无人机和元宇宙之间的协同作用催生出一种名为无人机元宇宙的新范式，它创建了一个统一的生态系统，将物理空间和虚拟空间相融合，改变了无人机的互动和虚拟探索。我们提出了一种基于修剪技术的小型机器学习斯塔克贝格博弈框架，用于实现无人机元宇宙中高效的 UT 迁移，其次设计了一种 Tiny MADRL 算法，以获得表示最优博弈解的小型网络。数值结果表明，我们的方案比传统方案具有更好的性能。

Jan, 2024

优化资源分配的车辆孪生系统中车载元宇宙的迁移机制，基于拍卖的机制采用生成预训练变换器 (GPT) 为基础的深度强化学习 (DRL) 算法，在不同设置下比较了社会福利和拍卖信息交流成本的性能，并证明了我们提出的 GPT-based DRL 拍卖方案具有更好的性能。

Jun, 2024

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

本研究提出了一个基于实时轨迹预测和多智能体深度强化学习技术的动态迁移框架，以解决虚拟汽车元宇宙中的任务迁移问题。数值结果表明，我们提出的算法可以有效地减少大约 25％的任务执行延迟，并改善用户在 AIoT-enabled Vehicular Metaverse (AeVeM) 中的沉浸式体验。

Jun, 2023

本文提出了一种基于生成式 AI 的物理 - 虚拟同步框架，用于车辆元宇宙。在物理到虚拟同步方面，由自动驾驶汽车生成的数字孪生（DT）任务通过 RSU 进行执行，在生成未来路径的同时，通过生成式人工智能模型基于用户首选项对元宇宙 AR 推荐器（MARs）进行多样化和个性化的推荐。

Jan, 2023

本研究提出一种自动驾驶架构，利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率，并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。

Feb, 2023

通过引入数字孪生技术来减少无人机网络实际训练的成本，该方法使用两个级联神经网络进行优化，同时保证了训练性能。

Oct, 2023

本文提出一个基于强化学习的框架，以最小化道路碰撞、最大化通信数据速率的目标，同时优化自动驾驶车辆的网络选择和驾驶策略。通过将问题转化为马尔可夫决策过程并基于深度 Q 学习来优化加速度、减速度、变道和车辆 - 基站分配等行为，实现了安全驾驶和以改进的连通性。

Aug, 2022

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

本研究旨在探索使用助理无人机的上行语义通信，以提高偏远地区元宇宙用户的数据采集效率。为了在重建质量和计算能量成本之间平衡的同时减少上行数据采集时间，我们提出了一种混合动作强化学习框架，用于在语义模型规模、信道分配、传输功率和无人机轨迹上做出决策。变量分为离散类型和连续类型，并由两个不同的强化学习代理进行优化以生成合并的动作。模拟结果表明，所提出的混合动作强化学习框架可以在不同的参数设置下有效提高上行语义数据采集的效率，并优于基准情况。

Aug, 2023