首页/论文/2002.03349

arXiv 2002.033492020-02-09cs.NImath.OC

时间受限应用的UAV轨迹优化

UAV Trajectory Optimization for Time Constrained Applications

Emmanouil Fountoulakis, Georgios S. Paschos, Nikolaos Pappas

摘要：

无人机（UAV）有望彻底改变通信。利用其灵活性和快速部署，我们可以在拥挤的地区提供内容，或在没有基础设施的地区提供服务。在本文中，我们考虑的无人机，飞越多个位置，并在给定的时间内尽可能多的用户。我们研究的最优轨迹设计问题，我们制定为一个混合整数线性规划。对于大的情况下，轨迹的选项变得令人望而却步的问题，我们建立了一个连接到定向越野问题，并提出了相应的贪心算法。仿真结果表明，该算法是快速的，并产生接近最优解。所提出的算法可用于战略内容缓存或战术现场操作的轨迹规划。

英文摘要：

Unmanned Aerial Vehicles (UAVs) are poised to revolutionize communications. Utilizing their flexibility and fast deployment, we can deliver content in congested areas or provide services in areas without infrastructure. In this paper, we consider a UAV that flies over multiple locations and serves as many users as possible within a given time duration. We study the problem of optimal trajectory design, which we formulate as a mixed-integer linear program. For large instances of the problem where the options for trajectories become prohibitively many, we establish a connection to the orienteering problem, and propose a corresponding greedy algorithm. Simulation results show that the proposed algorithm is fast and yields solutions close to the optimal ones. The proposed algorithm can be used for trajectory planning in strategic content caching or tactical field operations.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

无人机辅助雾计算的最优航迹规划与任务分配

Optimal Trajectory Planning and Task Assignment for UAV-assisted Fog Computing

雾计算是一种新兴的物联网（IoT）分布式计算模型。它将计算和缓存功能扩展到无线网络的边缘。无人机（UAV）为雾计算提供了足够的支持。无人机不仅可以充当移动用户和物理远程边缘设备之间的中继，以避免昂贵的远程无线通信，而且还配备了可以接管特定任务的计算设施。在本文中，我们的目标是通过规划无人机的轨迹，并将计算任务分配给不同的设备，包括无人机本身，以优化由单个无人机辅助的雾计算系统的能源效率。我们提出了两个算法的基础上，经典的蚁群和粒子群优化技术和解决问题的连续凸逼近。不像大多数现有的研究中的轨迹被假定为直线，我们考虑的障碍物，如建筑物的影响，并故意避免他们在轨迹规划阶段。通过大量的仿真实验，我们证明了我们提出的方法可以实现显着更好的能源效率比现有的基准算法。

2022-10-31cs.NImath.OC

大规模动态场景下基于趋势预测的智能UAV轨迹规划技术报告

Technical Report for Trend Prediction Based Intelligent UAV Trajectory Planning for Large-scale Dynamic Scenarios

无人机通信技术被认为是一种高效的解决方案，可以解决现有地面基础设施过载而无法提供可靠服务的特殊应用场景。为了在满足QoS和能量约束的同时最大化无人机使能系统的效用，无人机需要考虑场景的动态特性来规划其轨迹，该过程被表示为马尔可夫决策过程（MDP）。针对上述问题，提出了一种基于深度强化学习（DRL）的无人机航迹规划方法，该方法能够预测动态场景的变化趋势，为无人机航迹规划提供长期的视角。仿真结果表明，该算法在动态环境下收敛速度更快，具有更好的性能。

2022-09-17cs.NI

通过NOMA反向散射网络的PDKEEPAAA数据汇集：UAV高度和轨迹优化

UAV Data Collection over NOMA Backscatter Networks: UAV Altitude and Trajectory Optimization

环境后向散射技术的最新发展具有提供长距离和低功率无线通信的潜力。在这项工作中，我们研究了无人机（无人机）辅助的反向散射网络，其中无人机既充当移动电源发射器又充当信息收集器。我们的目标是最大限度地提高成功解码的比特数在上行链路中，同时最大限度地减少无人机的飞行时间，通过优化其高度。在上行链路中采用功率域NOMA方案。提出了一个优化框架，以确定众多的网络参数，如无人机的高度，反向散射设备的数量和反向散射系数之间的权衡。数值结果表明，最佳的高度是可计算的各种网络设置和后向散射反射系数的影响，最大网络吞吐量是显着的。基于这个最佳的高度，我们还表明，最佳的轨迹计划是可以实现的。

