Dec, 2020

基于分布式多智能体元学习的 无线无人机网络轨迹设计

PDF
TL;DR本研究采用基于价值分解的强化学习算法来解决能量限制多个无人机在动态无线网络环境下的航迹规划问题，以最大化无人机服务的用户群组覆盖率，并通过元学习机制优化算法的性能。仿真结果显示，该算法相较于基准多智能体算法，能够分别提高 53.2% 的服务覆盖率和 30.6% 的收敛速度，并且在面对之前未见过的任务时，元学习可提高算法的收敛速度高达 53.8％。
发现论文，激发创造
  • 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

  • 应用元强化学习进行策略性物联网部署在灾害应对无人机群的覆盖

    通过优化模型、轻量级元 - 强化学习解决方案以及广泛的模拟实验，在提供了快速收敛的同时，证明了介绍的方法在为战略位置提供覆盖方面优于现有的三种算法。

    Jan, 2024

  • 基于协作强化学习的无人机（UAV）三维轨迹设计及跟踪

    本文研究使用一个主动无人机和四个被动无人机实时定位一个三维目标无人机的问题，并提出了基于 Z 函数分解的强化学习方法，通过优化无人机的轨迹和主动无人机的发送功率，以最大化目标无人机的定位精度。仿真结果表明，所提出的 ZD-RL 方法相对于 VD-RL 和独立深度 RL 方法，可以减小定位误差多达 39.4% 和 64.6%。

    Jan, 2024

  • 面向多无人机协助边缘计算的个性化联邦深度强化学习轨迹优化

    在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

    Sep, 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

  • 一种基于强化学习和凸优化的混合框架用于基于无人机的自主元宇宙数据采集

    本文提出了一种无人机辅助的 Metaverse 网络系统模型，通过资源分配和轨迹控制来提高数据收集效率，采用强化学习和凸优化的混合框架来解决时间依赖性优化问题，仿真结果表明该框架能够在给定传输功率资源下减少任务完成时间。

    May, 2023

  • 机器学习增强的无人机反射表面轨迹与无源波束成形设计

    提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

    Oct, 2020

  • 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

  • 基于扩散的动态无人机辅助车辆双子迁移在车辆元宇宙中的强化学习

    本文提出了一种基于动态无人机辅助的车辆双生物迁移框架，使用空地一体化网络中的无人机作为辅助服务器，以平衡 RSU 的负载并提高双生物迁移质量。模拟结果表明，与其他基准方案相比，基于扩散式强化学习算法和无人机辅助的方法效果更好。

    Jun, 2024

  • 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