天空中的联邦学习：无人机群的联合功率分配与调度

无人机群必须利用机器学习来执行从协调轨迹规划到合作目标识别等各种任务。然而，由于无人机群与地面基站之间缺乏连续连接，使用集中式机器学习将面临挑战，尤其是在处理大量数据时。本文提出了一种新颖的框架，用于在由一架领导无人机和多架跟随无人机组成的无人机群中实现分布式联邦学习算法。每架跟随无人机根据其收集的数据训练本地联邦学习模型，然后将训练好的本地模型发送给领导无人机，领导无人机聚合接收到的模型，生成全局联邦学习模型，并通过群内网络将其传输给跟随者。为了识别无线因素（如衰落、传输延迟以及由风和机械振动引起的无人机天线角度偏差）如何影响联邦学习的性能，我们对联邦学习进行了严格的收敛性分析。然后，提出了一种联合功率分配和调度设计，以优化联邦学习的收敛速率，同时考虑收敛过程中的能量消耗和群控系统施加的延迟要求。仿真结果验证了联邦学习收敛分析的有效性，并表明与基线设计相比，联合设计策略可将收敛所需的通信轮次减少多达 35%。