面向任务关键型空中-地面集成网络的公平性感知编排系统 ORCHID
摘要
在6G空中-地面集成网络（Air-Ground Integrated Networks, AGIN）时代，无人机（Unmanned Aerial Vehicles, UAVs）对于提供任务关键环境（如灾后救援行动）中的按需无线覆盖至关重要。然而，传统的深度强化学习（Deep Reinforcement Learning, DRL）方法在多UAV编排中常面临严峻挑战：由于多智能体环境的非平稳性导致算法不稳定，以及难以平衡能源效率与服务公平性。为此，本文提出了ORCHID（Orchestration of Resilient Coverage via Hybrid Intelligent Deployment，鲁棒覆盖的编排与混合智能部署），一个具有稳定性增强的两阶段学习框架。首先，ORCHID利用面向广播信道感知（GBS-aware）的拓扑分区策略以缓解探索冷启动问题。其次，在MAPPO架构中引入重置与微调（Reset-and-Finetune, R\&F）机制，通过同步学习率衰减和优化器状态重置来稳定学习过程。该机制有效抑制梯度方差，防止策略退化，从而确保在动态环境中的算法鲁棒性。此外，我们发现一种反直觉的效率-公平性协同效应：与常规的权衡相反，本文结果表明，所提出的最大-最小公平性（Max-Min Fairness, MMF）设计不仅为细胞边缘用户提供了服务，还实现了优于比例公平性（Proportional Fairness, PF）的更高能源效率；后者倾向于收敛至次优贪心均衡。广泛实验确认，ORCHID在Pareto优势位置优于当前最先进的基准，确保了任务关键场景中的稳健收敛与鲁棒连接。
引用
@article{arxiv.2602.09994,
title = {ORCHID: Fairness-Aware Orchestration in Mission-Critical Air-Ground Integrated Networks},
author = {Chuan-Chi Lai and Chi Jai Choy},
journal= {arXiv preprint arXiv:2602.09994},
year = {2026}
}
备注
15 pages, 7 figures. Full research paper providing a resilient two-stage orchestration framework to optimize collaborative UAV-GBS deployment in mission-critical air-ground integrated networks (AGINs). Under review at an IEEE Journal