Path Planning for Multi-Copter UAV Formation Employing a Generalized Particle Swarm Optimization
Naval Academy, Vietnam（越南海军学院）
针对多旋翼无人机编队巡检的路径规划问题，提出GEPSO算法规划质心避障路径，并通过路径生成方案保持各机编队位置，仿真与实验验证了可行性。
2025-01-10 cs.RO cs.SY eess.SY
UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning
Technical University of Munich（慕尼黑工业大学）；EURECOM（欧洲通信学院）
覆盖路径规划（CPP）是设计一个轨迹，使移动代理的每一个点的兴趣区域旅行的任务。我们提出了一种新的方法来控制无人机（UAV）携带相机的CPP任务与随机的开始位置和多个选项的着陆位置在一个环境中包含禁飞区。虽然已经提出了许多方法来解决类似的CPP问题，我们利用端到端的强化学习（RL）学习控制策略，概括了不同的功率约束的无人机。尽管最近电池技术有所改进，但小型无人机的最大飞行范围仍然是一个严重的限制，这是由于无人机的功耗变化难以预测而加剧的。通过使用类似于地图的输入通道，通过卷积网络层向智能体提供空间信息，我们能够训练双深度Q网络（DDQN）为无人机做出控制决策，平衡有限的功率预算和覆盖目标。所提出的方法可以应用于各种各样的环境，并协调复杂的目标结构与系统约束。
2021-02-12 cs.RO cs.SY eess.SY
Energy-aware Relay Positioning in Flying Networks
移动和悬停的能力使旋翼无人机（UAV）成为充当飞行通信中继（FCR）的合适平台，旨在当没有可用的网络基础设施或需要加强现有网络的能力时，提供按需的临时无线连接。然而，由于无人机依赖于其机载电池，这些电池可以快速耗尽，因此它们通常需要频繁降落以进行充电或更换，这限制了它们的续航能力和飞行网络的可用性。当使用单个FCR UAV时，该问题加剧。FCR无人机的能量主要用于两项任务：通信和推进。从通信的角度来看，文献一直专注于优化飞行网络性能和能源效率，而忽略了用于无人机推进的能量。然而，与用于UAV推进的能量相比，用于通信的能量通常可以忽略不计。在这篇文章中，我们提出了能量感知的RELAY定位（EREP），一种算法，用于定位FCR考虑到能量消耗的无人机推进。基于悬停不是最节能的状态这一结论，EREP定义了最小化FCR UAV在推进上消耗的能量的轨迹和速度，而不会在实践中损害飞行网络提供的服务质量。EREP算法进行了评估，使用模拟。所得到的结果表明，增益高达26%，在FCR无人机的耐力可以忽略不计的吞吐量和延迟退化。
2022-01-25 cs.NI eess.SP
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。
2020-03-27 cs.NI eess.SP
On the Energy Consumption of Rotary Wing and Fixed Wing UAVs in Flying Networks
INESC TEC；Faculdade de Engenharia, Universidade do Porto（波尔图大学工程学院）
针对原有MUAVE模拟器仅支持旋翼无人机能耗计算的局限，提出增强版eMUAVE模拟器，可同时评估旋翼与固定翼无人机能耗，实验发现固定翼适用于多数场景但旋翼沿SUPPLY轨迹飞行时能效更高。
2024-06-27 cs.NI eess.SP
Over the Sea UAV Based Communication
无人机（UAV）辅助的无线网络最近被设想为一种解决方案，以提供用于海上搜索和救援行动的可靠、低延迟的蜂窝链路。我们提出了三种不同的网络架构，基于无人机上部署的技术：飞行中继，飞行基站（BS）和飞行远程无线电头（RRH）。我们描述的挑战，并强调从海上搜索和救援行动的角度来看，所提出的架构的好处。我们比较了数据速率和延迟方面的性能，分析了不同的解决方案，以提供一个回程（BH）/前传（FH）链路，在海上长覆盖。结果表明，一个系统架构并没有优于其他。因此，代价函数被指示为找到次优解的工具。
2019-05-13 eess.SP
SUPPLY: Sustainable multi-UAV Performance-aware Placement Algorithm for Flying Networks
INESC TEC（葡萄牙电信与计算机科学研究院）；Faculdade de Engenharia, Universidade do Porto（波尔图大学工程学院）
本文提出 SUPPLY 算法，通过能量与性能感知的多无人机轨迹规划，在保证目标 QoS 的前提下将飞行网络能耗最多降低 25%，且对吞吐量和时延影响极小。
2024-04-09 cs.NI eess.SP
Securing FC-RIS and UAV Empowered Multiuser Communications Against a Randomly Flying Eavesdropper
