MMApr, 2022

使用深度强化学习优化无人机辅助网络能源效率

PDF
TL;DR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。
unmanned aerial vehiclesenergy efficiencymulti-agent reinforcement learningtrajectory designinterference
发现论文，激发创造
  • 密度感知强化学习优化无人机辅助网络能效

    该论文提出了一种密度感知的通信多智能体去中心化双重深度 Q 网络方法，它最大化了每个无人机的轨迹、已连接用户数量和无人机的能耗，同时跟踪密集和不均匀的用户分布。该方法优于现有技术 65％-85％的能源效率。

    Jun, 2023

  • 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

  • 基于 5G 的无人机细胞连接：深度强化学习干扰管理

    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

  • 基于深度强化学习的无人机三维轨迹与数据采集优化

    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。

    Jun, 2021

  • SREC: 基于深度强化学习的能量受限无人机网络的主动自我修复

    该研究探讨了当无人机网络中一架或多架无人机能量不足准备告别网络充电时，应该如何采取措施来提高用户满意度。研究使用深度强化学习来实现无人机的自我维护，并在数值实验中取得了积极的成果。

    Sep, 2020

  • 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

  • 基于公平性的便携式接入点能效 3D 路径规划：一种深度强化学习方法

    通过采用深度强化学习控制策略以最大化公平能效（FEE）指标来优化无人机提供给一组地面节点的无线服务，从而显着提高了城市、郊区和密集市区实验中的用户公平性、能量效率和整个系统的公平能效值。

    Aug, 2022

  • 基于无人机三维网络的深度强化学习干扰管理：潜力和挑战

    该研究提出了一种利用深度强化学习和多智能体强化学习解决多小区蜂窝网络中无线电干扰问题的方案，该方案可在不知道干扰频道信息的情况下提高干扰管理的效能，使民用无人机继续发展。

    May, 2023

  • 基于分层深度强化学习的多无人机辅助无线供电动态通信设计

    该研究提出了一种在多个无人机的辅助下，针对动态环境中的无线供能通信网络（WPCN）的新设计。通过引入新的基于双阈值的无线节点类型更新规则，以及多智能体深度强化学习（MAHDRL）框架，能有效解决航迹决策和能源传输与数据收集决策的优化问题。通过大量的仿真实验结果验证了该方法在各种国际先进基准测试中的卓越性能。

    Dec, 2023