基于强化学习的无人机细胞连接性最大化：超视距路径规划
机器人学
2025-10-13 v2 机器学习
摘要
本文提出一种基于强化学习(RL)的方法，用于规划细胞连接无人机(UTV)的路径，这些无人机在超视距(BVLoS)条件下作业。目标是最小化行驶距离，同时最大化细胞链路连接质量，通过考虑现实中的航空覆盖约束并采用经验航空信道模型。所提出的解决方案采用RL技术训练智能体，以无人机与基站(BS)之间通信链路质量作为奖励函数。仿真结果表明，所提方法在训练智能体并生成可行的无人机路径计划方面有效。该方法解决了无人机细胞通信限制所带来的挑战，凸显了该领域需要进一步研究和考虑的重要性。RL算法有效地识别出最优路径，确保与地面基站实现最大连接，以确保安全可靠的BVLoS飞行作业。此外，该解决方案可作为离线路径规划模块部署，可集成到未来的地面控制系统(GCS)中，用于无人机作业，提升其能力和安全性。该方法在复杂长距离无人机应用中具有潜力，推动了细胞连接无人机路径规划领域的技术发展。
引用
@article{arxiv.2509.13336,
title = {Maximizing UAV Cellular Connectivity with Reinforcement Learning for BVLoS Path Planning},
author = {Mehran Behjati and Rosdiadee Nordin and Nor Fadzilah Abdullah},
journal= {arXiv preprint arXiv:2509.13336},
year = {2025}
}
备注
Submitted to an IEEE Conference