση Supervised αλγορίθμων για την πρόβλεψη της ισχύος εκπομπής με σκοπό την αντιμετώπιση των παρεμβολών, καθώς και για την εύρεση της βέλτιστης διαδρομής μέσω της πρόβλεψης του βέλτιστου μονοπατιού. To dataset που θα χρησιμοποιηθεί περιλαμβάνει συγκεκριμένα labels (ετικέτες) σύμφωνα με τις οποίες θα γίνεται η διαδικασία της εκπαίδευσης. Επιπρόσθετα, για την βέλτιστη τοποθέτηση χρησιμοποιήθηκε αλγόριθμος Unsupervised Learning. Η φασματική απόδοση και η ενεργειακή κατανάλωση είναι οι κύριοι παράμετροι που θα επηρεάσουν την βέλτιστη διαδρομή και τοποθέτηση.
Η προσομοίωση θα εστιάσει στην σύγκριση και στην ανάδειξη τεχνικών που προσφέρουν αυτονομία, μέγιστη αποδοτικότητα, προσαρμοστικότητα και ευελιξία σε εφαρμογές πραγματικών σεναρίων. |
|---|