Optimizing Age of Trust and Throughput in Multi-Hop UAV-Aided IoT Networks
本文针对太阳能供电的多跳无人机辅助物联网网络，提出基于深度强化学习的无人机充电计划与设备证明选择优化方案，显著降低信任年龄和吞吐量损失。
2025-07-05 cs.AI cs.LG cs.NI
3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning
Queen’s University Belfast（贝尔法斯特女王大学）；Ho Chi Minh City University of Technology and Education（胡志明市技术教育大学）；Tyndall National Institute（廷德尔国家研究所）；University of Southampton（南安普顿大学）
为了提高无线通信的网络性能和覆盖范围，现在开始部署无人机（UAV）。然而，由于其机载功率和飞行时间的限制，这是具有挑战性的，以获得一个最佳的资源分配方案，无人机辅助物联网（IoT）。在本文中，我们设计了一种新的无人机辅助物联网系统，该系统依赖于无人机的最短飞行路径，同时最大限度地提高从物联网设备收集的数据量。然后，设想了一种基于深度强化学习的技术，用于在特定覆盖区域中找到最佳轨迹和吞吐量。经过训练后，无人机能够以显著的总速率提高自主收集来自用户节点的所有数据，同时最大限度地减少所使用的相关资源。提供的数值结果，以突出我们的技术如何达到的吞吐量，轨迹和所花费的时间之间的平衡。更明确地说，我们在无人机轨迹，预期的回报和总的总和率方面的可达到的性能。
2021-06-06 cs.AI cs.LG eess.SP
TRUAV: Distributed Multi-Agent Reinforcement Learning for Trajectory Planning and Routing Enhancement in UAV-Aided IoT-Enabled VANETs
Hangzhou International Innovation Institute of Beihang University（北京航空航天大学杭州国际创新研究院）；School of Automation Science and Electrical Engineering at Beihang University（北京航空航天大学自动化科学与电气工程学院）；State Key Laboratory of Intelligent Manufacturing Systems Technology（智能制造系统技术国家重点实验室）；School of Transportation, Southeast University（东南大学交通学院）；Digital Health Research Center, Haihe Lab of ITAI（海河信息技术与人工智能实验室数字健康研究中心）；School of Cyber Science, Nankai University（南开大学网络空间科学学院）；China-SCO Digital Intelligence Applications (DIA) Joint Laboratory（中国-上海合作组织数字智能应用联合实验室）；College of Engineering, Abu Dhabi University（阿布扎比大学工程学院）；Faculty of Engineering and Architecture, Nisantasi University（尼桑塔西大学工程与建筑学院）；School of Information Engineering, Guangdong University of Technology（广东工业大学信息工程学院）
研究无人机辅助车联网中轨迹规划与路由增强问题，提出基于独立表格Q学习的分布式多智能体强化学习框架TRUAV，其智能体依局部信息运行，奖励设计兼顾多种因素，模拟显示该框架在多方面表现良好，还讨论了相关挑战与方向。
2026-07-28 cs.LG cs.NI
To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对智能农场物联网（IoT）环境下多接入边缘计算（MEC）辅助无人机（UAV）网络的任务卸载决策算法，提出了一种深度强化学习技术。任务卸载技术使用金融概念，如成本函数和条件风险变量（CVaR），以量化每个风险行为可能造成的损害。该方法能够量化潜在的风险，以训练强化学习代理，以避免将导致农场不可逆转的后果的风险行为。这些后果包括未被发现的火灾、虫害或无人机无法使用。将所提出的基于CVaR的技术与其他深度强化学习技术和两种固定的基于规则的技术进行了比较。仿真结果表明，基于CVaR的风险量化方法消除了最危险的风险，这是超过火灾探测任务的最后期限。因此，它减少了违反最后期限的总数，而能源消耗的增加微不足道。
2023-02-14 cs.AI cs.LG cs.NI
Meta Reinforcement Learning for Strategic IoT Deployments Coverage in Disaster-Response UAV Swarms
Hamad Bin Khalifa University（哈马德·本·哈利法大学）
针对灾害响应中无人机集群服务战略物联网位置的能耗与路径规划难题，提出轻量级元强化学习方法，实现快速收敛并优于三种现有学习算法。
2024-01-20 cs.LG cs.RO
Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
针对 IoT 数据上行的信息年龄与能耗问题，提出基于 Markov 流量预测和 DRL 的多 UAV 轨迹与调度联合优化框架，性能优于 RW 基线。
2024-01-24 cs.AI cs.LG cs.NI
Model-aided Deep Reinforcement Learning for Sample-efficient UAV Trajectory Design in IoT Networks
EURECOM（欧洲通信学院）
深度强化学习（DRL）作为一种潜在的方法正在受到关注，用于设计在蜂窝或物联网（IoT）连接背景下用作飞行接入点的自主无人机（UAV）的轨迹。DRL解决方案提供了在线学习的优势，因此依赖于很少的先验上下文信息。然而，一个相应的缺点在于需要许多学习情节，这严重限制了这种方法在现实世界中的时间和能量受限的任务的适用性。在这里，我们提出了一种模型辅助的深度Q学习方法，与以前的工作相比，该方法大大减少了对大量训练数据样本的需求，同时仍然实现了DRL的首要目标，即在没有无线信道特性的先验知识和无线节点位置的有限知识的情况下，引导电池有限的UAV在有效的数据采集轨迹上。其关键思想在于使用一小部分节点作为锚（即具有已知位置），并学习传播环境的模型，同时隐式地估计常规节点的位置。与模型的交互允许我们训练一个深度Q网络（DQN）来近似最优的无人机控制策略。我们表明，与标准的DRL方法相比，所提出的模型辅助方法需要至少一个数量级的训练数据样本，以达到相同的数据汇集性能，从而提供了第一步，使DRL一个可行的解决方案的问题。
2021-10-05 cs.IT cs.LG math.IT
AirFed: A Federated Graph-Enhanced Multi-Agent Reinforcement Learning Framework for Multi-UAV Cooperative Mobile Edge Computing
Indian Institute of Science（印度科学理工学院）
AirFed通过联邦图增强的多智能体强化学习框架，解决多无人机协同移动边缘计算中的轨迹规划、任务卸载和资源分配问题，实现高效知识共享和显著性能提升。
2025-11-25 cs.DC cs.LG
Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach
Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；University of Surrey（萨里大学）；University of New South Wales（新南威尔士大学）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）
在本文中，我们研究了一个复杂的三维（3D）环境中的无人机（UAV）辅助物联网（IoT）系统，其中UAV的轨迹经过优化，可以有效地从多个IoT地面节点收集数据。与现有的方法只集中在一个简化的二维场景和完善的信道状态信息（CSI）的可用性，本文考虑了一个实际的3D城市环境与不完善的CSI，无人机的轨迹设计，以最大限度地减少数据汇集完成时间受到实际吞吐量和飞行运动约束。具体而言，受最先进的深度强化学习方法的启发，我们利用双延迟深度确定性策略梯度（TD 3）来设计无人机的轨迹，并提出了一种基于TD 3的轨迹设计完成时间最小化（TD 3-TDCTM）算法。特别地，我们设置附加信息，即，融合后的信息素，代表无人机和环境的状态信息，作为奖励的参考，便于算法设计。该算法以物联网节点的服务状态、无人机的位置和融合信息素为输入，能够不断自适应地学习如何调整无人机的运动策略。该算法通过与外部环境的相互作用，在相应的马尔可夫决策过程中，所提出的算法可以实现一个接近最优的导航策略。我们的仿真结果表明，所提出的TD 3-TDCTM算法优于三个传统的基于非学习的基线方法。
2021-07-23 cs.IT cs.LG eess.SP
Optimizing Energy and Data Collection in UAV-aided IoT Networks using Attention-based Multi-Objective Reinforcement Learning
Advanced Wireless Technology Lab, Paris Research Center, Huawei Technologies France（华为法国技术有限公司巴黎研究中心先进无线技术实验室）；EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部）；Communication Systems Department, EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部通信系统部）；Dept. of Computer Science and Artificial Intelligence, University of Granada, Spain（Granada大学计算机科学与人工智能系）
本文提出一种基于注意力的多目标强化学习方法，用于优化无人机辅助物联网网络中的能耗与数据采集，通过单一模型实现动态场景适应，提升性能与泛化能力。
2026-01-20 cs.LG cs.NI
Muti-Agent Proximal Policy Optimization For Data Freshness in UAV-assisted Networks