2019-02-08cs.NI

基于双Q学习的能量和服务优先级UAV-BS轨迹设计

Energy and Service-priority aware Trajectory Design for UAV-BSs using Double Q-Learning

The Central Queensland University（中央昆士兰大学）；Urmia University（乌尔米亚大学）；The University of New South Wales（新南威尔士大学）

下一代移动网络已经提出了将无人机（UAV）集成为空中基站（UAV-BS）以服务于地面节点。尽管具有使用UAV-BS的优势，但它们对机载有限容量电池的依赖阻碍了它们的服务连续性。较短的轨迹可以节省飞行能量，然而，UAV-BS还必须基于节点的服务优先级来服务节点，因为节点的服务要求并不总是相同的。在本文中，我们提出了一种能量有效的轨迹优化的无人机辅助物联网系统中，无人机基站考虑物联网节点的服务优先级，使其运动决策。我们使用双Q-学习算法来解决轨迹优化问题。仿真结果表明，基于Q-Learning的优化轨迹在降低无人机基站平均能耗和高优先级节点服务时延方面优于基准算法贪婪服务算法。

2020-10-26cs.AIcs.NI

可充电UAV辅助无线网络中的轨迹设计：能量效率和飞行时间最小化的统一框架

Trajectory Design in Rechargeable UAV Aided Wireless Networks: A Unified Framework for Energy Efficiency and Flight Time Minimization

研究了一种可充电无人机（UAV）辅助的无线网络，在该网络中，一架无人机被派遣向一组地面终端（GT）发送信息，并在机载电池耗尽之前返回充电站（RS）。其核心目标是通过联合优化飞行速度、发射功率和悬停位置，设计一条包括飞行和充电时间在内的总持续时间最短的无人机轨迹。提出了一种基于流量的数学规划公式，为飞行和充电时间的联合优化提供了最优解。此外，为了克服最优决策的维数灾难，提出了一种两步法。在第一步中，无人机的悬停位置是固定的，并通过求解旅行商问题的能量约束（TSPE）问题初始化的可行轨迹设计。在第二步中，对于给定的初始轨迹，通过联合优化飞行速度、发射功率和悬停位置来最小化每个子行程的时间消耗。数值结果表明，所提出的方法优于最先进的技术，并在一个有效的方式减少聚合时间持续时间。

2021-04-28cs.NI

3 TO：基于近端策略优化深度强化学习的6 G网络中无人机太赫兹定位和轨迹优化

3TO: THz-Enabled Throughput and Trajectory Optimization of UAVs in 6G Networks by Proximal Policy Optimization Deep Reinforcement Learning

下一代网络需要满足无处不在的高数据速率需求。因此，本文研究了太赫兹（THz）无人机（UAV）在第六代（6 G）通信网络中的吞吐量和轨迹优化问题。在考虑的情况下，多个无人机必须提供按需的TB/s（每秒）的服务，以城市地区与现有的地面网络。然而，太赫兹授权的无人机提出了一些新的限制，例如，用于地面用户（GU）关联和UAV轨迹优化的动态太赫兹信道条件，以满足GU的吞吐量需求。因此，提出了一个框架，以解决这些挑战，其中联合无人机-GU的关联，发射功率，和轨迹优化问题进行了研究。所述问题是混合整数非线性规划（MINLP），这是NP-难解决的。因此，提出了一种迭代算法来迭代地求解三个子问题，即，UAVs-GU关联、发射功率和轨迹优化。仿真结果表明，该算法的吞吐量分别提高了10%，68.9%和69.1%相比，基线算法。

2022-02-07cs.NIeess.SP

更多相关论文收起更多论文

无人机辅助WSN联合用户调度和轨迹规划数据汇集策略技术报告

Technical Report for A Joint User Scheduling and Trajectory Planning Data Collection Strategy for the UAV-assisted WSN

无人机（无人机）通常作为移动汇点被派遣，以协助大规模无线传感器网络（WSNs）中的数据汇集。然而，当考虑到大规模WSN中UAV的移动性和通信能力的限制时，一些传感器节点可能会耗尽存储空间，因为它们无法在延长的时间段内将其数据卸载到UAV。为了最大限度地减少数据丢失所造成的上述问题，联合用户调度和轨迹规划数据汇集策略，提出了这封信，这是制定为一个非凸优化问题。该问题被进一步分解为两个子问题并依次求解。仿真结果表明，该策略在最小化数据丢失率方面比其他策略更有效。

