Coordinated Path Following Control of Fixed-wing Unmanned Aerial Vehicles
研究了二维平面内具有速度约束的固定翼无人机协调航迹跟踪问题。目标是沿着路径操纵UAV机群,同时实现期望的有序的UAV间弧距离。与以前的协调路径跟踪研究相比,我们能够通过我们提出的混合控制律来处理的前向速度和角速度的限制固定翼无人机。更具体地说,混合控制律使所有的无人机工作在两个不同的水平:那些无人机的路径跟踪误差是在一个不变集(即,设计的协调集合)在协调级别工作;而其他UAV在单智能体级别工作。在协调层次上,我们证明了即使有速度约束,所提出的控制律可以确保路径跟踪误差减小到零,而期望的弧距离收敛到期望值。在单智能体层次上,给出了路径跟踪误差进入协调集的收敛性分析。利用实际的无人驾驶仪和X-Plane仿真器,开发了多无人机系统半实物仿真试验平台。所提出的方法的有效性与MATLAB和试验台证实。
2020-05-10 cs.SY eess.SP eess.SY
Toward Low-Altitude Airspace Management and UAV Operations: Requirements, Architecture and Enabling Technologies
针对低空经济中空域管理与无人机运行系统分散、协同不足的问题,提出蜂窝原生 UTICN 架构及 ISAC、高精度定位、集群协同等关键技术,并通过两个用例验证可行性。
2025-06-11 cs.SY eess.SY
Density-Driven Multi-Agent Coordination for Efficient Farm Coverage and Management in Smart Agriculture
Department of Mechanical Engineering, New Mexico Institute of Mining and Technology(机械工程系,新墨西哥矿业与技术研究院)
本文提出基于密度的最优控制框架,用于智能农业中高效覆盖与管理,通过非均匀资源分配减少化学物质使用,提升作业效率与可持续性。
2025-11-16 cs.RO cs.SY eess.SY
Multi-Agent Inverse Reinforcement Learning for Identifying Pareto-Efficient Coordination -- A Distributionally Robust Approach
本文提出一种分布鲁棒的多智能体逆强化学习方法,通过推导帕累托高效协调的充要条件并设计最优检测器与效用估计算法,实现在噪声测量下识别无人机协调行为并重建效用函数。
2025-09-10 cs.SY eess.SP eess.SY
LLM-Enabled UAV Dispatch: A System-Level Survey and Taxonomy
Zhejiang University of Technology(浙江工业大学)
本综述系统梳理LLM赋能的无人机调度,提出跨层语义编排视角,归纳四种调度范式,分析LLM角色与挑战,为安全关键系统集成提供分类法与设计指南。
2026-10-08 cs.AI cs.SY eess.SY
AoI-Driven Hierarchical Learning for Cooperative Resource Sharing in Multi-Operator UAV Networks
University of Waterloo(滑铁卢大学);The University of Sydney(悉尼大学);Kuwait College of Science and Technology (KCST)(科威特科学与技术学院);Carleton University(卡尔顿大学);Tohoku University(东北大学)
针对多运营商无人机网络中协作资源共享与轨迹控制的NP难问题,提出AoI驱动的分层D3QN框架,通过中断补偿和负载平衡机制,在严重拥塞下平均AoI降低56.1%,并提升公平性。
2026-09-22 cs.SY eess.SY
A Class of Hierarchical Sliding Mode Control based on Extended Kalman filter for Quadrotor UAVs
University of Nevada, Reno(内华达大学雷诺分校)
