面向无人机 mobility 管理的可解释人工智能：基于深度 Q 网络 handover 最小化方法
机器学习
2025-04-28 v1 系统与控制
系统与控制
摘要
将无人机（UAV）集成到细胞网络中，由于受多基站（BS）概率性直线视距条件影响，导致频繁 handover， presents 显著的 mobility 管理挑战。为解决此问题，基于强化学习（RL）的方法，尤其是深度 Q 网络（DQN），被用于动态优化 handover 决策。然而，这类学习方法的主要缺点是其黑箱特性，限制了决策过程的可解释性。本文引入基于 Shapley 加法解释（SHAP）的可解释人工智能（XAI）框架，以提供更深入的见解，了解各种状态参数如何影响 DQN 基于 mobility 管理系统中的 handover 决策。通过量化关键特征（如参考信号接收功率（RSRP）、参考信号接收质量（RSRQ）、缓冲区状态和 UAV 位置）的影响，我们的 method 增强了基于 RL 的 handover 解决方案的可解释性和可靠性。为验证和比较我们的 framework，我们利用来自无人机飞行试验的真实世界网络性能数据。仿真结果表明，我们的方法为 AI 驱动模型与人类 decision-maker 之间提供了直观的解释。
引用
@article{arxiv.2504.18371,
title = {Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization},
author = {Irshad A. Meer and Bruno Hörmann and Mustafa Ozger and Fabien Geyer and Alberto Viseras and Dominic Schupke and Cicek Cavdar},
journal= {arXiv preprint arXiv:2504.18371},
year = {2025}
}
备注
Submitted to IEEE PIMRC 2025