基于Lyapunov引导的扩散型强化学习方法用于延迟CSI反馈下的无人机辅助车联网
网络与互联网体系结构
2025-07-29 v1
摘要
低空无人机（UAV）预计将促进空中-地面集成智能交通系统的发展，并释放低空经济潜力。然而，仍存在网络资源优化、无人机轨迹规划、UAV续航有限以及信道状态信息（CSI）不完美等诸多关键挑战。本文通过探索智能无人机辅助车联网通信策略，聚焦UAV能效，提供了新的低空经济网络见解。具体而言，我们构建了UAV辅助车联网中联合信道分配、功率控制与飞行高度调整的优化问题。考虑到CSI反馈延迟，本文旨在满足UAV长期能耗约束的前提下，最大化车联网通信总速率。为此，我们首先运用Lyapunov优化技术，将原长期问题分解为一系列时段确定性子问题。随后，我们提出一种扩散型深度确定性策略梯度（D3PG）算法，创新性地将扩散模型集成用于确定信道分配、功率控制和飞行高度调整的最优决策。通过使用真实世界车辆 mobility 轨迹进行大量仿真实验，我们展示了所提出D3PG算法在性能上优于现有基准解决方案。
引用
@article{arxiv.2507.20524,
title = {A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach for UAV-Assisted Vehicular Networks with Delayed CSI Feedback},
author = {Zhang Liu and Lianfen Huang and Zhibin Gao and Xianbin Wang and Dusit Niyato and Xuemin and Shen},
journal= {arXiv preprint arXiv:2507.20524},
year = {2025}
}
备注
13 pages, 11 figures, transactions paper