本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析，同时，提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率，同时考虑了能量消耗和延迟要求。仿真结果验证了FL收敛分析的有效性，并表明联合设计策略可以将收敛所需通信轮数比基准设计减少35％。

Feb, 2020

本文提出了一个多无人机网络上异步联邦学习框架，避免将原始数据发送到无人机服务器中进行模型训练，同时提出了异步优势演员-评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明，相比于现有解决方案，我们的方案实现了更高的学习准确度和更快的联邦执行时间。

Nov, 2020

研究使用无人机队列跨越一组地理分散、资源受限的设备集来训练机器学习模型；其中，关于设备群集的时间变化数据异构性和计算资源不足性，推动了我们方法的四个关键部分：（i）分层的领导机、工作机和协调机无人机群体、（ii）个性化联合学习(HN-PFL)的分层嵌套，一种跨工作-领导-核心网络层次的分布式机器学习框架，（iii）通过在无人机群体之间进行模型训练，合作无人机资源汇集以解决设备的计算不足问题，（iv）模型/概念漂移来对时间变化的数据分布进行建模，同时考虑微观（即无人机级别）和宏观（即群体级别）系统设计，微观水平上，我们提出了网络感知HN-PFL，在该方案中，我们在群体内分布式地编排无人机，以优化能耗和机器学习模型性能，并具有性能保证。 在宏观水平上，我们关注群体轨迹和学习持续时间设计，将其作为顺序决策问题并通过深度强化学习来解决。通过模拟，证明了我们方法在机器学习性能、网络资源节约和群体轨迹效率方面的改进。

Jun, 2021

本文提出了一种基于飞行器交通监控系统的反应性方法，通过合理分配无线资源，提高联邦学习中针对特定关键对象类的学习，应用于计算机视觉任务，并且证明了该方法通过针对不同学习器的贡献可以提高系统的准确性，尤其是当联邦学习的对象类在网络中缺乏代表性时。

Aug, 2021

运用神经结构搜索技术(NAS), 我们为视觉姿态估计任务自动确定了几个帕累托最优的卷积神经网络(CNNs), 以适应小型UAV硬件限制的特点，展示了现实生活中多个NAS优化的CNNs可以在27克的Crazyflie纳米UAV上运行，并通过降低32％的实地控制误差，具有实时的推断速率 ~10Hz@10mW和~50Hz@90mW，从而进一步优化了CNNs。

Mar, 2023

本文提出了两种基于去中心化的联邦学习聚合方法——可交换联邦学习、交替式联邦学习，用于解决现有模型机器学习模型在无人机领域数据隐私、通信成本、以及能源等方面存在的问题，通过控制本地训练轮数、本地通信以及全局通信的方式，可有效地控制能源消耗和通信成本，模拟结果表明该方法在运行稳定性、能源消耗和通信成本等方面优于现有的基准方法。

Apr, 2023

该研究提出了一种将实时请求划分为子任务，并基于可用资源在无人机群中分配的系统模型，以最小化传输延迟和提高可靠性。研究使用三个子问题来优化传输功率、无人机位置和CNN层数的放置，并通过模拟结果表明，该模型表现出比竞争模型更好的性能。

May, 2023

本文提出了一种基于边缘-雾计算的分布式执行方案，通过验证小型无人机上运行的随机子网络，以增强对云端计算的可靠性，同时提高了视觉位姿估计网络的性能和安全性。

Jul, 2023

近期研究通过深度学习解决自主移动控制和高效资源管理的问题，其中多主体强化学习和神经Myerson拍卖是主要方法。研究回顾了基于多主体强化学习和神经Myerson拍卖的自主移动控制，同时强调了二者结合的重要性以实现高效而可信的自主移动服务。

Jul, 2023

本研究论文讨论了无人机网络数据新鲜度和安全性的挑战，引入了基于变换增强深度强化学习方法的框架以解决窃听和干扰问题，并通过与现有算法的对比分析展示了其在无人机网络管理方面的优越性和前景。

Apr, 2024