2021-03-01cs.NI

多UAV辅助的集成感知与通信系统的联合波束成形与轨迹优化

Joint Beamforming and Trajectory Optimization for Multi-UAV-Assisted Integrated Sensing and Communication Systems

本文研究多UAV辅助ISAC系统的波束成形与轨迹优化，提出BCD迭代算法结合分数规划与DDPG算法最大化用户总速率并保持感知性能，显著提升了通信吞吐量与感知精度。

2025-04-01cs.NI

基于Q学习的热点无人机飞行能量源轨迹优化

Trajectory Optimization of Flying Energy Sources using Q-Learning to Recharge Hotspot UAVs

尽管无人机的商业用途或无人机交付服务越来越受欢迎，但它们对有限容量的机载电池的依赖阻碍了它们的飞行时间和任务连续性。因此，开发用于补充UAV电池的现场电力传输解决方案有可能延长其任务持续时间。在本文中，我们研究的情况下，无人机被部署为基站（UAV-BS）提供无线热点服务的地面节点，同时从飞行的能源收集无线能量。这些能源是专门的无人机（充电器或发射器无人机，tUAV），配备有无线电力传输设备，如RF天线。tUAV具有调整其飞行路径的灵活性，以最大限度地提高能量传输。随着UAV-BS数量的增加和环境的复杂性，有必要为tUAV开发智能轨迹选择程序，以优化能量传输增益。在本文中，我们的轨迹优化的tUAV建模为马尔可夫决策过程（MDP）问题，并解决它使用Q-学习算法。仿真结果表明，基于Q-Learning的tUAV优化轨迹优于两种基准策略，即tUAV的随机路径规划和静态悬停。

2020-03-27cs.NIeess.SP

基于强化学习的无人机集群部署与轨迹规划用于三维区域覆盖

UAV Swarm Deployment and Trajectory for 3D Area Coverage via Reinforcement Learning

本文针对考虑障碍物的大规模三维区域覆盖问题，提出分层无人机集群部署与轨迹规划框架，并设计基于Q-learning的算法加速求解，仿真验证其性能优于其他方法。

2023-09-21cs.NIeess.SP

蜂窝无人机到设备通信：基于多智能体深度强化学习的轨迹设计和模式选择

Cellular UAV-to-Device Communications: Trajectory Design and Mode Selection by Multi-agent Deep Reinforcement Learning

在当前用于感测服务的无人飞行器系统（UAS）中，无人飞行器（UAV）通过未授权频谱将其感测数据发送到地面移动设备。然而，由于机会主义的信道接入，来自周围终端的干扰是不可控的。在本文中，我们考虑了一个蜂窝互联网的无人机，以保证服务质量（QoS），传感数据可以传输到移动设备的无人机到设备（U2 D）通信通过蜂窝网络，或直接通过基站（BS）。由于无人机的感知和传输会影响其飞行轨迹，本文研究了考虑感知和传输的无人机飞行轨迹设计问题。这是一个具有较大状态-动作空间的马尔可夫决策问题（MDP），因此，我们利用多智能体深度强化学习（DRL）来近似状态-动作空间，然后提出一种多无人机轨迹设计算法来解决这个问题。仿真结果表明，该算法比策略梯度算法和单智能体算法具有更高的总效用。

2020-03-12cs.NIeess.SP

UAV轨迹与通信协同设计：灵活的路径离散化与路径压缩

UAV Trajectory and Communication Co-design: Flexible Path Discretization and Path Compression

Beijing University of Posts and Telecommunications（北京邮电大学）；National University of Singapore（新加坡国立大学）

