无人机多任务分割推理的节能功率控制：一种基于小学习的方法
机器学习
2024-01-02 v1 多智能体系统
机器人学
摘要
无人机有限的能量和计算资源阻碍了空中人工智能的应用。分割推理在无人机中的应用因其在降低计算和能量需求方面的有效性而受到广泛关注。然而，考虑到能量水平和延迟约束等各种关键参数，尤其是在涉及多个任务时，在无人机中实现节能的分割推理仍然复杂。本文提出了一种用于分割推理中能量最小化的两时间尺度方法，其中离散变量和连续变量被分离到两个时间尺度上，以减少动作空间的大小和计算复杂度。这种分离使得能够利用小强化学习（TRL）为顺序任务选择离散传输模式。此外，优化编程（OP）被嵌入到TRL的输出和奖励函数之间，以优化连续传输功率。具体来说，我们用传输时间的优化替代传输功率的优化，以降低OP的计算复杂度，因为我们发现能量消耗随传输时间的增加而单调递减。这种替代显著缩小了可行域，并根据最优传输功率的闭式表达式实现了快速求解。仿真结果表明，所提出的算法能够以更低的能量消耗实现更高的任务成功完成概率。
引用
@article{arxiv.2401.00445,
title = {Energy-Efficient Power Control for Multiple-Task Split Inference in UAVs: A Tiny Learning-Based Approach},
author = {Chenxi Zhao and Min Sheng and Junyu Liu and Tianshu Chu and Jiandong Li},
journal= {arXiv preprint arXiv:2401.00445},
year = {2024}
}