Task Offloading in Multi-UAV Edge Computing Using an Improved Multi- Agent Proximal Policy Optimization Approach
यह शोध पत्र SS-MAPPO का प्रस्ताव करता है, जो एक उन्नत मल्टी-एजेंट प्रॉक्सिमल पॉलिसी ऑप्टिमाइज़ेशन फ्रेमवर्क है जिसमें टॉप-K स्पार्स अटेंशन और गॉसियन लेटेंट पॉलिसियाँ शामिल हैं, ताकि Dec-POMDP के रूप में मॉडल किए गए गतिशील मल्टी-UAV एज कंप्यूटिंग परिवेशों में ऊर्जा-कुशल, विकेंद्रीकृत टास्क ऑफलोडिंग समस्या को हल किया जा सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
शहरों और दूरदराज के परिदृश्यों के ऊपर आसमान में, छोटे उड़ने वाले रोबोट जिन्हें ड्रोन कहा जाता है, आवश्यक कार्यकर्ता बनते जा रहे हैं। वे बिजली की लाइनों का निरीक्षण करते हैं, पैकेज पहुंचाते हैं और आपदा क्षेत्रों की निगरानी करते हैं, और चलते समय भारी मात्रा में डेटा एकत्र करते हैं। हालाँकि, इन मशीनों पर एक भारी बोझ होता है: उनकी बैटरी सीमित होती है, और उनके ऑनबोर्ड कंप्यूटर अक्सर जटिल जानकारी को तेजी से संसाधित करने के लिए बहुत कमजोर होते हैं। यदि कोई ड्रोन उड़ते समय किसी कठिन गणितीय समस्या को हल करने या उच्च-रिज़ॉल्यूशन वाली छवि का विश्लेषण करने की कोशिश करता है, तो यह अपनी बैटरी को तेजी से खत्म कर देता है और अपना काम पूरा करने से पहले ही शक्ति समाप्त हो सकती है। इसे हल करने के लिए, इंजीनियरों ने 'मोबाइल एज कंप्यूटिंग' नामक एक अवधारणा विकसित की है। ड्रोन को सारा काम खुद करने के लिए मजबूर करने के बजाय, यह अपना डेटा पास के शक्तिशाली कंप्यूटरों या क्लाउड में मौजूद और भी बड़े सर्वरों को भेज सकता है। यह ड्रोन को हल्का और कुशल रहने देता है, जिससे भारी काम असीमित शक्ति वाली मशीनों द्वारा किया जा सके।
चुनौती तब आती है जब एक ही क्षेत्र में एक साथ दर्जनों या सैकड़ों ड्रोन काम करते हैं। एक सौ बीस ड्रोनों के झुंड की कल्पना करें, जो सभी सीमित संख्या में ग्राउंड स्टेशनों को डेटा भेजने की कोशिश कर रहे हैं। वायु तरंगें (airwaves) भीड़भाड़ वाली हो जाती हैं, ग्राउंड कंप्यूटर बहुत अधिक अनुरोधों से अभिभूत हो जाते हैं, और ड्रोनों को लगातार यह निर्णय लेना पड़ता है कि वे अकेले काम करें, पास के स्टेशन को डेटा भेजें, या दूर के क्लाउड सर्वर की प्रतीक्षा करें। यदि वे गलत चुनाव करते हैं, तो वे ऊर्जा बर्बाद करते हैं या महत्वपूर्ण कार्यों को छोड़ देते हैं। यह समन्वय (coordination) की एक समस्या है। ऐसे समूहों को व्यवस्थित करने के पारंपरिक तरीके अक्सर विफल हो जाते हैं क्योंकि वातावरण बहुत तेजी से बदलता है; एक ड्रोन रेंज से बाहर जा सकता है, या एक ग्राउंड स्टेशन अचानक भर सकता है। शोधकर्ताओं को एक ऐसा तरीका खोजने की आवश्यकता थी जिससे ये ड्रोन खुद को स्मार्ट, ऊर्जा-बचत निर्णय लेने के लिए प्रशिक्षित कर सकें, भले ही वे दूसरों के कार्यों को न देख पा रहे हों।
हुबेई ऑटोमोटिव टेक्नोलॉजी यूनिवर्सिटी और युन्नान हानझे टेक्नोलॉजी कंपनी लिमिटेड के शोधकर्ताओं की एक टीम ने एक नई विधि विकसित की है जो इन ड्रोन झुंडों को अधिक कुशलता से काम करने में मदद करती है। उन्होंने एक ऐसी प्रणाली बनाई जहाँ ड्रोन 'ट्रायल एंड एरर' (प्रयास और त्रुटि) के माध्यम से सीखते हैं, जिसमें आर्टिफिशियल इंटेलिजेंस का एक प्रकार उपयोग किया गया है जो उन्हें समय के साथ अपने निर्णयों में सुधार करने की अनुमति देता है। शोधकर्ताओं ने एक सौ बीस ड्रोनों, चौबीस ग्राउंड सर्वरों और एक शक्तिशाली क्लाउड सर्वर के साथ एक जटिल दुनिया का सिमुलेशन बनाया। इस डिजिटल वातावरण में, ड्रोन अलग-अलग आकार के कार्य उत्पन्न करते हैं, जो तीन सौ किलोबाइट के छोटे डेटा पैकेट से लेकर तीन हजार तीन सौ किलोबाइट की बड़ी फाइलों तक होते हैं। लक्ष्य सरल लेकिन कठिन था: कम से कम बैटरी पावर का उपयोग करते हुए हर कार्य को पूरा करना।
