Jul, 2024

农村环境监测中的无人机辅助分布式学习

PDF
TL;DR利用无人机作为 IoT 环境监测的覆盖延伸中继器，本研究采用分割学习策略将边缘设备、无人机和服务器整合，以提高推理机制的适应性和性能，解决远程 IoT 学习应用中的连接和资源限制，并通过模拟分析证明了这种方法的鲁棒性和适应性。
distributed learninginference algorithmsunmanned aerial vehiclesiot environmental monitoringsplit learning
发现论文，激发创造
  • 无人机群的分布式机器学习：计算、感知和语义分析

    本文综述了分布式学习算法在无人机群体中的应用，重点分析了其在通信服务、无线资源分配、用户分配、感知和卫星通信等方面的应用，并介绍了其在无线通信系统中的若干先进应用，并讨论了使用 DL-enable 的 UAV 群组所能解决的问题和挑战，同时提出未来的研究方向和开放性问题。

    Jan, 2023

  • 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

  • 面向资源受限的无人机监控系统的分布式 CNN 推断：设计与优化

    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

  • 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

    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。

    Jan, 2024

  • 自主多无人机控制下的协作多智能体深度强化学习实现可靠监视

    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

  • 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

  • 使用隐私保护联邦学习的无人机网络：基于学习的联合调度和资源管理

    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

  • 互联网无人机图像自动识别的鲁棒半监督联邦学习

    利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。

    Jan, 2022

  • 无人机辅助传感器网络中的联合巡航控制和智能数据采集的深度强化学习

    无人机辅助传感器网络通过数据采集和数据包丢失最小化以及信息时代最小化来改善灾害管理、农业监测和数据收集等方面的效率。

    Dec, 2023

  • 资源受限无人机群的低延迟、高可靠卷积神经网络分布式推理

    该研究提出了一种将实时请求划分为子任务，并基于可用资源在无人机群中分配的系统模型，以最小化传输延迟和提高可靠性。研究使用三个子问题来优化传输功率、无人机位置和 CNN 层数的放置，并通过模拟结果表明，该模型表现出比竞争模型更好的性能。

    May, 2023