具有避碰与连通性约束的基于学习的无人机轨迹优化
机器人学
2021-04-19 v2 信息论
机器学习
math.IT
摘要
无人机（UAV）有望成为无线网络的组成部分，而在满足与地面基站（GBS）连通性要求的同时为多架无人机确定无碰撞轨迹是一项具有挑战性的任务。本文中，我们首先将具有避碰和无线连通性约束的多无人机轨迹优化问题重新表述为离散时域中的序贯决策问题。随后，我们提出一种去中心化深度强化学习方法来求解该问题。更具体地，我们构建了一个值网络，用于编码给定智能体联合状态（包括该智能体信息、邻近智能体可观测信息以及邻近 GBS 位置）时到达目的地的期望时间。我们还设计了一个信干噪比（SINR）预测神经网络，利用与蜂窝网络交互时积累的 SINR 测量值，将 GBS 位置映射为 SINR 水平，以预测无人机的 SINR。数值结果表明，借助值网络与 SINR 预测网络，多无人机实时导航可在多种环境中以高成功率高效执行。
引用
@article{arxiv.2104.06256,
title = {Learning-Based UAV Trajectory Optimization with Collision Avoidance and Connectivity Constraints},
author = {Xueyuan Wang and M. Cenk Gursoy},
journal= {arXiv preprint arXiv:2104.06256},
year = {2021}
}
备注
This paper has been submitted to IEEE for publication