基于 MoE 分层深度强化学习的无人机协作边缘推断：低空经济
网络与互联网体系结构
2026-05-20 v1 系统与控制
系统与控制
摘要
低空经济 (LAE) 正在重塑产业格局，通过部署无人机 (UAV) 来支撑广泛应用，这些应用对灵活的空中移动性需求旺盛。将边缘人工智能 (AI) 集成到 LAE 平台中，便创造了一个 compelling 的范式：UAV 在同时履行其主要空中任务职责的同时，为地面设备提供实时 AI 驱动的分析。然而，由于这些主要职责对任务约束的严苛要求以及无线链路的吞吐量瓶颈，实现这一范式仍面临挑战。为填补这一鸿沟，我们提出了一种 UAV 无人机协作边缘推断框架，其中 UAV 执行由轨迹偏离参考路径量化的 mission-critical LAE 职责，同时通过中间特征卸载支持地面设备。在此框架内，联合优化 UAV 轨迹、推断任务卸载决策以及特征压缩比，以最大化系统性能。我们将这一联合优化任务转化为受限的部分可观测马尔可夫决策过程 (POMDP) 框架。为高效求解，本文提出了 HDRL-MoE，一种新的分层深度强化学习框架，通过解耦慢变化的推断决策优化和快速变化的 UAV 轨迹控制来实现优化。此外，HDRL-MoE 集成了混合专家 (MoE) 架构，其中路由网络协调离散卸载决策，而专家网络独立优化特征压缩比。大量仿真结果表明，HDRL-MoE 相对于基线方法实现了显著的推断精度提升，并通过其 MoE 设计展现出高可扩展性和高效性。
引用
@article{arxiv.2605.19290,
title = {UAV-Assisted Cooperative Edge Inference for Low-Altitude Economy via MoE-based Hierarchical Deep Reinforcement Learning},
author = {Wenhao Zhuang and Yuyi Mao and Ivan Wang-Hei Ho and Xianghao Yu},
journal= {arXiv preprint arXiv:2605.19290},
year = {2026}
}
备注
13 pages and 9 figures. This article was submitted to IEEE for possible publication