Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
O-RAN 환경에서 UAV 궤적 최적화를 위해 지속적 전이 학습을 활용하는 새로운 프레임워크를 제안합니다. 사전 학습된 모델 라이브러리에서 최적의 모델을 선택하여 적응 시간을 단축하고, 유사 모델 부재 시 폴백 모델을 통해 성능을 보장합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기6G 셀룰러 시스템에서 개방형 무선 유닛 (O-RUs)으로서의 무인 항공기 (UAV) 배포는 확장 가능하고 적응형인 네트워크 커버리지를 달성할 수 있는 유망한 기회를 제공합니다. 그러나 동적이고 익숙하지 않은 환경에서 UAV 궤적을 최적화하는 것은 여전히 중요한 과제로 남아 있으며, 특히 각 새로운 시나리오마다 광범위한 재학습 (retraining)이 필요하다는 점이 그러합니다. 본 논문에서는 O-RAN 아키텍처 내에서 강화된 지속적 전이 학습 (continual transfer learning)을 통합하는 새로운 UAV 궤적 최적화 프레임워크를 소개합니다. 제안된 시스템은 사전 학습된 모델 라이브러리를 유지하며, 가장 관련성이 높은 환경으로부터 지식을 식별하고 전이하는 모델 선택 (model selection) 메커니즘을 채택하여 적응 시간을 최소화하고 효율성을 향상시킵니다. 충분히 유사한 모델을 사용할 수 없는 경우에는 지속적인 개선을 통해 강화된 폴백 모델 (fallback model)이 기본 성능을 보장합니다. 이 프레임워크는 학습 신뢰성을 높이고 궤적 계획을 개선하기 위해 실제 도시 지도와 레이 트레이싱 (ray tracing) 기술을 활용합니다. 시뮬레이션 결과에 따르면, 제안된 모델 선택 기반 전이 학습 접근 방식은 처음부터 재학습하는 것에 비해 수렴 시간 (convergence time)을 44%에서 56%까지 단축하며, 모델 선택이 없는 전통적인 전이 학습에 비해 최대 40%까지 단축함을 보여줍니다.