Nov, 2023

使用 Transformer 的 UAV 辅助物联网网络中的 AoI 最小化数据采集的 UAV 轨迹规划

PDF
TL;DR通过考虑信息时代，本文研究了一种用于辅助集群式物联网网络的无人机（UAV）的轨迹规划问题，构建了一个优化问题，通过无人机从地面物联网网络中收集的数据的总信息时代的最小化来解决问题。利用状态良好的转换器和加权 A * 算法，设计了一种机器学习算法来求解所制定的问题，并证明该算法在 IoT 网络中具有不同数量的地面集群时具有很好的泛化能力，不需要重新训练模型。此外，结果表明，与其他算法相比，我们的算法可以找到具有最小总信息时代的更好的无人机轨迹。
freshnessdata collectionage-of-informationtrajectory planninginternet-of-things (iot) networks
发现论文，激发创造
  • 基于学习的多个无人机轨迹规划，以最小化 IoT 网络中的 AoI

    应用深度强化学习算法，联合设计无人机的轨迹，以最小化信息的年龄，从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案，该算法平均可降低 25％的信息年龄，并需要少至 50％的能量。

    Sep, 2022

  • 马尔可夫物联网模型中的交通学习和主动型无人机轨迹规划与数据上行

    通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

    Jan, 2024

  • 基于深度强化学习的无人机辅助网络中最小化信息时延的方法

    研究了一种 UAV 辅助的无线网络，通过 Markov 决策过程和深度强化学习算法优化飞行轨迹和任务调度来最小化信息年龄值的加权和，取得了显著的研究成果。

    May, 2019

  • 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

  • 使用集成深度神经网络在无人机辅助网络中最小化信息年龄

    该论文研究了在无人机辅助网络中的信息时代（Age-of-Information，AoI）问题，并通过优化无人机的停止位置和设备选择概率来最小化设备之间的平均 AoI。为了解决这个问题，论文首先推导了一个包括设备选择概率的平均 AoI 的闭合形式表达式。然后，将该问题建模为一个带有服务质量约束的非凸最小化问题。由于该问题难以求解，论文提出了一种基于集成深度神经网络（Ensemble Deep Neural Network，EDNN）的方法，该方法利用了所研究问题的双重形式化。具体而言，集成中的深度神经网络（Deep Neural Networks，DNNs）通过使用所研究问题的 Lagrangian 函数进行无监督方式的训练。实验结果表明，所提出的 EDNN 方法在减少平均 AoI 方面优于传统的 DNN 方法，实现了 29.5% 的显著降低。

    Sep, 2023

  • 利用空中可重构智能表面优化信息时效的深度强化学习方法

    本篇研究探讨将无人机和可重构智能表面元素与物联网设备集成以被动中继信息的好处，并通过优化问题来最小化平均信息时效，并且使用近端策略优化算法来解决混合整数非凸优化问题，结果表明我们的算法在 AoI 方面优于其他所有算法。

    Nov, 2020

  • 利用深度 Q 学习最小化支持雾计算的车联网信息时代

    本文介绍了一种利用数据驱动的方案，优化联网车辆的驾驶路线，以保证信息时延的可信度，利用商用 LTE 网络测量车辆之间的连接延迟，建立连接车辆信息时延模型，在此基础上提出了一种基于 DQN 的算法来确定最优驾驶路线，结果表明该方法可以提高接口保持服务的 AoI 信心水平

    Apr, 2020

  • 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划：在 CSI 不确定性下减小 AoI

    用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

    May, 2023

  • 保障天空：具有 AoI 感知的 IRS 辅助安全多无人机系统和高效任务卸载

    本研究论文讨论了无人机网络数据新鲜度和安全性的挑战，引入了基于变换增强深度强化学习方法的框架以解决窃听和干扰问题，并通过与现有算法的对比分析展示了其在无人机网络管理方面的优越性和前景。

    Apr, 2024

  • 无人机群预测与优化轨迹的人工智能算法

    研究论文探讨了人工智能技术在无人机飞行轨迹生成中的应用。研究主要关注准确预测无人机路径和高效避免碰撞所面临的挑战，通过系统地应用多样化的激活函数于单隐藏层前馈神经网络，提高了路径预测准确性。同时，提出了一种新的激活函数 “AdaptoSwelliGauss”，将 Swish 和 Elliott 激活函数与高斯分量相融合，用于无人机轨迹复杂性的捕捉。此外，提出了综合的碰撞检测、避免和分组策略，通过改变无人机轨迹和起飞时间来避免碰撞，克服了两种策略各自的不足。

    May, 2024