Aug, 2020

基于无人机互联网的深度学习目标跟踪边缘计算卸载优化

PDF
TL;DR利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。
unmanned aerial vehiclesconvolutional neural networkdeep learningmobile edge computinghierarchical distributed computing
发现论文，激发创造
  • 面向资源受限的无人机监控系统的分布式 CNN 推断：设计与优化

    本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

    May, 2021

  • 无人机辅助中继与边缘计算：调度和轨迹优化

    本篇论文主要研究了基于无人机辅助下的移动边缘服务架构，提出了一种交替优化算法可以在非凸的情况下最小化加权和能量消耗并进行计算资源调度、带宽分配和无人机轨迹规划等多个方面的联合优化，数值仿真结果表明了该算法的出色表现。特别是在处理计算密集型任务时，算法的优势更加明显。

    Dec, 2018

  • Ready Player One: 基于无人飞行器聚类的车联网 VR/AR 游戏多任务卸载

    本文提出了一种新的无人机群集架构，通过基于人工智能的决策制定，协同优化计算、缓存和通信资源，实现高效的多模式多任务任务卸载，提高了无人机群集的效率，并为计算与通信的融合提供了新的洞见。

    Apr, 2019

  • 基于能源效率的无人机辅助移动边缘计算：资源分配与轨迹优化

    本文研究了无人机辅助移动边缘计算，旨在通过联合优化无人机轨迹、用户传输功率和计算负载分配来最大程度地提高能源效率，并且采用分布式和并行问题求解来处理该问题。

    Jul, 2020

  • 基于能量限制的无人机辅助移动边缘计算用户关联及路径规划

    该论文使用无人机作为边缘计算服务器，联合优化用户关联、飞行路径和上传功率，以最大化所有用户的离线数据传输，同时满足无人机的能量约束和用户的服务质量要求。

    Oct, 2019

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022

  • 协同无人机和卷积网络实现高效实时图像识别

    在本文中，我们提出了一种旨在将推理请求分配到资源受限的 UAV 群体的策略，该策略可在无人机上对捕获的图像进行分类，并找到最小的决策延迟，其模型被制定为一个最小化获取图像与做出最终决策之间延迟的优化问题，我们提出了一种名为 DistInference 的在线启发式解决方案，以找到最佳延迟的分层策略，可以用于不同的低决策延迟应用程序以及所有 CNN 类型。

    Jul, 2021

  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018

  • 移动边缘计算中的性能优化：基于深度强化学习的方法

    本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

    Mar, 2018

  • 多智能体深度强化学习在多无人机辅助移动边缘计算中的轨迹规划应用

    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