无人机通信系统的性能优化要求对无人机的航迹和通信进行有效的联合设计。为了解决无人机连续时间轨迹优化中设计变量无穷大的问题，一种常用的方法是在三维空间中用分段线性路径段来近似无人机轨迹。然而，当UAV飞行周期/距离变长时，这种方法在实践中仍然可能导致过高的计算复杂性，因为连续航路点之间的距离需要保持足够小以保持高近似精度。为了解决这一基本问题，本文提出了一种新的和通用的无人机轨迹和通信协同设计框架。首先，我们提出了一个灵活的路径离散化方案，优化只有一些选定的航路点（可设计航路点）沿无人机路径的复杂性降低，而所有的可设计和不可设计航路点用于计算近似的通信效用沿无人机轨迹，以确保高的轨迹离散化精度。接下来，给定任意数量的可设计航路点，我们提出了一种新的路径压缩方案，其中无人机3D路径首先被分解为三个一维（1D）子路径，然后通过叠加由其相应的路径系数加权的多个选定的基本路径来近似每个子路径，从而进一步降低路径设计的复杂性。最后，我们提供了一个案例研究无人机的轨迹设计从分布式地面传感器的空中数据采集，数值计算表明，所提出的计划可以显着降低无人机轨迹设计的复杂性，但实现良好的速率性能相比，传统的路径/时间离散计划。

2020-10-14cs.ITcs.NIcs.RO

能量受限的地面节点定位UAV轨迹设计

Energy-Constrained UAV Trajectory Design for Ground Node Localization

使用空中锚点定位地面节点最近已被认为是一种具有成本效益的，快速和灵活的解决方案，用于更好的定位精度，当GPS被干扰或卫星接收是不可能的提供定位服务。研究了移动无人机作为空中锚点时地面节点的定位问题。我们提出了一个新的框架，以获得在城市地区的定位误差。与现有的工作相比，我们的框架包括高度依赖的无人机对地信道特性和一个非常详细的无人机能耗模型。这使我们能够探索不同的权衡和优化无人机轨迹最小的定位误差。特别是，我们调查的无人机高度，悬停时间，航路点的数量和路径长度的影响，通过制定一个能量约束的优化问题。我们的研究结果表明，增加悬停时间降低定位误差显着的成本更高的能量消耗。为了将定位误差保持在100米以下，只有当路径高度和半径被优化时，才有可能实现更短的悬停。对于5秒的恒定悬停时间，将两个参数调整到其最佳值将定位误差从150 m降低到65 m，同时节省约25%的功率

2018-06-06cs.NI

风场中无人机辅助海洋数据采集的节能循环轨迹设计

Energy-Efficient Cyclical Trajectory Design for UAV-Aided Maritime Data Collection in Wind

无人机，特别是固定翼无人机，能够承受强风，在海洋勘探和研究方面具有巨大潜力。研究了一种无人机辅助海洋数据采集系统，该系统采用固定翼无人机对海洋浮标进行数据采集。针对无人机在风影响下的飞行轨迹和浮标间的通信时间调度问题，提出了一种基于最优解的非凸优化方法，旨在最小化无人机在完成任务过程中的能量消耗。现有的技术，如连续凸近似（SCA）方法提供了有效的次优解决方案，用于收集小/中等数据量，而该解决方案严重依赖于轨迹初始化，并没有明确考虑风的影响，而计算复杂性和由此产生的轨迹复杂性都变得令人望而却步的任务与大数据量。为此，我们提出了一个新的循环轨迹设计框架，可以有效地处理任意数据量受到风的影响。具体而言，所提出的UAV轨迹包括多个循环圈，每个循环圈负责仅收集数据的子集，从而显著降低计算/轨迹复杂性，这允许搜索适合浮标拓扑和风的更好的轨迹初始化。数值结果表明，所提出的循环格式在总体上优于基准的单次飞行格式。此外，优化的循环8形轨迹可以主动利用风，并实现较低的能耗相比，没有风的情况下。

2021-11-05cs.ITcs.NIcs.SY

基于机器学习的无人机无线网络轨迹与通信耦合设计

Machine Learning Coupled Trajectory and Communication Design for UAV-Facilitated Wireless Networks

利用无人机（UAV）（通常称为无人机）增强无线网络，为向所需区域提供可靠、经济高效和按需的无线服务提供了一种有前途的途径。然而，现有的无人机通信和轨迹方案是低效的，因为它们假设有限的无人机移动性和静态传输功率。此外，他们倾向于依赖于高度非线性函数的凸近似，并且未能采用启发式和凸方法的组合。本文研究了一种多无人机系统，其中无人机上的移动基站为地面用户提供服务。使用块梯度下降的迭代方法来联合优化用户调度、UAV轨迹和传输功率，以最大化所有用户的吞吐量。随后，开发了一种用于初始轨迹预测的创新技术，使用K-均值聚类算法将用户划分为子组，并使用遗传算法初始化聚类内的最短飞行路径。最后，凸优化求解器，如MATLAB的Fmincon用于微调参数。大量的仿真和优化结果表明，与现有的轨迹和通信设计方案相比，系统吞吐量分别增加了33.57%，87.4%和53.2%，为1，2和3无人机场景。此外，K-means和遗传算法揭示了约15%的吞吐量的额外改进。我们的研究结果指出，随着无人机轨迹周期的增加，吞吐量的增加会减少，因为该周期接近较高的值。进一步研究联合采用凸和非凸方案以及考虑环境依赖的信道模型将允许更快和更优化的无人机部署。

