基于迁移学习的无人机轨迹训练能耗降低
信号处理
2025-01-22 v1
摘要
6G技术的出现对支持超低时延、高连接性和高设备密度的灵活、可扩展无线架构提出了挑战。Open Radio Access Network (O-RAN) 框架凭借其开放接口和虚拟化功能，为此类架构提供了可行的基础。然而，传统固定基站单凭其应对动态网络需求的灵活性有限，无法充分发挥O-RAN优势。将无人机(UAV)作为O-RAN架构中的移动单元，提供了解决方案，利用无人机的灵活性动态扩展覆盖范围。然而，运行于多样化环境中的无人机需要频繁重新训练，导致能源浪费。我们提出了基于Dueling Double Deep Q网络(DDQN)的迁移学习方法，采用多步学习，显著降低了无人机适应新环境所需的训练时间和能源消耗。我们设计了仿真环境，并使用真实地图数据在Wireless InSite中进行射线追踪实验。在两个仿真环境中，训练能耗分别降低了30.52%和58.51%。此外，在渥太华和罗斯林的真实地图测试中，能耗分别降低了44.85%和36.97%。
引用
@article{arxiv.2501.11243,
title = {Energy Consumption Reduction for UAV Trajectory Training : A Transfer Learning Approach},
author = {Chenrui Sun and Swarna Bindu Chetty and Gianluca Fontanesi and Jie Zhang and Amirhossein Mohajerzadeh and David Grace and Hamed Ahmadi},
journal= {arXiv preprint arXiv:2501.11243},
year = {2025}
}
备注
6 pages, 8 figures