Nov, 2018

机器学习与契约理论在预测部署无人机基站中的应用

PDF
TL;DR本文提出了一种新的框架，以启用预测性的应用无人机作为临时基站来补充地面蜂窝系统的下行通信流量过载，并给出了相应的学习方法、卸载合同、优化问题以及预测算法，仿真结果表明，所提出的方法显著提高了蜂窝和无人机网络的收入，并改善了用户的服务体验。
uavcellular systemsoffload contractoptimizationpredictive approach
发现论文，激发创造
  • 利用 Echo State 网络对 UAV 基站进行预测性按需部署

    本文提出了一种基于无人机基站及用户设备运动轨迹预测的能效匹配方案，通过使用 Echo State Network（ESN）算法预测用户设备未来轨迹和 Kuhn-Munkres 算法寻找节能的无人机基站重新布局路径，实现了无缝服务并最大程度降低了重新部署所需的能量成本。

    Sep, 2019

  • 基于深度强化学习的无人机一体化接入和回传的 5G 网络

    本文研究了无人机基站在自然灾害中提供快速，灵活和可靠的无线通信的控制方式，使用机器学习算法控制无人机的三维位置和天线倾斜角度，以便在灾区为遭受自然灾害影响的用户提供快速的通信服务。

    Feb, 2022

  • 空中缓存：缓存启用无人机的主动部署以优化用户体验

    本文研究了使用搭载缓存设备的无人机进行主动部署以优化云无线接入网络中无线设备的体验质量问题。通过使用概念器基础回声状态网络（ESN）的机器学习框架，网络可以有效地预测用户的内容需求分布和移动模式，并可以在最大化用户体验质量和最小化无人机传输功率的同时找到最佳的用户 - 无人机关联、无人机的最佳位置以及需要在无人机上缓存的内容。

    Oct, 2016

  • 多无人机辅助无线网络的轨迹设计与功率控制：一种机器学习方法

    本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架，其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计，并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时，数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛，并且可以实现 17％左右的吞吐量改进。

    Dec, 2018

  • 无人机无线通信：悬停时间优化的最优传输理论

    本文研究了以飞行时间有限的无人机为基础站点，向地面用户提供无线服务的有效方法。提出了一种针对该类基于无人机的无线系统优化性能的新框架，并考虑了两种实际场景：一是基于最大可能悬停时间的情况下，找到与无人机相关的最优单元格划分，以使得平均传输给用户的数据服务最大。二是在给定地面用户的负载要求下，推导出为其完全服务所需的最小平均悬停时间，并因此提出了优化带宽分配方案的方法。结果表明，我们的提出的单元划分方法在用户公平性方面要比传统的加权 Voronoi 图方法高得多。此外，研究还揭示了在为地面用户提供服务时，无人机悬停时间与带宽效率之间的固有权衡。

    Apr, 2017

  • 能效最大覆盖的无人机基站（UAV-BS）的 3D 放置

    本文提出了一种基于优化算法的无人机基站布局方案，通过在垂直和水平空间上分别部署无人机基站在尽可能减少发送功率的情况下最大化覆盖用户数量，同时通过模拟验证了该方案的性能。

    May, 2017

  • 空中移动性：面向蜂窝网络连接的无人机的性能和移动性分析

    研究了使用协调多点传输为无人机用户设备提供无缝连接的方法，考虑了地面基站群集网络分别服务于静止和移动类型的无人机用户设备，通过应用最大比传输，研究不同系统参数对覆盖概率的影响，揭示了合作距离、高度和速度的变化如何影响无人机用户设备的性能表现。

    Aug, 2019

  • 多智能体强化学习用于协作无人机卸载蜂窝通信

    通过多代理强化学习框架，本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法，其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。

    Feb, 2024

  • DroneOptiNet: 5G 及更高的太阳能小型蜂窝网络优化无人机载荷转移机制的框架

    通过使用空中基站（由无人机搭载）进行可靠和安全的电力再分配，减少基站的停电，并保持一致的吞吐稳定性，从而提高无线通信系统的可靠性和稳健性。

    Nov, 2023

  • 多无人机网络中的强化学习：部署和移动设计

    该论文提出了一个新的框架，用于质量体验驱动的多个无人机的部署和动态移动，并使用遗传算法 K-means 算法和 Q-learning 算法实现了解决非凸 3D 部署和运动问题。

    Apr, 2019