本研究提出结合扩展卡尔曼滤波器与分层滑模控制的新方法,用于提升四旋翼无人机的状态估计鲁棒性并实现高效精确的轨迹跟踪,通过Lyapunov原理证明稳定性,实验验证了其有效性与可行性。
2025-03-24 cs.RO cs.SY eess.SY
Experimental Validation of Stable Coordination for Multi-Robot Systems with Limited Fields of View using a PortableMulti-Robot Testbed
Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学);Roma Tre University(罗马第三大学)
在本文中,我们解决的问题,稳定的协调运动的多机器人系统的视野(FOV)有限。这些问题自然会出现在基于传感进行交互的多机器人系统中,例如我们对多个无人驾驶飞行器(UAV)的案例研究,每个无人驾驶飞行器都配备有用于检测相邻UAV的几个摄像头。在这种情况下,我们的贡献是:i)首先,我们推导出一个框架,用于研究视野有限的多机器人系统的稳定运动和分布式拓扑控制; ii)然后,我们提供了室内和具有挑战性的室外环境中的实验结果(例如,风速高达每小时10英里)与一队无人机,以证明使用便携式多机器人实验装置的拟议控制框架的性能。
2019-09-16 cs.RO cs.SY eess.SY
A Hierarchical Architecture for the Coordination of an Ensemble of Steam Generators
这项工作提出了一个层次结构的蒸汽发生器,它需要共同维持一个共同的负载的合奏的最佳管理。独立子系统的协调由多层控制方案提供。高级优化器计算要分配给单个发电机的最佳生产份额。在中等水平,一个强大的管为基础的模型预测控制(MPC),提出了跟踪随时间变化的需求的合奏使用一个集中的,但聚集的模型,其顺序不缩放的子系统的数量。在低水位时,分散控制器用于稳定锅炉内部压力。该控制架构使得能够动态修改总体配置和即插即用操作。仿真结果表明,所提出的方法的潜力。
2020-06-22 cs.SY eess.SY
On Aggregation Performance in Privacy Conscious Hierarchical Flexibility Coordination Schemes
在本文中,我们介绍了一种方法的性能量化的灵活性聚合的灵活性协调计划(FCS),重点是隐私保护层次FCS。量化是基于两个性能指标:聚合误差和聚合效率。我们提出了一种复杂类型的灵活性提供单元(FPU),即能量存储系统(ESS)的仿真框架和建模。ESS导致跨期约束的灵活性协调,导致聚合错误的情况下,灵活性是从异构组FPU聚合。我们确定一个参数负责的聚合误差是ESS的功率能量比。一组FPU使用相似的功率能量比,以提高协调性能。此外,我们描述了灵活性需求时间序列的聚合误差的影响,得出的结论是,未来的评估聚合误差应考虑多个代表性的需求时间序列,这是一个不平凡的任务。最后,我们讨论了所开发的方法的适用性,更大的系统规模的场景。
2022-07-07 cs.SY eess.SY
Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach
University of Electronic Science and Technology of China(电子科技大学);Institute for Infocomm Research, Agency for Science, Technology and Research(新加坡科技研究局信息通信研究院)
本文研究了一种由主无人机(MUAV)供电的物联网(IoT)网络,其中我们建议使用配备智能反射表面(IRS)的可充电辅助无人机(AUAV)来增强MUAV的通信信号,并利用MUAV作为充电电源。在所提出的模型下,我们研究了这些能量有限的无人机的最佳协作策略,以最大限度地提高物联网网络的累积吞吐量。根据两个无人机之间是否有充电,两个优化问题制定。为了解决这些问题,提出了两种多智能体深度强化学习(DRL)方法,即集中训练多智能体深度确定性策略梯度(CT-MADDPG)和多智能体深度确定性策略选项评判(MADDPOC)。仿真结果表明,CT-MADDPG可以大大降低对无人机硬件计算能力的要求,MADDPOC能够支持连续动作域的低层次多Agent协作学习,与现有的基于选项的层次DRL只支持单Agent学习和离散动作相比具有很大的优势.
