Dissertação
Drone Computing Optimization based on Deep Reinforcement Learning EVALUATED
A integração de UAVs, Veículos Aéreos Não Tripulados em português, como edge nodes em ambientes de Mobile Edge Computing apresenta uma oportunidade para melhorar os serviços fornecidos aos utilizadores terrestres, permitindo que a UAV forneça suporte computacional para tarefas descarregadas em cenários onde, por exemplo, a infraestrutura de comunicações pode estar danificada/destruída ou onde o processamento em tempo real e análise de dados é necessário. Apesar destes benefícios, UAVs estão limitadas devido aos seus recursos computacionais e a vida útil da bateria, requerendo políticas de otimização de descarregamento de tarefas e controle do movimento. O projeto apresentado desenvolve um ambiente simulado onde um único UAV fornece serviços computacionais a utilizadores dispersos aleatoriamente com tarefas geradas aleatoriamente. O ambiente é modelado através de um Markov Decision Process e utiliza uma abordagem de Reinforcement Learning com Double Deep Q-Network para determinar a proporção ideal de descarregamento de tarefas e o posicionamento do UAV. Este modelo é implementado usando a biblioteca PyTorch do Python e permite que o UAV se mova de acordo com dois métodos diferentes: movimento livre ou por ponto de passagem. Os resultados finais são apresentados e discutidos no final.
junho 12, 2024, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
António Manuel Raminhos Cordeiro Grilo
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado