基于深度强化学习的无人机辅助可见光通信轨迹规划：最优高度与奖励设计
机器学习
2026-02-02 v1
摘要
近年来，无人机与可见光通信技术的融合已成为一种有前景的解决方案，可提供灵活的通信和高效的照明。本文研究了无人机辅助可见光通信系统中的三维轨迹规划问题，其中一架无人机被派去从地面用户处收集数据。核心目标是开发一个轨迹规划框架，以最小化无人机飞行距离，这等价于最大化数据收集效率。该问题被表述为一个具有挑战性的混合整数非凸优化问题。为解决该问题，我们首先在特定可见光通信信道增益阈值下推导出闭合形式的最优飞行高度。随后，我们通过将一种新颖的信息素驱动奖励机制与双延迟深度确定性策略梯度算法相结合来优化无人机水平轨迹，这使得无人机能够在复杂环境中采用自适应运动策略。仿真结果验证了，与基线方法相比，推导出的最优高度有效地将飞行距离减少了高达35%。此外，所提出的奖励机制将收敛步数显著缩短了约50%，在无人机辅助可见光通信数据收集的背景下展示了显著的效率提升。
引用
@article{arxiv.2601.22512,
title = {DRL-Enabled Trajectory Planing for UAV-Assisted VLC: Optimal Altitude and Reward Design},
author = {Tian-Tian Lin and Yi Liu and Xiao-Wei Tang and Yunmei Shi and Yi Huang and Zhongxiang Wei and Qingqing Wu and Yuhan Dong},
journal= {arXiv preprint arXiv:2601.22512},
year = {2026}
}