2021-12-20 cs.LG cs.SY eess.SY
SOC-Boundary and Battery Aging Aware Hierarchical Coordination of Multiple EV Aggregates Among Multi-stakeholders with Multi-Agent Constrained Deep Reinforcement Learning
本研究提出一种基于安全多智能体约束深度强化学习和权益证明算法的分层多利益相关者V2G协调策略,旨在优化DSO、EVA和EV用户的收益,同时增强可再生能源整合、减轻负荷波动并降低充电成本和电池退化。
2024-07-14 cs.SY eess.SY
UAV-assisted Online Machine Learning over Multi-Tiered Networks: A Hierarchical Nested Personalized Federated Learning Approach
Purdue University(普渡大学);University at Buffalo (SUNY)(纽约州立大学布法罗分校);Duke University(杜克大学)
我们研究了通过无人机(UAV)群在一组地理分布的、资源受限的设备集群上训练机器学习(ML)模型。设备集群中随时间变化的数据异质性和计算资源不足的存在激发了我们方法的四个关键部分:(i)由领导者、工作者和协调者UAV组成的分层UAV群,(ii)分层嵌套个性化联邦学习(HN-PFL),一种用于跨工作者-领导者-核心网络层次结构的个性化模型训练的分布式ML框架,(iii)通过在无人机群之间进行模型训练来解决设备的计算不足的合作无人机资源池,以及(iv)对时变数据分布进行建模的模型/概念漂移。在这样做时,我们认为微观(即,无人机级别)和宏(即,群级)系统设计。在微观层面,我们提出了网络感知的HN-PFL,在那里我们分布式编排群内的无人机,以优化能耗和ML模型性能,并保证性能。在宏观层面上,我们专注于群体轨迹和学习持续时间的设计,我们制定了一个顺序的决策问题,通过深度强化学习。我们的模拟展示了我们的方法在ML性能,网络资源节省和群轨迹效率方面所取得的改进。
2022-10-19 cs.LG cs.NI cs.SY
Market-Based Replanning for Safety-Critical UAV Swarms in Search and Rescue Missions
KTH Royal Institute of Technology(皇家理工学院);Swedish Defence Research Agency(瑞典国防研究机构);KTH Royal Institute technological Institute(皇家理工学院)
提出一种分布式协调架构IRDS,通过反向拍卖市场机制和几何共识协议,在无人机故障下自主重分配任务,在25%退化下保持93%任务成功率。
2026-06-01 cs.MA cs.RO cs.SY
A Game-Theoretic Decision Framework for Optimal Selection of Coordination Detection Methods in Multi-UAV Fleet Operations
Mobius Logic Inc.(慕比斯逻辑公司)
提出一个博弈论决策框架,通过将方法选择建模为监控者与自然之间的零和博弈,解决多无人机编队协调检测中速度与准确性的权衡问题,并利用混合策略保证最坏情况下的性能。
2026-11-05 cs.GT cs.MA cs.SY
Anti-Jamming based on Beam-Steering Antennas and Intelligent UAV Swarm Behavior
Military Academy Portuguese Army(葡萄牙陆军军事学院);INESC INOV and INESC-ID Instituto Superior Técnico, University of Lisbon(里斯本大学高等理工学院)
本文提出利用遗传算法优化无人机群形成、波束成形天线和交通路由,以提升抗干扰能力,通过稳健的信道减少干扰影响。
2026-01-17 cs.NI cs.SY eess.SY
Hierarchical Multi-agent Reinforcement Learning for Warehouse Robot Coordination under Communication Loss
Cornell University(康奈尔大学);Imperial College London(帝国理工学院)
本文提出一种分层多智能体强化学习框架,通过分组协调、循环预测器补偿通信丢失、高层策略生成协调参考及安全过滤器,提升仓库机器人任务完成率并保证安全。
2026-09-29 cs.RO cs.SY eess.SY
UAV-Assisted Cooperative Edge Inference for Low-Altitude Economy via MoE-based Hierarchical Deep Reinforcement Learning
The Hong Kong Polytechnic University(香港理工大学);Macau University of Science and Technology(澳门科技大学);City University of Hong Kong(香港城市大学)
本文提出了一种基于MoE的分层深度强化学习框架HDRL-MoE,用于优化无人机辅助的低空经济系统,通过联合优化无人机轨迹、推断任务卸载决策和特征压缩比,提升系统性能。
2026-05-19 cs.NI cs.SY eess.SY
Toward Mission-Critical ISAC: Reliable Energy-Aware Coordination in UAV Swarms
ICTFICIAL Oy(ICTFICIAL Oy公司);Ruhr University Bochum(波鸿鲁尔大学)
