基于AUV、SWIPT与强化学习的可持续水下物联网研究
信号处理
2023-02-22 v1
摘要
地球生命依赖于健康的海洋，其供给了地球大量氧气、食物与能源。然而海洋正受气候变化威胁，后者破坏海洋生态系统及依赖它的经济与社会系统。水下物联网(IoUTs)作为水下物体的全球互联，实现对海洋的全天候监测。它提供高分辨率数据以训练机器学习(ML)算法，用于快速评估潜在气候变化解决方案并加速决策。传统IoUTs中的传感器由电池供电，限制了寿命并在报废时构成环境危害。本文提出一种可持续方案，提升水下网络吞吐量与寿命，使其潜在地无限期运行。该方案基于来自用于数据收集的自主水下航行器(AUV)的同时无线信息与能量传输(SWIPT)。我们将联合最大化吞吐量与采集功率的问题建模为马尔可夫决策过程(MDP)，并开发了无模型强化学习(RL)算法作为求解方案。模型的奖励函数激励AUV寻找最优轨迹，在最小化能耗的同时最大化至水下节点的吞吐量与功率传输。据我们所知，这是首次尝试利用RL通过SWIPT确保可持续水下网络。该方案在专为本研究在MATLAB中开发的开放3D RL环境中实现。性能结果显示，与用作基线模型的随机轨迹方案相比，能效提升达207%。
引用
@article{arxiv.2302.10368,
title = {Towards a Sustainable Internet-of-Underwater-Things based on AUVs, SWIPT, and Reinforcement Learning},
author = {Kenechi G. Omeke and Michael Mollel and Syed T. Shah and Lei Zhang and Qammer H. Abbasi and Muhammad Ali Imran},
journal= {arXiv preprint arXiv:2302.10368},
year = {2023}
}