Jul, 2023

多无人机速度控制和避碰与切换意识的小区关联：具有行动分支的深度强化学习

PDF
TL;DR本研究提出了一个深度强化学习解决方案，用于优化多无人机的小区关联决策以及它们在三维空中高速公路上的移动速度。该论文的目标是提高交通和通信性能，包括避免碰撞、连通性和切换。使用了分支决策网络结构，模拟结果显示相比现有基准提高了 18.32% 的性能。
deep reinforcement learninguav cell-association decisions3d aerial highwaytransportation-communication spacesimulation results
发现论文，激发创造
  • 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 MADRL 的无人机轨迹设计及在车联网中的防碰撞机制

    在未来的 6G 网络中，无人机作为移动基站将发挥基础作用，特别是在车联网 (V2X) 应用中。本文提出了一种基于排名的二进制掩码方法，以解决多个无人机协作服务同一区域时的碰撞问题，提高训练性能并满足安全约束。

    Jan, 2024

  • 多智能体强化学习用于协作无人机卸载蜂窝通信

    通过多代理强化学习框架，本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法，其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。

    Feb, 2024

  • 利用深度强化学习实现无人机的同时导航和无线电映射

    本文提出了一种基于深度强化学习的覆盖感知导航方法，该方法利用移动无人机的可控机动性设计其导航 / 轨迹，避免了蜂窝基站覆盖漏洞，并提出了一种同时导航和无线电映射的框架。该模型通过深度 Q 网络（DQN）预测位置的中断概率，并预测期望回报，从而使得机器人学习效率大幅提升。

    Mar, 2020

  • 无线电联网无人机的联合路径规划和功率分配，利用通过深度反向强化学习的学徒学习

    该研究论文探讨了一种面向空中无人机的干扰感知联合路径规划和功率分配机制，旨在最大化上行吞吐量并降低地面用户设备的干扰，模拟结果表明该方法可以实现专家级别的性能水平。

    Jun, 2023

  • 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

  • 多无人机多 RIS 关注 QoS 的空中通信系统使用 DRL 和 PSO

    无人机在提供无线服务方面具有优势，但资源限制给应用带来挑战。本论文介绍了一种优化模型，通过无人机路径规划和多重反射面支持，最大化吞吐量和覆盖范围，通过深度强化学习和粒子群算法解决了线性规划技术的限制，并通过大量仿真实验证明在服务质量方面相比其他方法有较大的提升。

    Jun, 2024

  • 具有动作掩蔽的多智能体强化学习在无人机移动通信中的应用

    本篇论文研究使用多个无人机作为基站，通过联合优化无人机三维轨迹和 NOMA 功率分配来最大化系统吞吐量，并使用基于加权 K-means 的聚类算法建立无人机 - 用户关联，研究表明使用共享的 Deep Q-Network 在系统吞吐量和训练时间上表现优于传统的 DQN，同时还可以收敛于具有不同动作空间的多个智能体，与 NOMA 的结合可以实现比现有基线方案更好的总速率。

    Mar, 2023

  • 通过深度强化学习实现平滑轨迹避碰

    本论文针对 DRL 导航解决方案中的两个核心问题提出了多种新的代理状态和奖励函数设计，即平滑性训练轨迹和模型泛化能力，利用边缘奖励和平滑度约束来确保无人机平稳飞行，同时大大降低碰撞风险，并演示整个设计和各组件的有效性。

    Oct, 2022

  • 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