该文介绍了在 UAVs 的 cellular IoT 环境下，使用分布式的 sense-and-send 协议协调 UAVs 进行感知和传输，并应用强化学习解决轨迹控制和资源管理等关键问题的方法。

Nov, 2019

该研究论文使用基于 CCTV 摄像头的无人机实现对智能城市的安全监测，并通过开发一种多智能体深度强化学习的管理方案，自主补充缺失网络要求，实现可靠的工业监测，该算法具有优于当前最先进算法的覆盖面积、用户支持能力和计算成本。

Jan, 2022

通过集成无人机到物联网网络中，我们探讨了无人机辅助物联网网络的通信和网络方面，涵盖了数据收集方法、性能指标、数据准确性和一致性、网络连接性以及数据安全与隐私等方面，同时讨论了无人机轨迹和路径规划、避碰、传感器网络聚类、数据聚合、无人机群集形成和人工智能优化等高效的数据收集策略，并提出了增强数据收集可靠性和效率的两个无人机服务用例，最后讨论了无人机辅助物联网网络数据收集面临的未来挑战。

Nov, 2023

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

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

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

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

本文研究了无人机基站在自然灾害中提供快速，灵活和可靠的无线通信的控制方式，使用机器学习算法控制无人机的三维位置和天线倾斜角度，以便在灾区为遭受自然灾害影响的用户提供快速的通信服务。

Feb, 2022

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

本文介绍了在细胞连接的无人机领域中所涉及到的无线连接和安全挑战，提出了基于人工神经网络的方案来适应性地利用无线系统资源并在保证实时安全的情况下解决挑战。

Apr, 2018