基于马尔可夫决策过程的工作负载感知调度用于基础设施辅助的基于学习的多无人机监控网络
机器学习
2023-09-06 v2 计算机视觉与模式识别
摘要
在现代网络研究中，基础设施辅助的无人驾驶自主飞行器（UAV）正被积极考虑用于基于实时学习的监控与空中数据投递，其具备意外的 3D 自由移动与协同能力。在该系统模型中，必须考虑 UAV 的功率限制，以及基础设施/塔台中用于异常行为检测的自主目标识别深度学习性能。为克服 UAV 的功率限制，本文提出一种多 UAV 与多塔台间的新颖空中调度算法，其中塔台向 UAV 进行无线能量传输。此外，为兼顾塔台中高性能学习模型训练，我们还提出一种数据投递方案，使 UAV 公平地向塔台投递训练数据，以防止数据不平衡引发的问题（例如由较大数据投递导致的巨大计算开销，或由较少数据投递导致的过拟合）。因此，本文提出一种多塔台与多 UAV 间的工作负载感知调度算法，用于联合实现塔台向其关联 UAV 的功率充电，以及 UAV 向其关联塔台的训练数据投递。为在每个单位时间计算工作负载感知的最优调度决策，我们所提调度问题的求解方法基于马尔可夫决策过程（MDP）设计，以处理（i）时变低复杂度计算与（ii）伪多项式最优性。性能评估结果所示，我们提出的算法确保了（i）塔台与 UAV 间资源交换的充分时间，（ii）相较其他算法，过程中最均衡且均匀的数据收集，以及（iii）所有塔台性能收敛至最优水平。
引用
@article{arxiv.2301.07306,
title = {Improve Noise Tolerance of Robust Loss via Noise-Awareness},
author = {Kehui Ding and Jun Shu and Deyu Meng and Zongben Xu},
journal= {arXiv preprint arXiv:2301.07306},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2002.06482