Jun, 2021

基于深度强化学习的无人机三维轨迹与数据采集优化

PDF
TL;DR本文旨在通过设计并运用基于最短路径的无人机来提升物联网设备数据的收集和资源分配。同时，设计了一个基于深度强化学习的技术来获取特定区域内的最优轨迹和吞吐量，从而实现了无人机自主收集所有数据的目标，而且显著提高了总速率，最小化了关联资源的使用。实验结果证实了方案在效率、轨迹、时间等方面的优势。
发现论文，激发创造
  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 细胞无人机互联网的强化学习：协议设计、轨迹控制和资源管理

    该文介绍了在 UAVs 的 cellular IoT 环境下，使用分布式的 sense-and-send 协议协调 UAVs 进行感知和传输，并应用强化学习解决轨迹控制和资源管理等关键问题的方法。

    Nov, 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

  • 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

  • 马尔可夫物联网模型中的交通学习和主动型无人机轨迹规划与数据上行

    通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

    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

  • 无人机 IoT 网络中的可靠高效数据采集

    通过集成无人机到物联网网络中，我们探讨了无人机辅助物联网网络的通信和网络方面，涵盖了数据收集方法、性能指标、数据准确性和一致性、网络连接性以及数据安全与隐私等方面，同时讨论了无人机轨迹和路径规划、避碰、传感器网络聚类、数据聚合、无人机群集形成和人工智能优化等高效的数据收集策略，并提出了增强数据收集可靠性和效率的两个无人机服务用例，最后讨论了无人机辅助物联网网络数据收集面临的未来挑战。

    Nov, 2023

  • 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

  • 通过无人机群体进行大规模物联网中的年龄最小化：一种多智能体增强学习方法

    应用多智能体深度强化学习来解决大型物联网场景中的高维问题，通过部署一群无人机 (UAV swarm) 为物联网网络提供覆盖，并最小化信息时效，结果表明合作和部分合作的多智能体深度强化学习方法能够优于复杂度高的集中式深度强化学习方法。

    Sep, 2023

  • 使用深度强化学习优化无人机辅助网络能源效率

    本文研究了无人机供应无线覆盖时的能源效率优化问题，提出了一种基于多智能体去中心化双重深度 Q 网络的算法，优化了每个无人机的三维航迹、连接用户数量和使用能源的协同优化，结果达到比现有基线方法提高 55% 至 80% 的能源效率。

    Apr, 2022