基于资源受限多主体强化学习的 JCAS-MARL：面向联合通信与感知无人机网络
信息论
2026-03-24 v1 人工智能
机器学习
多智能体系统
系统与控制
系统与控制
math.IT
摘要
大规模检查和监视任务中，多无人机网络日益增多，其中 operational performance 取决于感知可靠性、通信质量和能源约束的协调。在 particular，快速增加的垃圾箱溢存和非法倾倒点已引发对高效废弃物热点检测的需求。本文引入 JCAS-MARL，一个面向联合通信与感知(JCAS)-启用无人机网络的资源感知多主体强化学习(MARL)框架。在该框架中，多个无人机在共享环境中运行，其中每个 agent 同时控制其轨迹和用于感知和通信的 OFDM 波形的资源分配。将电池消耗、充电行为及其相关 CO 排放纳入系统状态以建模真实的 operational 约束。信息在由无人机位置和无线信道条件决定的动态通信图上共享。废弃物热点检测需要多个无人机达成共识以提高可靠性。通过该环境，本文研究 MARL 策略如何在 JCAS-启用无人机网络中利用感知-通信-能源权衡。仿真结果表明，agent 学习的自适应 pilot 密度控制可优于静态配置，特别是在感知准确性和通信连通性在环境中各处不同的情景下。
引用
@article{arxiv.2603.20265,
title = {JCAS-MARL: Joint Communication and Sensing UAV Networks via Resource-Constrained Multi-Agent Reinforcement Learning},
author = {Islam Guven and Mehmet Parlak},
journal= {arXiv preprint arXiv:2603.20265},
year = {2026}
}
备注
6 pages, 8 figures, submitted to the conference