基于深度逆强化学习学徒学习的蜂窝连接无人机联合路径规划与功率分配
机器学习
2023-06-21 v1 人工智能
分布式、并行与集群计算
计算机科学与博弈论
系统与控制
系统与控制
机器学习
摘要
本文研究稀疏郊区环境中蜂窝连接无人机（UAV）的干扰感知联合路径规划与功率分配机制。无人机的目标是从起点沿小区飞行到达终点，以保证所需服务质量（QoS）。具体而言，考虑到最短路径和飞行资源限制，无人机旨在最大化其上行链路吞吐量并最小化对连接到相邻蜂窝基站的地面用户设备（UEs）的干扰水平。利用专家知识体验该场景并为智能体（即无人机）训练定义期望行为。为解决问题，采用了基于 Q-learning 和深度强化学习（DRL）的逆强化学习（IRL）学徒学习方法。该方法的性能与称为行为克隆（BC）的示范学习技术（使用监督学习方法）进行比较。仿真与数值结果表明，所提方法可达到专家级性能。我们还证明，与 BC 技术不同，我们所提方法的性能在未见情形下不会退化。
引用
@article{arxiv.2306.10071,
title = {Joint Path planning and Power Allocation of a Cellular-Connected UAV using Apprenticeship Learning via Deep Inverse Reinforcement Learning},
author = {Alireza Shamsoshoara and Fatemeh Lotfi and Sajad Mousavi and Fatemeh Afghah and Ismail Guvenc},
journal= {arXiv preprint arXiv:2306.10071},
year = {2023}
}