面向无人机通信感知轨迹设计的连续迁移学习
信号处理
2024-05-17 v1
摘要
深度强化学习(DRL)成为无人机(UAV)轨迹规划的主要解决方案，提供在高维空间中导航、适应动态环境以及基于实时反馈做出顺序决策的能力。尽管有这些优势，当无人机面对新环境时，使用DRL进行无人机轨迹规划需要大量重新训练，导致资源和时间浪费。因此，开发能够减少DRL模型重新训练开销的技术至关重要，使其能够适应不断变化的环境。本文提出了一种新方法，使用双深度Q网络(DDQN)模型作为预训练基础，然后通过连续迁移学习(CTL)适应不同的城市环境，从而减少大量重新训练的需求。我们的方法包括迁移学习到的模型权重并调整学习参数，包括学习率和探索率，以适应每个新环境的特定特征。我们在三个场景中验证了方法的有效性，每个场景具有不同的相似度。与从头开始的DDQN模型相比，CTL显著提高了学习速度和成功率。对于相似环境，迁移学习(TL)提高了稳定性，加速了65%的收敛，并在不同环境中促进了35%的更快适应。
引用
@article{arxiv.2405.10087,
title = {Continuous Transfer Learning for UAV Communication-aware Trajectory Design},
author = {Chenrui Sun and Gianluca Fontanesi and Swarna Bindu Chetty and Xuanyu Liang and Berk Canberk and Hamed Ahmadi},
journal= {arXiv preprint arXiv:2405.10087},
year = {2024}
}
备注
6 pages