基于注意力式原语学习的多无人机辅助后灾难监控联合通信调度与速度控制
人工智能
2025-10-08 v1
摘要
近年来，无人机(UAV)日益被用于后灾难监控场景中，如海啸，因其紧急性质，及时行动可限制海岸线损毁。主要挑战在于设计数据收集计划和飞行速度，因不利的计划和速度可能导致传输错误和地面传感器缓冲区溢出，从而引起显著数据包丢失。与此同时，线上深度强化学习(DRL)解决方案训练过程复杂，且仿真与现实之间的差异无法满足海啸监控的紧急需求。近期大型语言模型(LLM)的进展提供了有力替代方案。凭借其强大的推理与泛化能力，LLM 可通过原语学习(ICL)适应新任务，这种能力通过自然语言提示和示例指导实现，无需重新训练。然而，LLM 模型存在输入数据限制，需定制化方法。本文提出联合优化多 UAV 数据收集计划与速度控制，以最小化数据丢失。考虑地面传感器电池电量、队列长度、信道条件以及 UAV 轨迹。提出基于注意力的原语学习速度控制与数据收集调度方法(AIC-VDS)，作为 DRL 的替代方案以应对紧急情况。仿真结果表明，所提 AIC-VDS 在深度 Q 网络(DQN)和最大信道增益基准方法中均表现更优。
引用
@article{arxiv.2510.05698,
title = {Joint Communication Scheduling and Velocity Control for Multi-UAV-Assisted Post-Disaster Monitoring: An Attention-Based In-Context Learning Approach},
author = {Yousef Emami and Seyedsina Nabavirazavi and Jingjing Zheng and Hao Zhou and Miguel Gutierrez Gaitan and Kai Li and Luis Almeida},
journal= {arXiv preprint arXiv:2510.05698},
year = {2025}
}