面向无人机辅助智能农场网络中任务卸载的深度强化学习
网络与互联网体系结构
2022-09-16 v1 人工智能
摘要
第五代与第六代无线通信网络正赋能物联网设备、无人机(unmanned aerial vehicles, UAVs)与人工智能等工具,通过设备网络自动监测农田以改善农业形态。勘测大面积区域需要在特定时间内完成大量图像分类任务,以便在火灾或洪水等突发事件中防止农场受损。无人机能量与计算能力有限,可能无法在适当时间内本地完成所有高负荷图像分类任务。因此,假设无人机能够将部分工作负载卸载至附近的多接入边缘计算设备。无人机需要一种决策算法,在考虑网络中其他无人机的时限约束与能量水平的同时,决定任务在何处执行。本文中,我们引入一种深度 Q 学习(Deep Q-Learning, DQL)方法来求解这一多目标问题。所提方法与 Q-Learning 及三种启发式基线进行比较,仿真结果表明我们提出的基于 DQL 的方法在无人机剩余电量与截止时间违例百分比方面取得相当结果。此外,我们的方法达到收敛的速度比 Q-Learning 快 13 倍。
引用
@article{arxiv.2209.07367,
title = {Deep Reinforcement Learning for Task Offloading in UAV-Aided Smart Farm Networks},
author = {Anne Catherine Nguyen and Turgay Pamuklu and Aisha Syed and W. Sean Kennedy and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2209.07367},
year = {2022}
}
备注
Accepted Paper