针对随机飞行窃听者威胁，本文研究了FC-RIS与UAV赋能的多用户通信网络，提出了FCR-RS与FCR-GCSI-PFS调度方案，推导了ZSRP闭式表达式，并证实优化悬停高度显著提升物理层安全。
2024-08-26 eess.SP
Flying by Inference: Active Inference World Models for Adaptive UAV Swarms
Department of Engineering and Naval Architecture (DITEN), University of Genoa（工程与 naval 架构系（DITEN），热那亚大学）；Intelligent Systems Laboratory, Department of Systems Engineering and Automation, Carlos III University of Madrid（智能系统实验室，系统工程与自动化系，马德里卡洛斯三世大学）
本文提出了一种专家引导的主动推断框架，用于自适应无人机群轨迹规划。该方法将多无人机轨迹设计转化为分层概率推断问题，通过遗传算法生成专家示范并学习世界模型，实现高效的轨迹规划与动态调整。
2026-04-30 cs.RO cs.SY eess.SP
Integrated Sensing, Communication, Computing, and Control Meets UAV Swarms in 6G
School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子与信息工程学院）；College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院）
本文提出了一种三层ISCCC结构，用于提升6G低空无线网络中无人机群的可靠性与效率，通过联合设计四个组件实现飞行轨迹误差的最小化。
2025-12-08 eess.SP
Online Path Generation and Navigation for Swarms of UAVs
Åbo Akademi University（奥布学术大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
随着无人机（UAV）在消费应用中的日益普及，涉及UAV的事故数量也在迅速增加。因此，无人机的运动安全性已成为无人机操作员关注的首要问题。对于无人机群，如果不防止无人机之间的碰撞以及飞行区域中出现的静态和动态的移动障碍物，就不能保证无人机的安全运行。在本文中，我们提出了一个在线的，无碰撞的路径生成和导航系统的成群的无人机。所提出的系统使用无人机的地理位置和成功检测到的静态和移动障碍物来预测和避免：（1）无人机与无人机碰撞，（2）无人机与静态障碍物碰撞，以及（3）无人机与移动障碍物碰撞。我们的碰撞预测方法利用高效的运行时监控和复杂事件处理（CEP）来进行及时预测。所提出的系统的一个显着特点是它能够预见潜在的碰撞，并主动找到最好的方法来避免预测的碰撞，以确保整个群的安全。我们还提出了一个基于模拟的实施所提出的系统，以及涉及一系列实验的实验评估和比较我们的结果与现有的四种方法的结果。结果表明，所提出的系统成功地预测和避免所有三种碰撞在线的方式。此外，它可以生成安全高效的无人机航线，有效地扩展到大型问题实例，适用于混乱的飞行区域和涉及无人机碰撞高风险的场景。
2019-12-19 cs.RO eess.SP
Energy Model for UAV Communications: Experimental Validation and Model Generalization
涉及无人机（UAV）的无线通信被期望在未来的无线网络中发挥重要作用。然而，与传统的地面通信系统不同，UAV通常一方面具有相当有限的机载能量，另一方面需要额外的飞行能量消耗，这使得具有智能能量消耗的节能UAV通信至关重要。在本文中，通过大量的飞行实验，我们的目标是首先验证最近推导的理论能量模型的旋翼无人机，然后开发一个通用的模型，这些复杂的飞行场景，严格的理论模型推导是相当具有挑战性的，如果不是不可能的。具体来说，我们首先研究无人机在最简单的直线和水平飞行中功耗如何随飞行速度而变化。收集了约12，000个有效的功率-速度数据点，我们首先应用基于模型的曲线拟合，以现有文献中理论闭合形式能量模型为基础获得建模参数。此外，为了排除由理论能量模型引起的潜在偏差，还使用无模型深度神经网络对获得的测量数据进行训练。结果表明，两种方法得到的曲线与理论能量模型吻合较好。接下来，我们进一步将研究扩展到任意二维（2-D）飞行，据我们所知，没有严格的理论推导可用于作为其飞行速度，方向和加速度的函数的封闭形式的能量模型。为了填补这一空白，我们首先提出了一个启发式的能量模型，这些更复杂的情况下，然后提供实验验证的测量结果的基础上，圆形水平飞行。
2020-05-04 eess.SP
Autonomous UAV Navigation: A DDPG-based Deep Reinforcement Learning Approach