针对任务关键型无人机群,提出两层架构与后退时域交替优化算法,联合优化轨迹、时间分配与无线充电,显著降低感知误差并保障能量可持续性。
2026-09-22 cs.IT cs.MA cs.NI
Advanced Algorithms of Collision Free Navigation and Flocking for Autonomous UAVs
无人驾驶飞行器(UAV)对于包括农业、建筑、采矿、环境监测等在内的许多军事和民用应用已经变得非常流行。UAV的期望特征是能够以最少的人为交互自主地导航和执行任务。这是一个非常具有挑战性的问题,因为有几个因素,如无人机应用的高度复杂性,在恶劣环境中的操作,有限的有效载荷和机载计算能力以及高度非线性动力学。本报告中提出的工作有助于无人机控制的最新水平,以实现多无人机系统的安全自主导航和运动协调。本报告的第一部分涉及单无人机系统。解决了在未知/动态环境中的三维(3D)无碰撞导航的复杂问题。为此,先进的3D反应控制策略的开发采用感测和避免范例,以产生快速反应周围的障碍。一个特殊的情况下,在三维未知的封闭环境(即隧道)的导航也得到了解决。在设计中考虑了一般的三维运动学模型,这使得这些方法适用于除了水下航行器之外的不同类型的无人机。此外,不同的实现方法与四旋翼型无人机的控制设计中考虑无人机的动力学也进行了研究。实际的实验和仿真进行了分析所开发的方法的性能。本报告的第二部分涉及多无人机系统的安全导航。研究了多无人机编队飞行和三维区域覆盖的分布式运动协调方法。这些方法为大规模系统提供了良好的计算成本。考虑到系统具有不同的尺寸,进行了仿真,以验证这些方法的性能。
2021-10-30 cs.AI cs.RO cs.SY
Hierarchical Sensor-Spoofing Defence Framework for Networked DC Microgrids via Cyber-Physical Coordination
The University of Sheffield(谢菲尔德大学);University of Bristol(布里斯托大学);Zhejiang University(浙江大学)
针对网络化直流微电网传感器欺骗防御研究不足,提出基于网络物理协同的分层框架,通过MG-DER协同检测与缓解,经试验台实验验证其在多攻击场景下有效。
2026-08-17 cs.SY eess.SY
A Hierarchical Reinforcement Learning Framework for Multi-UAV Combat Using Leader-Follower Strategy
Beijing Academy of Artificial Intelligence(北京人工智能研究院)
针对多无人机空战高维与协作难题,提出基于领导者-跟随者策略的分层LFMAPPO框架,通过三层结构与角色分工提升协作和对抗性能,并经仿真验证。
2025-01-22 cs.AI cs.MA cs.RO
Collaborative Computation and Migration in Multi-UAV Networks with Semantic Communication
Nanjing University of Information Science and Technology(南京信息工程大学);Nanyang Technological University(南洋理工大学);The University of Sydney(悉尼大学)
本文提出一种语义通信多无人机边缘计算框架,联合优化任务卸载、迁移与轨迹控制,并设计基于异构图注意力网络的多智能体强化学习算法,以最大化语义相似度并降低延迟和能耗。
2026-09-15 cs.SY eess.SY
A Hierarchical Signal Coordination and Control System Using a Hybrid Model-based and Reinforcement Learning Approach
Department of Civil and Environmental Engineering, University of California, Davis(加州大学戴维斯分校土木与环境工程系)
本文提出融合模型优化与PPO强化学习的分层交通信号控制框架,通过HLC动态选择MFC、GWC或PAC策略,实现不同需求下吞吐量、停车与全网效率的稳健平衡。
2025-08-12 cs.AI cs.SY eess.SY
Hierarchical and Collaborative LLM-Based Control for Multi-UAV Motion and Communication in Integrated Terrestrial and Non-Terrestrial Networks
York University(约克大学);McGill University(麦吉尔大学)
针对地面与非地面一体化网络中的多无人机空中高速公路场景,提出 HAPS 与机载 LLM 分层协作框架,联合完成接入控制及运动规划,提升奖励、降低成本与碰撞率。
2025-06-06 cs.AI cs.LG cs.NI
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology(佐治亚理工学院)
近年来,研究人员委托机器人和无人机(无人机)团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上,但迄今为止,这些UAV团队还没有被赋予推理火灾轨迹的能力(即,位置和传播动态)以在时间范围上提供性能保证。受空中野火监测问题的启发,我们提出了一个预测框架,该框架使多无人机团队能够在概率性能保证的情况下进行合作,以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的,分析的时间,和跟踪误差的界限,使无人机团队分配其有限的资源,并根据情况下的特定估计状态覆盖整个火灾区域,并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究,一般适用于问题,如搜索和救援,目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架,以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能,分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY
Design and Implementation of Emergency Simulated Lighting System Based on Tello UAV
本文提出一种基于Tello无人机的应急照明系统原型,通过照明、寻址和飞行控制三个模块,利用模拟退火算法优化部署位置,实现快速响应和自主部署,为密集和稀疏用户提供高质量照明服务。
2023-05-15 cs.SY eess.SY
Hierarchical-distributed optimized coordination of intersection traffic
University of California, San Diego(加利福尼亚大学圣地亚哥分校)
本文提出一种分层分布式方法,通过中央交叉口管理者与车辆通信并分组,优化交叉口及分支的通行调度,平衡计算复杂度与系统最优性,同时确保交通安全。
2017-01-16 cs.SY eess.SY math.OC
Intelligent Multi-UAV Navigation in ITNTNs: A Hierarchical LLM Approach
针对高速无人机在三维空中高速公路部署中面临的协调问题,提出分层大语言模型驱动控制框架,利用云端大语言模型管理全局负载平衡,边缘大语言模型转化局部观测为子目标,引导深度强化学习控制器执行轨迹,降低碰撞率并提高系统吞吐量。
2026-07-22 cs.AI cs.LG cs.NI
Hierarchical LLM-Driven Control for HAPS-Assisted UAV Networks: Joint Optimization of Flight and Connectivity
Department of Electrical Engineering and Computer Science, York University(约克大学电气工程与计算机科学系);Samsung Research America(三星美国研究院);Department of Software and IT Engineering, École de technologie supérieure (ÉTS), University of Quebec(魁北克大学软件与信息技术工程系,École de technologie supérieure);Non-Terrestrial Networks (Carleton-NTN) Lab and the Department of Systems and Computer Engineering, Carleton University(非地面网络(Carleton-NTN)实验室和系统与计算机工程系,卡尔顿大学)
本文研究了在整合陆地和非陆地网络中多无人机系统的联合优化问题,提出基于LLM的分层多速率控制框架,通过高精度仿真平台验证了其在提升运输效率、通信吞吐量和减少碰撞率方面的优势。
2026-05-12 cs.AI cs.LG cs.MA
Deep Reinforcement Learning-Based Battery Conditioning Hierarchical V2G Coordination for Multi-Stakeholder Benefits
State Grid Fujian Electric Power Research Institute(国网福建省电力科学研究院)
提出基于深度强化学习和权益证明算法的多利益相关方分层V2G协调策略,兼顾电网、EVA和用户三方利益,有效提升可再生能源消纳、缓解负荷波动并降低充电成本与电池退化。
2023-08-01 cs.AI cs.LG cs.SY
Collision Avoidance in Tightly-Constrained Environments without Coordination: a Hierarchical Control Approach
University of California at Berkeley(加州大学伯克利分校)
我们提出了一种分层控制方法,用于在严格约束的环境中操纵自动驾驶汽车(AV),其中存在其他移动的AV和/或人类驾驶的车辆。提出了一个两级层次结构:一个高层次的数据驱动的策略预测器和一个低层次的基于模型的反馈控制器。策略预测器通过神经网络将动态环境的编码映射到一组高级策略。取决于所选择的策略,一组时变超平面在AV的位置空间在线生成和相应的半空间约束包括在较低级别的基于模型的滚动时域控制器。这些依赖于策略的约束驱使车辆驶向可能保持可行性的区域。此外,预测的策略还通知在离散策略集之间的切换,这允许在预测置信度低时进行更保守的行为。我们证明了所提出的数据驱动的分层控制框架的有效性,在两辆车的碰撞避免的情况下,通过模拟和实验的1/10规模的自主汽车平台上的策略指导的方法优于模型预测控制基线在这两种情况下。
2021-03-18 cs.RO cs.SY eess.SY
A Hierarchical Approach to Optimal Flow-Based Routing and Coordination of Connected and Automated Vehicles
University of Delaware(特拉华大学);Cornell University(康奈尔大学)
针对宏观最优车流实际难以实现的问题,提出一种面向网联自动驾驶车辆(CAVs)的分层路由恢复与生态驾驶策略,通过启发式算法分配路线并协调交叉口通行,有效降低城市总行程时间与能耗。
2023-09-07 cs.RO cs.SY eess.SY
Barriers on the EDGE: A scalable CBF architecture over EDGE for safe aerial-ground multi-agent coordination
Robotics and Artificial Intelligence Group of the Department of Computer Science, Electrical and Space Engineering at Luleå University of Technology(鲁内斯大学机器人与人工智能小组)
本文提出一种基于EDGE的混合集中式-分布式CBF控制架构,通过时变控制屏障函数解决空地多智能体系统在受限空间中的安全协调问题,并利用边缘计算节点动态激活相关约束以降低网络复杂性和机载处理需求。
2025-08-13 cs.RO cs.SY eess.SY
Plant-Wide Hierarchical Electricity-Heat Coordination for Large-Scale Cold-Region ReP2H Plants via Bidirectional Thermal Coupling
College of Electrical Engineering, Sichuan University(四川大学电气工程学院)
针对寒冷地区大规模ReP2H工厂频繁启停的热应力等问题,提出全厂级热拓扑与分层电-热管理框架,通过双向热耦合实现预热等功能,可消除冷启动、提升产氢效率并降低成本。
2026-08-11 cs.SY eess.SY math.OC
Dynamics and Control of Vision-Aided Multi-UAV-tethered Netted System Capturing Non-Cooperative Target
Harbin Institute of Technology(哈尔滨工业大学)
本文提出多无人机系留网捕获非合作目标方案,并开发集成多体动力学、视觉跟踪与MAPPO强化学习控制的mySim仿真环境,验证了对非机动和机动目标的有效捕获能力。
2025-06-03 cs.RO cs.SY eess.SY
Multi-UAV Trajectory Optimization for Bearing-Only Localization in GPS Denied Environments
Dept. of Mechanical and Aerospace Engineering(机械与航空航天工程系)
本文提出了一种利用固定相机UAV与水面舰艇协同工作的轨迹优化方法,通过减少定位误差和系统复杂性,提升了无GPS环境下的目标定位性能。
2026-02-11 cs.RO cs.SY eess.SY
Joint Channel Assignment and Power Allocation for Multi-UAV Communication
无人机群通过利用更有利的视距传播,为未来无线网络实现更好的覆盖和更高的容量提供了一种新的模式。为了获得无人机群的潜在收益,地面控制单元(GCU)发送的遥控信号是必不可少的,而控制信号的质量在实践中由于相邻信道干扰(ACI)和来自分布在该区域的辐射源的外部干扰(EI)的影响而敏感。为了应对这些挑战,本文考虑了多无人机通信系统中的优先级感知资源协调,其中多个无人机由GCU控制以执行具有预定义轨迹的某些任务。具体而言,我们最大化的最小信号干扰噪声比(SINR)之间的所有无人机通过联合优化信道分配和功率分配策略下严格的资源可用性约束。根据ACI的强度,我们考虑了两种情况下的相应问题,即,空ACI和ACI系统。利用Null-ACI情形下的特殊问题结构,我们首先将其转化为等价的更易处理的形式,并通过匈牙利算法获得全局最优解。对于一般的ACI系统,我们发展了一个有效的迭代算法,其解决方案的基础上光滑逼近和交替优化方法。大量的仿真结果表明,所提出的算法可以显着提高所有无人机之间的最小信干噪比,并适应不同的任务优先级的通信资源分配。
2020-08-19 cs.SY eess.SP eess.SY
Coordination and Communication of Autonomous Subsystems in Cyber Physical Systems: A Mechanism Learning Approach
在许多自主子系统(诸如自主车辆或UAV网络)的控制中,集中控制可能受到子系统的过高复杂性、有限通信带宽或私有信息的阻碍。因此,控制中心需要通过设计定价等机制来协调子系统的控制,这使得子系统动态的局部优化也最大化整个系统的回报,即社会福利。机制设计的经济学框架被用于自治子系统的协调。为了解决传统经济学机制设计中没有考虑的动态性和私人信息的复杂性的挑战,采用几何化和机器学习的方法,通过赋予问题不同的几何结构。理论框架应用在城市空中机动性的背景下,数值模拟表明所提出的框架的有效性。
2020-04-29 cs.IT cs.SY eess.SY
Visual Heading Prediction for Autonomous Aerial Vehicles
Department of Computer Science at North Carolina A&T State University(北卡罗来纳A&T州立大学计算机科学系);Department of Electrical and Computer Engineering at North Carolina A&T State University(北卡罗来纳A&T州立大学电气与计算机工程系)
本文提出基于视觉的数据驱动框架,实现无人机与无人地面车辆的实时整合,通过YOLOv5检测UGV并利用轻量级ANN预测航向角,实现高精度的导航与协调。
2025-12-10 cs.AI cs.CV cs.MA
JCAS-MARL: Joint Communication and Sensing UAV Networks via Resource-Constrained Multi-Agent Reinforcement Learning
本文提出JCAS-MARL框架,利用多智能体强化学习解决无人机网络中通信、感知与能源约束的协同优化问题,通过动态通信图实现多无人机共识以提高检测可靠性。
2026-03-13 cs.AI cs.IT cs.LG