面向密集城市环境的深度无人机路径规划 with Assured Connectivity

5G 连接性无人航空器 (UAV) 服务是 emerging field，具有众多应用前景。operator-controlled UAV 飞行和手动静态飞行配置是 UAV 服务广泛采用可扩展性的主要限制。许多服务依赖于与细胞网络保持优秀的 UAV 连接性，而在预定飞行路径中维持这一点具有挑战性。本文通过提出一种深度强化学习 (DRL) 框架用于无人机路径规划 with Assured Connectivity (DUPAC)，来克服上述限制。在 UAV 飞行期间，DUPAC 根据距离和信号质量，从定义的源头到目的地确定最佳路径。使用 Unity 框架在模拟的真实世界城市场景下评估了 DUPAC 的可行性和性能。结果确认，DUPAC 在保持飞行全程平均 9% 更好连接质量的同时，仅比 base 方法增加 2% 即可实现自主 UAV 飞行路径。