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

本文研究了采用无人机群集进行机器学习分类任务的性能，使用联邦学习方法对领导者和群体成员之间进行学习模型的改进，避免了过多的空地和地空通信。同时考虑 UAV 的能量约束和类别不平衡问题，与多个基准算法相比，显示出了在分类准确性、能量消耗和 UAV 可用性方面的大幅提升。

Aug, 2021

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

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

本研究旨在探讨在联邦学习中，一种针对无人机的在线轨迹设计问题，其中多个不同的社区存在，每个社区被唯一的任务定义所学习。在这种情况下，每个社区的空间分布设备通过无人机提供的无线链接协作贡献于对其社区模型的培训。通过引入一种启发式指标，我们提出了使用凸优化技术和图论一起优化无人机轨迹和设备调度的代理目标，以加速所有任务的学习进程，并且通过模拟实验证明了我们的解决方案相对于其他手动选择的静态和移动无人机部署基线的卓越表现。

Jun, 2022

本文提出了一种分布式的多智能体强化学习算法，可用于团队的无人机，通过使用协调均衡博弈解决动态联合行动的复杂问题，以及利用高效的函数逼近技术解决大量的状态空间表示挑战，通过仿真和实际实现验证了该无人机团队成功学习完成任务。

Mar, 2018

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

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

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

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