本研究探讨了使用均场博弈框架操控无人机群的方法，借助神经网络进行函数近似和联邦学习，实现了无人机群的协同控制，并通过模拟实验验证了其性能。

Mar, 2020

该论文提出了一种名为 oHJB 的神经网络辅助远程无人机在线控制算法，通过解决 HJB 方程，该算法能够实时产生最佳控制动作，从而减少了无人机的行程时间和能量消耗。

Oct, 2019

本文提出了一种基于机器学习的灵活框架以数值解决潜在的平均场博弈和平均场控制问题，该框架避免使用空间离散化并利用拉格朗日和欧拉观点相结合的方法来近似解决高维问题。在标准工作站上近似解决了 100 维最优传输和人群运动问题，并在二维上进行了欧拉求解器的验证。这些结果为先前无法通过现有数值方法处理的 MFG 和 MFC 模型的应用开启了大门。

Dec, 2019

提出一种无人机辅助的移动边缘计算框架，采用多智能体深度强化学习算法来优化无人机的轨迹，同时通过低复杂度方法优化用户设备的卸载决策。该解决方案相较于传统算法在服务用户设备公平性、无人机负载公平性和所有用户设备的能耗上性能表现较好。

Sep, 2020

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

研究使用无人机队列跨越一组地理分散、资源受限的设备集来训练机器学习模型；其中，关于设备群集的时间变化数据异构性和计算资源不足性，推动了我们方法的四个关键部分：（i）分层的领导机、工作机和协调机无人机群体、（ii）个性化联合学习 (HN-PFL) 的分层嵌套，一种跨工作 - 领导 - 核心网络层次的分布式机器学习框架，（iii）通过在无人机群体之间进行模型训练，合作无人机资源汇集以解决设备的计算不足问题，（iv）模型 / 概念漂移来对时间变化的数据分布进行建模，同时考虑微观（即无人机级别）和宏观（即群体级别）系统设计，微观水平上，我们提出了网络感知 HN-PFL，在该方案中，我们在群体内分布式地编排无人机，以优化能耗和机器学习模型性能，并具有性能保证。 在宏观水平上，我们关注群体轨迹和学习持续时间设计，将其作为顺序决策问题并通过深度强化学习来解决。通过模拟，证明了我们方法在机器学习性能、网络资源节约和群体轨迹效率方面的改进。

Jun, 2021

本文研究了无人机的路径设计问题，提出了一种新的基于强化学习的算法，通过学习相应的 MDP 的状态 - 价值函数来求解，并使用瓦片编码对大状态空间进行处理。该算法使用原始测量或仿真生成的信号强度作为输入，可适用于在线和离线实现，并成功地避免了城市环境中蜂窝网络的覆盖漏洞。

May, 2019

本文提出了一种基于均场控制的智能机器人群体行为设计框架，结合碰撞避免和均场控制学习，通过单智能体分布控制实现多智能体分布控制，实现分布式开环应用并避免碰撞，并在理论和实践上对其进行了有效性验证。

Sep, 2022

本研究提出了一种基于全局轨迹布局及卷积网络预测与卡尔曼滤波融合的方法，重点解决自主微型飞行器的难以精确的导航、环境不确定以及姿态估计误差等问题，成功应用于 IROS2018 无人机比赛中并取得优异成绩。

Oct, 2018

本文提出了一种针对网络化无人机的干扰感知路径规划方案，使用基于回声状态网络的深度强化学习算法来解决路径规划问题，其中每架无人机旨在实现最大化能量效率和最小化无线延迟和干扰级别。模拟结果表明，该方案在减少对地面用户的干扰和无线传输延迟方面表现优异，并且需要比最短距离启发式基线考虑的步骤数量相当的步骤。

Jan, 2018