低空经济网络时序频谱制图：基于多智能体学习的生成式 AI 框架
信号处理
2025-05-22 v1
摘要
本文引入了一个面向低空经济网络（LAENets）时序频谱制图的两阶段生成式 AI（GenAI）框架。LAENets 由多种空中设备（如无人机）构成，依赖无线通信技术，面临频谱拥塞和动态环境干扰等挑战。传统频谱制图方法在处理这些网络固有的时空复杂性方面存在局限。针对这些挑战，该框架首先采用可准确重构稀疏且时变传感器数据的重构掩码自编码器（RecMAE），通过 novel 双掩码机制显著提升重构射频（RF）功率图的精度。在第二阶段，多智能体扩散策略（MADP）方法集成基于扩散的强化学习，以优化动态无人机传感器的轨迹。通过时序注意编码，该方法有效管理空间探索与开发，以最小化累积重构误差。大量数值实验表明，该集成 GenAI 框架相较于传统插值方法和深度学习基线，分别实现了 57.35% 和 88.68% 的重构误差降低。该轨迹规划器显著提高了低空动态环境中频谱图的准确性、重构稳定性和传感器部署效率。
引用
@article{arxiv.2505.15571,
title = {Temporal Spectrum Cartography in Low-Altitude Economy Networks: A Generative AI Framework with Multi-Agent Learning},
author = {Changyuan Zhao and Ruichen Zhang and Jiacheng Wang and Dusit Niyato and Geng Sun and Hongyang Du and Zan Li and Abbas Jamalipour and Dong In Kim},
journal= {arXiv preprint arXiv:2505.15571},
year = {2025}
}
备注
15 pages, 9 figures