面向灾害响应无人机集群战略性 IoT 部署覆盖的元强化学习

在过去十年中，无人机（UAV）因其机动性和移动灵活性方面的优势，在学术界和工业界引起了研究人员的关注，有望用于关键的紧急应用，如为地面用户提供无线服务以及从受灾区域收集数据。然而，无人机有限的资源、能源预算和严格的任务完成时间限制了其在这些应用中的采用。我们的系统模型考虑了一个无人机集群，该集群在某个区域导航并从地面 IoT 设备收集数据，重点关注为战略位置提供更好的服务，并允许无人机以动态方式加入和离开集群（例如，为了充电）。在这项工作中，我们引入了一个优化模型，旨在最小化总能耗，并在最小完成时间和发射功率的约束下提供无人机的最优路径规划。该优化问题被表述为 NP-hard，使其无法适用于实时决策。因此，我们引入了一种轻量级的元强化学习解决方案，该方案也能通过快速收敛来应对环境的突变。我们进行了广泛的仿真，并将我们的方法与三种 SOTA 学习模型进行了比较。仿真结果证明，我们引入的方法在为战略位置提供覆盖以及快速收敛方面优于这三种 SOTA 算法。