Jan, 2024

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

PDF
TL;DR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。
unmanned aerial vehiclesuav swarmdata collectionenergy consumptionmeta-reinforcement learning
发现论文，激发创造
  • 通过无人机群体进行大规模物联网中的年龄最小化：一种多智能体增强学习方法

    应用多智能体深度强化学习来解决大型物联网场景中的高维问题，通过部署一群无人机 (UAV swarm) 为物联网网络提供覆盖，并最小化信息时效，结果表明合作和部分合作的多智能体深度强化学习方法能够优于复杂度高的集中式深度强化学习方法。

    Sep, 2023

  • 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

  • 一种基于强化学习和凸优化的混合框架用于基于无人机的自主元宇宙数据采集

    本文提出了一种无人机辅助的 Metaverse 网络系统模型，通过资源分配和轨迹控制来提高数据收集效率，采用强化学习和凸优化的混合框架来解决时间依赖性优化问题，仿真结果表明该框架能够在给定传输功率资源下减少任务完成时间。

    May, 2023

  • 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

  • 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

  • 基于多智能体强化学习的无人机网络资源分配

    本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题，并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明，该算法在信息交互开销和性能提升之间取得了良好的平衡。

    Oct, 2018

  • 细胞无人机互联网的强化学习：协议设计、轨迹控制和资源管理

    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

  • 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

  • 基于深度强化学习的无人机辅助智能农场网络任务卸载

    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

  • 基于分布式多智能体元学习的 无线无人机网络轨迹设计

    本研究采用基于价值分解的强化学习算法来解决能量限制多个无人机在动态无线网络环境下的航迹规划问题，以最大化无人机服务的用户群组覆盖率，并通过元学习机制优化算法的性能。仿真结果显示，该算法相较于基准多智能体算法，能够分别提高 53.2% 的服务覆盖率和 30.6% 的收敛速度，并且在面对之前未见过的任务时，元学习可提高算法的收敛速度高达 53.8％。

    Dec, 2020