2020-12-23cs.NIcs.SYeess.SY

具身AI增强的IoMT边缘计算：基于移动预测的无人机轨迹优化与任务卸载

Embodied AI-Enhanced IoMT Edge Computing: UAV Trajectory Optimization and Task Offloading with Mobility Prediction

School of Sports Engineering, Beijing Sport University（体育工程学院，北京体育大学）；School of Computer and Information Technology, Beijing Jiaotong University（计算机与信息学院，北京交通大学）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，北京邮电大学）；School of Electronics and Information Engineering, Beijing Jiaotong University（电子与信息工程学院，北京交通大学）

本文提出了一种基于移动预测的无人机轨迹优化与任务卸载方法，利用具身AI增强的IoMT边缘计算框架，通过分层多尺度Transformer模型和预测增强型DRL算法，实现对WBAN用户任务的关键性优化。

2025-12-24cs.AIcs.NI

6G空基接入网络中分层无人机集群的动态轨迹优化与功率控制

Dynamic Trajectory Optimization and Power Control for Hierarchical UAV Swarms in 6G Aerial Access Network

针对6G空基接入网络中多无人机集群协同部署挑战，提出分层结构并联合优化其动态轨迹与部署，通过区域划分、费马点构造及改进优化算法求解NP-hard问题，仿真显示复杂度降低50%。

2025-08-26cs.NIeess.SP

高能效无人机辅助移动边缘计算：资源分配和轨迹优化

Energy-Efficient UAV-Assisted Mobile Edge Computing: Resource Allocation and Trajectory Optimization

在本文中，我们研究无人机（UAV）辅助移动边缘计算（MEC）的目标是优化计算卸载与最小的无人机能耗。在所考虑的场景中，无人机扮演空中微云的角色，收集和处理地面用户卸载的计算任务。在满足用户服务需求的前提下，通过联合优化无人机轨迹、用户发射功率和计算负载分配，实现无人机能量效率最大化。该优化问题对应于非凸分式规划，采用Dinkelbach算法和逐次凸逼近（SCA）技术进行求解，并将问题分解为多个子问题进行分布式并行求解.为了应对的情况下，当用户的移动性知识是有限的，我们采用了空间分布估计技术来预测地面用户的位置，使所提出的方法仍然可以应用。仿真结果验证了该方法的有效性，以最大限度地提高无人机的能源效率。

2020-07-29cs.NIcs.SYeess.SP

基于深度强化学习的无人机辅助移动边缘计算动态轨迹控制

Deep Reinforcement Learning Based Dynamic Trajectory Control for UAV-assisted Mobile Edge Computing

Northumbria University（诺森比亚大学）；Queen Mary University of London（伦敦玛丽女王大学）；Zhengzhou University（郑州大学）

在本文中，我们考虑了一个飞行移动边缘计算（F-MEC）平台，其中无人机（UAV）作为提供计算资源的设备，它们可以从用户设备（UE）卸载任务。我们的目标是通过优化用户关联，资源分配和无人机的轨迹，最大限度地减少所有的UE的能量消耗。为此，我们首先提出了一种基于凸优化的轨迹控制算法（CAT），该算法采用块坐标下降（BCD）方法迭代求解。然后，为了在考虑环境动态的同时做出实时决策（即，无人机可能从不同的位置起飞），我们提出了一种基于深度强化学习的轨迹控制算法（RAT）。在RAT中，我们应用优先经验重放（PER）来提高训练过程的收敛性。与可能对初始点敏感并且需要迭代的基于凸优化的算法不同，RAT可以适应于UAV的任何起飞点，并且一旦训练过程已经完成，就可以比CAT更快地获得解。仿真结果表明，所提出的CAT和RAT实现了类似的性能，都优于传统的算法。

2021-02-13cs.LGcs.NIeess.SP