Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | AI-Based Trajectories for Unmanned Aerial Vehicles Enabling Vehicular Communications |
|---|---|
| Titolo del progetto di ricerca in inglese | AI-Based Trajectories for Unmanned Aerial Vehicles Enabling Vehicular Communications |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Communication engineering |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | - |
| Descrizione sintetica in italiano | L'attività di ricerca prevede l'utilizzo di UAV (Unmanned Aerial Vehicle) che trasportano stazioni base (UABS) a supporto delle comunicazioni veicolari. Lo scenario include veicoli, in movimento in una città, che devono implementare un'applicazione di sensing aumentato, in cui ogni veicolo invia una grande quantità di dati misurati tramite i sensori di bordo ai veicoli circostanti, passando attraverso la rete centrale. Oltre alla progettazione della traiettoria, dev’essere considerata un'adeguata strategia di gestione delle risorse radio (RRM). Quando si tratta di RRM vanno tenute in considerazione le interferenze generate da e verso le reti terrestri, ovvero le Stazioni Base Terrestri (TBS) presenti in città. La metodologia utilizzata per progettare la traiettoria dev’essere basata su strumenti di intelligenza artificiale. In particolare, per progettare la traiettoria verranno utilizzate tecniche di apprendimento per rinforzo, come il Q-learning e il deep Q-learning. |
| Descrizione sintetica in inglese | The research activity envisions the use of UAVs (Unmanned Aerial Vehicle) carrying Base Stations (UABS) to support vehicular communications. The scenario includes vehicles, moving in a city, that have to implement an augmented sensing application, where each vehicle sends a large amount of data measured via the sensors on board to the vehicles around, passing through the core network. In addition to trajectory design, a proper radio resource management strategy (RRM) should be considered. Interference generated by and toward the terrestrial networks, that is the Terrestrial Base Stations (TBSs) present in the city, should be accounted for when dealing with RRM. The methodology used to design the trajectory should be based on Artificial Intelligent tools. In particular, reinforcement learning techniques, such as Q-learning and deep Q-learning, will be used to design the trajectory. |
| Data del bando | 18/02/2022 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
All |
| Nazionalità dei candidati |
All |
| Sito web del bando | https://bandi.unibo.it/ricerca/assegni-ricerca |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI INGEGNERIA DELL'ENERGIA ELETTRICA E DELL'INFORMAZIONE "GUGLIELMO MARCONI" |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| barbara.diplacido@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 08/03/2022 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |