资源受限无人机群的低延迟、高可靠卷积神经网络分布式推理

May, 2023

资源受限无人机群的低延迟、高可靠卷积神经网络分布式推理

LLHR: Low Latency and High Reliability CNN Distributed Inference for Resource-Constrained UAV Swarms

Marwan Dhuheir, Aiman Erbad, Sinan Sabeeh

TL;DR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。

Abstract

Recently, unmanned aerial vehicles (UAVs) have shown impressive performance in many critical applications, such as surveillance, search and rescue operations, environmental monitoring, etc. In many of these applications, the UAVs capture images as well as other sensory data and then se

unmanned aerial vehicles swarm distributed inference low latency high reliability

发现论文，激发创造

协同无人机和卷积网络实现高效实时图像识别

在本文中，我们提出了一种旨在将推理请求分配到资源受限的 UAV 群体的策略，该策略可在无人机上对捕获的图像进行分类，并找到最小的决策延迟，其模型被制定为一个最小化获取图像与做出最终决策之间延迟的优化问题，我们提出了一种名为 DistInference 的在线启发式解决方案，以找到最佳延迟的分层策略，可以用于不同的低决策延迟应用程序以及所有 CNN 类型。

Jul, 2021

面向资源受限的无人机监控系统的分布式 CNN 推断：设计与优化

本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

May, 2021

农村环境监测中的无人机辅助分布式学习

利用无人机作为 IoT 环境监测的覆盖延伸中继器，本研究采用分割学习策略将边缘设备、无人机和服务器整合，以提高推理机制的适应性和性能，解决远程 IoT 学习应用中的连接和资源限制，并通过模拟分析证明了这种方法的鲁棒性和适应性。

Jul, 2024

基于无人机互联网的深度学习目标跟踪边缘计算卸载优化

利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。

Aug, 2020

无人机群的分布式机器学习：计算、感知和语义分析

本文综述了分布式学习算法在无人机群体中的应用，重点分析了其在通信服务、无线资源分配、用户分配、感知和卫星通信等方面的应用，并介绍了其在无线通信系统中的若干先进应用，并讨论了使用 DL-enable 的 UAV 群组所能解决的问题和挑战，同时提出未来的研究方向和开放性问题。

Jan, 2023

天空联邦学习：使用 UAV 集群进行联合功率分配和调度

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

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

基于深度学习的可见光通信无人机的最优部署

本文研究了使用可见光通信能力的无人机的动态部署问题，以优化 UAV 网络的能源效率。研究模型中，UAV 可以同时为服务地面用户提供通信和照明，因此需要考虑目标区域的照明分布进行 UAV 的部署优化。本文提出了结合门控循环单元（GRUs）和卷积神经网络（CNNs）的算法来解决这个问题，并取得了有效的降低总发射功率的结果。

Nov, 2019

多层网络支持下的无人机辅助在线机器学习：分层嵌套个性化联邦学习方法

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

基于 SMDPs 的功耗受限无人机中继多尺度自适应调度和路径规划

本文描述了一种使用无人机中继的去中心化群体编队协同技术，以增强地面基站的覆盖范围和服务能力，通过使用半马尔可夫决策过程和竞争群体优化对单个中继器进行了优化控制策略的导出，并通过复制和共识驱动的命令和控制泛化到 UAV 群体。我们演示了我们的框架相对于静态 UAV 中继部署的平均服务延迟和每个 UAV 功耗的优越性。

Sep, 2022