Stevens Institute of Technology（斯蒂文斯理工学院）；University of Carthage（迦太基大学）
在本文中，我们提出了一个自主无人机路径规划框架，使用深度强化学习方法。其目标是采用一个自我训练的无人机作为一个飞行的移动单元，以达到空间分布的移动或静态目标在一个给定的三维城市区域。在该方法中，设计了一个具有连续动作空间的深度确定性策略梯度（DDPG）来训练无人机穿越障碍物到达指定目标。设计了一个自定义的奖励函数，以最小化无人机与其目的地之间的距离，同时惩罚碰撞。数值模拟研究了无人机在学习环境和自主确定不同选定场景的轨迹方面的行为。
2020-03-21 cs.AI cs.LG cs.RO
Energy-efficient Deployment of Multiple UAVs Using Ellipse Clustering to Establish Base Stations
对于未来无线通信系统的需求正在通过充当飞行基站（BS）的无人驾驶飞行器（UAV）来满足各种情况。在这封信中，我们提出了一个椭圆聚类算法，最大限度地提高了用户覆盖概率的无人机基站，并避免小区间干扰与最小的发射功率。我们通过调整其天线半功率波束宽度，方向和3D位置，通过最小化小区边缘用户的路径损耗来获得每个无人机的覆盖范围。仿真结果表明，与传统算法相比，该算法在较低的发射功率下获得了较高的系统吞吐量和覆盖概率。
2020-03-12 eess.SP
Optimizing Multi-UAV Deployment in 3D Space to Minimize Task Completion Time in UAV-Enabled Mobile Edge Computing Systems
在支持无人机（UAV）的移动边缘计算（MEC）系统中，UAV可以携带边缘服务器以帮助地面用户设备（UE）将其计算任务卸载到UAV以供执行。本文旨在最小化无人机完成卸载任务所需的总时间，同时优化无人机的三维（3D）部署，包括其飞行高度和水平位置。虽然该优化问题是一个混合整数非线性规划问题，但我们将其转化为一个凸优化问题，并提出了一种基于逐次凸逼近（SCA）的算法来有效地求解，仿真结果表明，无人机群水平和垂直位置的联合优化比传统算法具有更好的性能。
2020-10-24 cs.MA eess.SP
Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target Detection
DEI - CNIT University of Bologna（博洛尼亚大学 DEI - CNIT）；CNR-IEIIT（意大利国家研究委员会电子、信息工程与电信研究所）；ECE Department Stony Brook University（石溪大学电子与计算机工程系）
本文研究了在未知环境中，装备低复杂度雷达的单架无人机的联合探测、测绘和导航问题。目标是优化其轨迹，目的是最大限度地提高映射精度，同时避免从目标检测的角度来看测量可能没有足够信息的区域。该问题被公式化为马尔可夫决策过程（MDP），其中UAV是运行用于目标检测和环境映射的状态估计器以及用于推断其自己的导航策略的强化学习（RL）算法（即，控制法）。数值结果表明，所提出的想法的可行性，突出了无人机的自主探索区域的能力与目标检测的高概率，同时重建周围的环境。
2020-05-05 cs.LG cs.RO eess.SP
Cellular Coverage-Aware Path Planning for UAVs
到目前为止，无人机（UAV）的路径规划主要集中在能源效率的优化上。然而，为了安全地操作无人机，无线覆盖至关重要。目前，由于大量的小区间干扰，所部署的蜂窝网络通常对空中用户表现出不足的性能。此外，考虑到无休止的密集化趋势，无人机所经历的干扰水平在未来只会增加。为了无人机轨迹规划的目的，应考虑无线覆盖，以减轻干扰并降低危险的连接中断风险。在本文中，几个路径规划策略，提出和评估，以优化无人机的无线覆盖。使用真实3D地图的模拟器用于评估4G和5G场景的拟议算法。我们表明，所提出的覆盖感知A* 算法，它改变了无人机的飞行高度，是能够提高3-4dB的平均信干噪比和降低蜂窝中断概率的一个因素10。此外，仍然发生的停电时间缩短了60%，因此导致有害事故的风险降低。
2019-05-08 eess.SP
Radio Map Based 3D Path Planning for Cellular-Connected UAV
