在 Facebook 视频流平台，我们评估最新提出的基于 RL 的自适应比特率算法，采用可扩展的神经网络架构设计，利用贝叶斯优化进行奖励塑形，优化用户体验目标，以应对网络环境的随机性方差。在全球范围内超过 3000 万次视频流会话中，我们的 RL 方法优于现有的人工设计的算法。

Aug, 2020

用感知视频质量代替比特率，结合能量消耗、延迟等度量，提出 LL-GABR 深度强化学习算法，通过模拟实验结果验证其在感知 QoE 和能量效率上的优势。

Feb, 2024

无人机辅助传感器网络通过数据采集和数据包丢失最小化以及信息时代最小化来改善灾害管理、农业监测和数据收集等方面的效率。

Dec, 2023

本文通过机器学习，优化了一种高性能自适应码率算法 Pensieve，以适应不同 5G 网络特征和 UHD 内容的传输，提出了更精准的 QoE 指标，并在不同 5G 网络场景下进行评估，结果表明 Pensieve 5G 相比其他算法具有更高的平均 QoE 提升幅度。

Dec, 2022

传统编解码器的自适应比特率 (ABR) 一旦做出决策后无法进一步修改，且选择的比特率可能过于保守或过于激进，而神经网络表示法 (NeRV) 可以将视频内容嵌入神经网络权重，实现不完整模型下的视频重建，为视频传输的自适应比特率策略的开发铺平了道路。本文提出了一种名为 Evolutional Video streaming Adaptation via Neural representation (EVAN) 的新框架，它能够通过使用软演员 - 评论家 (SAC) 强化学习自适应地传输 NeRV 模型，并采用渐进播放来避免重新缓冲，实验结果表明，EVAN 能够比现有的 ABR 方法减少 50% 的重新缓冲，并实现近 20% 的性能提升。

Apr, 2024

在通信受限的灾难情景中，本文提出了一种微型无人机增强的内容管理系统。该系统在缺乏蜂窝基础设施的情况下，部署了一个由静止和移动无人机组成的混合网络，为孤立的社区提供重要的内容访问。通过装备有垂直和水平链接的静态锚定无人机，该系统满足本地用户的需求，而通过装备有水平链接和更高灵活性的机动微型运输无人机，系统可以覆盖多个社区中的用户。该系统的主要目标是设计一种自适应内容传播系统，动态学习缓存策略以最大限度地提高内容可访问性。本文提出了一种分散式的 Top-k 多臂赌博机学习方法，用于无人机缓存决策，以适应地理和时间上的内容流行度差异和多样化的内容需求。所提出的机制涉及一种选择性缓存算法，通过利用无人机之间的共享信息，自动减少内容的冗余副本。实验证明，Top-k 多臂赌博机学习和选择性缓存算法可以改善系统性能，同时使学习过程适应性更强。本文在各种网络规模、微型运输无人机群体和异构的流行度分布下对所提出的缓存框架进行了功能验证和性能评估。

Apr, 2024

该研究论文使用基于 CCTV 摄像头的无人机实现对智能城市的安全监测，并通过开发一种多智能体深度强化学习的管理方案，自主补充缺失网络要求，实现可靠的工业监测，该算法具有优于当前最先进算法的覆盖面积、用户支持能力和计算成本。

Jan, 2022

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

提出了一种多模态时空注意力转换器来生成多个视点轨迹，基于多视点预测的多智能体深度强化学习 (MADRL) 的自适应比特率流媒体算法，用于在不同的网络条件下最大化不同的体验质量 (QoE) 目标，实验结果显示与现有的自适应比特率方法相比，提出的方法可将定义的 QoE 度量改善高达 85.5%。

May, 2024

使用基于深度强化学习（DRL）算法控制的基于相机的交通灯系统以及无人机（UAVs）的 AVARS 系统，在都柏林模拟中验证，通过经济部署 UAVs 以应对意外交通拥堵，能够在 UAV 的典型电池寿命内有效恢复都柏林的交通拥堵至原始无拥堵水平。

Sep, 2023