Mar, 2024

多无人机抗干扰路径规划基于 GCN

PDF
TL;DR通过利用无人机集体智能预测干扰区域，回避干扰并高效地达到目标，本文提出了一种鲁棒、可扩展和计算高效的路径规划方法，利用图卷积网络预测干扰区域的位置和强度，并通过多智能体控制算法实现无人机群集的分散和再聚集。模拟实验表明该方法有效地预测了干扰区域并通过避障算法成功回避干扰，最终实现了任务目标的达成。该方法适用于无人机群集在潜在敌对环境中操作的各种情景。
uav swarmsantijamming strategiespath planningcollective intelligencegraph convolutional networks
发现论文，激发创造
  • 多个无人机的鲁棒路径规划：基于深度强化学习

    本研究旨在针对移动干扰器存在的情况下，寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明，在没有干扰器信息的情况下，我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。

    Apr, 2021

  • 基于深度强化学习的无人机辅助抗干扰蜂窝通信

    本文提出了一种基于深度强化学习的无人机中继框架，旨在通过在动态博弈中使用以前的反干扰中继体验和观察到的当前网络状态来帮助移动用户抵御智能干扰，从而降低丢包率，提高能源利用效率。

    May, 2018

  • 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

  • 基于射频图的蜂窝网络无人机路径规划

    本文针对基于蜂窝网络的无人机路径规划问题，提出了使用无线电信号映射技术和图论算法进行路径规划的方法，旨在最小化从起始点到终点的飞行距离，并同时保证在飞行过程中与地面基站之间的通信质量达到预期要求。该方法在降低计算复杂度的同时，能够有效地实现路径规划任务，且可以通过调整无线电信号映射的量化比率来权衡算法的性能和复杂度。

    May, 2019

  • 一种认知无人机抗干扰的新资源分配方法：主动推理方法

    本文提出了一种基于主动推理的认知无线电资源分配策略，并以认知无人机为案例研究。在外部环境中，提出了一种主动广义动态贝叶斯网络来编码物理信号动态和无人机与干扰源之间的动态交互。通过避免出现令人惊异的状态（最小化异常值），将行动和规划视为贝叶斯推理问题进行求解。仿真实验表明，与传统的频率跳跃和 Q-learning 相比，提出的主动推理方法在最小化异常值（最大化奖励）方面非常有效，并具有很高的收敛速度。

    Aug, 2022

  • 基于 Q-learning 的无人机群障碍物环境路径规划系统

    本文论述了如何使用基于强化学习的 Q-learning 算法来解决具有障碍物的环境下，多 UAV 自主控制的路径规划问题。实验表明，该系统在实现完全覆盖目标区域的同时，能够以较少的动作数节约路径长度和能源消耗。

    Mar, 2023

  • 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

  • 应用 MPC - 强化学习方法的无人机路径规划考虑避障

    本文提出一种基于深度学习算法的无人机航迹规划方法，采用 LSTM-MPC 作为决策策略，并结合预测池来提高系统鲁棒性和效率，同时通过数值仿真实验验证了该方法的有效性。

    Feb, 2023

  • 联合轨迹和功率控制实现无人机通信安全

    本文旨在通过应用物理层安全技术，解决在空中 - 地面无线信道中实现与地面节点的安全无人机通信所面临的新挑战。提出了最大化 U2G 和 G2U 传输平均保密速率的问题，通过优化运动路径和合法发射器的传输功率来解决问题。模拟结果表明，与其他基准方案相比，所提出的算法可以改善 U2G 和 G2U 通信的保密速率。

    Jan, 2018

  • 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