在本文中，我们研究了三维（3D）路径规划的蜂窝连接的无人机（UAV），以最大限度地减少其飞行距离从给定的初始位置到最终位置，同时确保目标链路质量的预期信号干扰噪声比（SINR）在无人机接收机与每个相关的地面基站（GBS）在飞行过程中。为了利用位置相关和空间变化的信道以及3D空间上的干扰，我们提出了一种新的基于无线电地图的无人机路径规划框架。具体地，我们考虑每个GBS的信道增益图，其提供其具有3D网格上的均匀采样位置的大尺度信道增益，这是由于静态和大尺寸障碍物（例如，建筑物），因此被假定为时间不变的。基于GBS的信道增益图以及它们的负载因子，我们然后构建SINR图，其描绘了在采样的3D位置上的预期SINR水平。通过利用所获得的SINR地图，我们继续通过求解图论中的等效最短路径问题（SPP）来导出最优UAV路径。我们进一步提出了一种网格量化方法，其中SINR图中的网格点通过利用相邻网格上的空间信道/干扰相关性来更粗略地采样。然后，我们在具有降低的复杂度的减小大小的SINR图（图）上求解近似SPP。仿真结果表明，该方法能在满足通信质量约束的前提下，有效地减小无人机的飞行距离/时间，并通过调整SINR图中的网格量化比，实现性能和复杂度之间的灵活折衷。此外，所提出的解决方案显着优于各种基准计划，而不充分利用网络中的信道/干扰空间分布。
2020-12-11 cs.IT cs.SY eess.SP
Integrated Access and Backhaul (IAB) in Low Altitude Platforms
本文研究了非地面网络中基于无人机的集成接入与回传（IAB）技术，构建和速率最大化问题并分解为波束成形与频谱分配子问题，提出高效解决方案，验证了IAB在空中网络中的有效性。
2024-07-28 cs.IT eess.SP math.IT
Path Planning for Cellular-Connected UAV: A DRL Solution with Quantum-Inspired Experience Replay
在蜂窝连接无人机网络中，考虑了时间代价与期望中断持续时间加权和的最小化问题。利用无人机机动性可调的特点，提出了一种智能无人机导航方法来实现上述优化目标。具体而言，将导航任务映射为马尔可夫决策过程（MDP），提出了一种基于量子启发经验回放（QiER）框架的深度强化学习（DRL）解决方案，帮助无人机在每个时隙内找到最佳飞行方向，从而生成朝向目的地的设计轨迹。通过将经历的跃迁的重要性与其相关联的量子比特（qubit）相关联，并应用基于Grover迭代的振幅放大技术，所提出的DRL-QiER解决方案在采样优先级和多样性之间实现了更好的权衡。与几个有代表性的基线相比，所提出的DRL-QiER解决方案的有效性和优越性在数值结果中得到了证明和验证。
2021-09-16 cs.SY eess.SP eess.SY
Unmanned Aerial Vehicle-Aided Communications: Joint Transmit Power and Trajectory Optimization
本文研究了无人机辅助网络的发射功率和轨迹优化问题。与现有的大多数固定通信基础设施的研究不同，一个动态的场景被认为是飞行的无人机同时为多个地面节点提供无线服务。为了充分利用由UAV的移动性提供的可控信道变化，UAV的发射功率和轨迹被联合优化以在给定时间长度内最大化最小平均吞吐量。针对具有功率预算和轨迹约束的非凸优化问题，提出了一种有效的发射功率和轨迹联合优化算法。仿真结果验证了该算法的有效性，优化后的发射功率在空间域具有注水特性。
2018-01-14 eess.SP
IRS-Aided Energy Efficient UAV Communication
无人机（UAV）已经逐渐获得关注，以克服毫米波通信的恶劣传播损耗和阻塞问题。然而，无人机通信系统受到能量消耗的影响，这限制了无人机的飞行时间。在本文中，我们提出了几个无人机能源消耗最小化技术，通过多个智能反射面（IRSs）的援助。具体而言，我们引入了一个易于处理的模型，以有效地捕捉多个IRS和多个用户设备（UE）的特性。然后，我们推导出一个封闭形式的表达UE可实现的速率，从而在易处理的优化问题。相应地，我们采用逐次凸逼近技术有效地解决了优化问题。为了弥补优化问题的高复杂性，我们提出了一个低复杂度的算法，有边际性能损失。在数值计算结果中，我们表明，所提出的算法可以节省无人机的能源消耗显着相比，基准没有IRS，证明利用IRS确实是有利于无人机的能源消耗最小化。
2023-01-02 cs.IT eess.SP math.IT
Trajectory Design for Multiple-UAV Assisted Wireless Networks
无人机（UAV）由于其高移动性和高效部署，可以提高蜂窝网络的性能。在本文中，我们提出了第一个研究如何用户的移动性影响无人机的轨迹的多无人机辅助无线通信系统。具体来说，我们认为无人机是作为空中基站部署的，为在不同地区之间移动的地面用户提供服务。通过优化无人机的飞行轨迹，最大化地面用户在下行通信中的吞吐量，同时考虑用户移动性、推进能量消耗和无人机相互干扰的影响。我们制定的问题作为一个无环有向图的路由选择问题。每个顶点表示与区域时间点中的平均用户吞吐量的奖励相关联的任务，而每个边与飞行和悬停期间的能量推进消耗的成本相关联。对于集中式轨迹设计，我们首先提出了最短路径方案，确定最佳的轨迹为单无人机的情况下。我们还提出了集中式路由选择（CRS）计划，系统地计算更一般的多无人机的情况下的最佳轨迹。由于集中式问题的NP困难性，本文考虑了无人机自主选择航迹的分布式航迹设计，提出了分布式航迹选择（DRS）方案，该方案在有限次迭代内收敛到纯策略纳什均衡。
2019-12-30 cs.IT eess.SP math.IT
