基于强化学习的蜂窝连接无人机联合路径与能量优化
机器学习
2020-11-30 v1 信号处理
摘要
近年来，无人机（UAV）引起了相当大的研究兴趣。尤其在物联网领域，具备互联网连接的无人机是主要需求之一。此外，能量限制即电池上限是无人机的瓶颈，会限制其应用。我们试图解决这一能量问题。为此，提出了一种蜂窝连接无人机的路径规划方法，使无人机能够通过在配备电站（PS）的特定位置充电，在远大于其电池续航范围的区域内规划路径。除能量限制外，还存在禁飞区；例如，由于空对空（A2A）和空对地（A2G）干扰或缺乏必要连接性，给无人机轨迹优化带来额外约束。禁飞区确定了应避免的不可行区域。我们分层使用强化学习（RL），将典型的短程路径规划器扩展以考虑电池充电并解决无人机长航时任务问题。对该飞越大型区域的无人机问题进行了仿真，Q-learning算法能够使无人机找到最优路径与充电策略。
引用
@article{arxiv.2011.13744,
title = {Reinforcement Learning-based Joint Path and Energy Optimization of Cellular-Connected Unmanned Aerial Vehicles},
author = {Arash Hooshmand},
journal= {arXiv preprint arXiv:2011.13744},
year = {2020}
}
备注
8 pages, 4 figures