面向带AoI的UAV辅助通信的注意力增强提示决策Transformer
信号处理
2025-08-05 v1 信息论
math.IT
摘要
与传统深度强化学习（DRL）相比，决策Transformer（DT）近期在无人机（UAV）网络的动态资源分配中展现出了强大的泛化能力。然而，由于对变化状态维度的零填充、无法管理长期能量约束，以及在新场景下获取专家样本以进行少样本微调的挑战，其性能受到了阻碍。为了克服这些局限性，我们提出了一种注意力增强的提示决策Transformer（APDT）框架，用于优化轨迹规划和用户调度，旨在最小化UAV辅助物联网（IoT）网络中长期能量约束下的平均信息年龄（AoI）。具体而言，我们通过引入注意力机制以适应数量变化的地面用户，引入基于短轨迹演示的提示机制以快速适应新场景，并设计一种令牌辅助方法来解决UAV的长期能量约束，从而增强了传统的DT框架。APDT框架首先在离线数据集上进行预训练，然后高效地泛化到新场景。仿真表明，APDT的收敛速度提高了一倍，并且与传统DT相比，平均AoI降低了。
关键词
引用
@article{arxiv.2505.22170,
title = {Attention-Enhanced Prompt Decision Transformers for UAV-Assisted Communications with AoI},
author = {Chi Lu and Yiyang Ni and Zhe Wang and Xiaoli Shi and Jun Li and Shi Jin},
journal= {arXiv preprint arXiv:2505.22170},
year = {2025}
}