基于深度强化学习的雨天蜂窝连接无人机物理驱动轨迹设计
系统与控制
2023-09-04 v1 机器学习
系统与控制
摘要
蜂窝连接无人机(UAV)因可利用现有蜂窝基础设施实现无人机与基站间的可靠通信,从而增强传统无人机能力,已受到越来越多的关注。它们已被用于天气预报和搜索救援等多种应用。然而,在降雨等极端天气条件下,由于天空中的弱覆盖区域、无人机飞行时间的限制以及雨滴引起的信号衰减,蜂窝无人机的轨迹设计面临挑战。为此,本文提出一种面向雨天蜂窝连接无人机的物理驱动轨迹设计方法。利用基于物理的电磁仿真器来考虑详细的环境信息以及降雨对无线电波传播的影响。将轨迹优化问题公式化为联合考虑无人机飞行时间与信干比,并通过基于多步学习和双重Q学习的深度强化学习算法,以马尔可夫决策过程求解。在均匀大气介质与降雨介质的示例中对比了最优无人机轨迹。此外,提供了天气条件变化对轨迹设计的深入研究,并讨论了问题公式中权重系数的影响。所提方法已展现出在雨天天气条件下进行无人机轨迹设计的巨大潜力。
引用
@article{arxiv.2309.00017,
title = {Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy Environments Based on Deep Reinforcement Learning},
author = {Hao Qin and Zhaozhou Wu and Xingqi Zhang},
journal= {arXiv preprint arXiv:2309.00017},
year = {2023}
}