本文提出利用深度强化学习方法和三维地形图设计策略，解决无人机作为空中基站在紧急场景下如何协助地面设施提供无线连接的问题。实验结果证明该论文的方法比对照算法显著提高了覆盖率。

Nov, 2019

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

无人机可以作为空中基站在不同的紧急场景中为地面用户提供无线连接。本文提出了一种空间深度学习与多维精英表征存档（SDL-ME）算法，用于解决联合放置受限覆盖范围的多个空中基站，以最大化移动用户的平均覆盖率。算法通过将复杂的基站移动问题划分为多个子问题，并利用编码 - 解码深度神经网络（DNN）作为仿真器来捕捉基站与用户的空间相关性，从而减少与实际环境的交互成本，并提供了用于多个基站移动协调的规划 - 探索 - 服务方案。数值结果表明，所提出的方法在平均覆盖率、训练时间和 / 或样本效率方面显著优于基准深度强化学习（DRL）方法和其他两种基准方法。此外，所提出的方法在一次训练后可以应用于基站数目动态变化和 / 或具有不同 / 变化用户速度的场景，相对于传统的 DRL 方法更为鲁棒和灵活。

Dec, 2023

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

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

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

本文旨在通过应用物理层安全技术，解决在空中 - 地面无线信道中实现与地面节点的安全无人机通信所面临的新挑战。提出了最大化 U2G 和 G2U 传输平均保密速率的问题，通过优化运动路径和合法发射器的传输功率来解决问题。模拟结果表明，与其他基准方案相比，所提出的算法可以改善 U2G 和 G2U 通信的保密速率。

Jan, 2018

本篇论文提出了一种基于深度 Q 学习的决策算法，使得使用 UAV 和多接入边缘计算设备的无线网络能够有效地监测农田，通过图像分类来预防火灾或洪水等情况，并且与 Q 学习和三种基线算法相比，本文方法在监测效果和性能方面表现出了可比较的结果，而且能够比 Q 学习更快地达到收敛。

Sep, 2022

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

本文研究了利用无人机作为飞行基站为给定地理区域提供即飞即用无线通信的部署，提出了两个无人机工作场景，并对无人机高度、D2D 用户数量等相关参数进行覆盖概率和系统总速率分析，发现最优的无人机高度和覆盖概率存在较强的关联。同时，通过智能移动无人机来实现最小化覆盖整个区域所需的总传输功率，最后讨论了覆盖和延迟之间的权衡。

Sep, 2015