टीम ने अपने नए दृष्टिकोण का परीक्षण कई मौजूदा तरीकों के विरुद्ध किया, जिनमें निश्चित नियमों पर आधारित पुराने एल्गोरिदम और अतीत में उपयोग किए गए अन्य लर्निंग सिस्टम शामिल हैं। उन्होंने पाया कि उनकी नई प्रणाली, जिसे उन्होंने SS-MAPPO नाम दिया है, लगभग हर तरह से दूसरों से बेहतर प्रदर्शन करती है। इसकी सफलता की कुंजी यह थी कि इसने ड्रोनों की भारी संख्या को कैसे संभाला। एक भीड़भाड़ वाले झुंड में, प्रत्येक ड्रोन को प्रत्येक अन्य ड्रोन पर ध्यान देने की आवश्यकता नहीं होती है; वास्तव में, ऐसा करने से भ्रम पैदा होता है और सिस्टम धीमा हो जाता है। शोधकर्ताओं ने अपने नए सिस्टम को केवल सबसे प्रासंगिक पड़ोसियों पर ध्यान केंद्रित करने के लिए प्रशिक्षित किया, बाकी को अनदेखा कर दिया। यह इस तरह है जैसे एक शोर भरे कमरे में कोई व्यक्ति पास खड़े अपने मित्र की आवाज़ पर ध्यान केंद्रित करता है और पृष्ठभूमि के शोर को अनसुना कर देता है। अनावश्यक जानकारी को फ़िल्टर करके, ड्रोन तेज़ और अधिक स्थिर निर्णय ले सकते थे।
इसके अलावा, शोधकर्ताओं ने ड्रोनों को स्थानीय प्रसंस्करण (local processing), नजदीकी सर्वर, या क्लाउड के बीच चयन करने के लिए बेहतर बनाया। एक विकल्प से दूसरे विकल्प पर अचानक छलांग लगाने के बजाय, नई प्रणाली ने इन निर्णयों को सुचारू बनाया, जिससे ड्रोनों को हवा या बदलते नेटवर्क संकेतों जैसी बदलती परिस्थितियों के अनुकूल धीरे-धीरे ढलने में मदद मिली। अपने सिमुलेशन में, इस दृष्टिकोण ने ड्रोन झुंड को अन्य तरीकों की तुलना में बहुत तेजी से एक स्थिर, कुशल अवस्था तक पहुँचने में सक्षम बनाया। जहाँ पुराने सिस्टम सीखने में अधिक समय लेते थे और अक्सर अपनी ऊर्जा खपत में भारी उतार-चढ़ाव दिखाते थे, वहीं नया तरीका जल्दी ही एक लय में आ गया। जब ड्रोनों की संख्या एक छोटे समूह से बढ़कर एक सौ बीस के बड़े झुंड में बढ़ गई, तो नए सिस्टम ने अपनी दक्षता बनाए रखी, जबकि अन्य तरीके संघर्ष करते रहे और काफी अधिक ऊर्जा की खपत की।
सिमुलेशन के परिणामों ने दिखाया कि नया दृष्टिकोण पूरे झुंड की कुल ऊर्जा खपत को कम कर सकता है। यह भी सिद्ध हुआ कि यह कार्यों के आकार में बदलाव के प्रति अधिक मजबूत (robust) है। चाहे ड्रोन छोटे डेटा फाइलों को संभाल रहे हों या विशाल वीडियो स्ट्रीम को, सिस्टम बिना शक्ति बर्बाद किए खुद को समायोजित करता है। शोधकर्ताओं ने उल्लेख किया कि यह विधि विशेष रूप से ग्राउंड सर्वरों को ओवरलोड होने से रोकने में अच्छी थी, जिससे यह सुनिश्चित हुआ कि कोई भी एकल ड्रोन प्रतिक्रिया के लिए बहुत लंबे समय तक प्रतीक्षा न करे। वास्तविक दुनिया के अनुप्रयोगों के लिए यह संतुलन महत्वपूर्ण है जहाँ देरी का मतलब एक डिलीवरी का चूक जाना या निरीक्षण का विफल होना हो सकता है।
इन आशाजनक परिणामों के बावजूद, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि उनके निष्कर्ष कंप्यूटर सिमुलेशन से आए हैं। उन्होंने ड्रोनों के निश्चित पथों पर चलने का मॉडल बनाया और माना कि कार्य पूर्ण टुकड़ों (full chunks) में भेजे जाते हैं न कि उन्हें विभाजित किया जाता है। हालाँकि यह एक मजबूत आधार प्रदान करता है, लेकिन वास्तविक दुनिया अक्सर अधिक जटिल होती है, जिसमें अप्रत्याशित मौसम और अधिक जटिल उड़ान पैटर्न होते हैं। टीम का सुझाव है कि भविष्य के कार्यों में उन ड्रोनों के साथ इन विचारों का परीक्षण करने की आवश्यकता होगी जो स्वतंत्र रूप से दिशा बदल सकते हैं और आंशिक डेटा ट्रांसफर को संभाल सकते हैं। फिलहाल, अध्ययन स्वायत्त मशीनों के बड़े समूहों को प्रबंधित करने के लिए एक स्पष्ट मार्ग प्रदान करता है। ड्रोनों को शोर को अनदेखा करने और वास्तव में जो महत्वपूर्ण है उस पर ध्यान केंद्रित करने के लिए सिखाकर, हम जल्द ही ऐसे झुंड देख सकते हैं जो निर्बाध रूप से मिलकर काम करते हैं, जिससे वे आसमान को सुरक्षित और कुशल बनाए रखने के लिए अपनी ऊर्जा बचाते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।