Mohammed VI Polytechnic University（穆罕默德六世理工大学）
无人机（UAV）被视为在无线通信网络中执行广泛任务的有前途的技术。在这项工作中，我们考虑部署一组无人机来收集物联网设备生成的数据。具体而言，我们专注于收集的数据具有时间敏感性的情况，保持其及时性至关重要。我们的目标是优化设计无人机的轨迹和访问的物联网设备的子集，如全球更新周期（AoU）最小化。为此，我们制定了一个混合整数非线性规划（MINLP）的时间和服务质量的约束下研究的问题。为了有效地解决由此产生的最优化问题，我们研究了合作多智能体强化学习（MARL）框架，并提出了一种基于流行的策略强化学习（RL）算法：策略邻近优化（PPO）的RL方法。我们的方法利用了集中式训练分散执行（CTDE）框架，在该框架中，无人机在训练集中式价值函数的同时学习其最佳策略。我们的仿真结果表明，与传统的非策略强化学习方法相比，所提出的MAPPO方法将全局AoU降低了至少1/2。
2023-03-15 cs.LG math.OC
Multi-UAV Path Planning for Wireless Data Harvesting with Deep Reinforcement Learning
EURECOM（欧洲通信学院）；Technical University of Munich（慕尼黑工业大学）
从具有多个自主无人机（UAV）的分布式物联网（IoT）设备获取数据是一个具有挑战性的问题，需要灵活的路径规划方法。我们提出了一种多智能体强化学习（MARL）方法，与以前的工作相比，可以适应定义数据收集任务的场景参数的深刻变化，例如部署的无人机数量，物联网设备的数量，位置和数据量，或最大飞行时间，而不需要执行昂贵的重新计算或重新学习控制策略。我们制定了一个合作的，非通信的，同质的无人机团队的路径规划问题，其任务是最大限度地提高从分布式物联网传感器节点收集的数据受飞行时间和避免碰撞的限制。路径规划问题被转化为一个分散的部分可观测马尔可夫决策过程（Dec-POMDP），我们解决了通过深度强化学习（DRL）的方法，近似的最佳无人机控制策略，而无需在密集的城市环境中具有挑战性的无线信道特性的先验知识。通过利用被馈送到代理的卷积层的环境的集中的全局和局部地图表示的组合，我们表明，我们提出的网络架构使代理能够通过仔细地在它们之间划分数据汇集任务来有效地合作，适应大型复杂的环境和状态空间，并做出平衡数据汇集目标、飞行时间效率导航限制。最后，学习一个控制策略，概括了场景参数空间，使我们能够分析单个参数对收集性能的影响，并提供一些直观的系统级效益。
2021-06-03 cs.IT cs.LG cs.MA
Optimal UAV Deployment for Rate Maximization in IoT Networks
我们考虑在同一高度上的多个无人机（UAV）作为物联网设备网络的数据收集器。首先，使用概率视线信道模型，确定IoT设备到UAV的最佳分配。接下来，对于大量无人机和/或大型无人机高度的渐近制度，我们提出了最佳数据速率的封闭形式的解析表达式，并表征相应的最佳无人机部署。我们还提出了一个简单的迭代算法，以找到最佳的部署与少量的无人机在高海拔地区。全局最优的数值解的一般率最大化问题，发现使用粒子群优化。
2020-04-18 cs.SY eess.SP eess.SY
Green IoT using UAVs in B5G Networks: A Review of Applications and Strategies
无人机（Unmanned Aerial Vehicles，简称UAV）是一种非常有前途的先进技术，可以显著提高人们的生活质量和城市的智能化程度，并提高整体经济效益。无人机在支持许多应用方面已经获得了极大的兴趣，例如监视、农业、通信、运输、污染监测、灾害管理、公共安全、医疗保健和环境保护。工业4.0应用被认为是可以自动和协作改进5G（B5G）的智能事物。因此，需要物联网（IoT）来确保在实时监控的真实世界应用中的任何地方有效地进行大量事物之间的协作。然而，许多IoT设备在传输从周围环境收集的数据时消耗大量的能量。由于无人机能够更接近物联网，无人机技术通过传输收集的数据来实现可持续、可靠、环保的工业4.0，在绿化物联网方面发挥着至关重要的作用。该调查概述了最近提出的技术和策略，以使用无人机基础设施实现绿色物联网，从而实现可靠和可持续的智能世界。这次调查在概念、重点和讨论方面与其他尝试不同。最后，介绍了使用无人机的绿色物联网的各种用例、挑战和机遇。
2021-03-31 eess.SP
UAV Deployment, Device Scheduling and Resource Allocation for Energy-Efficient UAV-Aided IoT Networks with NOMA
本文研究了非正交多址接入（NOMA）增强型物联网（IoT）网络中的能效问题，其中移动无人机（UAV）被用作飞行基站，通过NOMA协议从地面设备收集数据。以网络能量效率最大化为目标，提出了无人机部署、设备调度和资源分配的联合问题。首先，我们将联合设备调度和频谱分配问题表示为一个三边匹配问题，并提出了一种新的低复杂度的近似最优算法。我们还引入了新的概念，“探索”的匹配游戏，进一步提高性能。通过算法分析，证明了最终匹配状态的收敛性和稳定性。其次，为了给物联网设备分配适当的发射功率，我们采用Dinkelbach算法来获得最优功率分配解决方案。此外，我们提供了一个简单但有效的方法，基于磁盘覆盖问题，以确定最佳的数量和位置的无人机的停止点，以确保所有的物联网设备可以完全覆盖的无人机通过视线（LoS）链路，为了更好的信道条件。数值结果揭示：i）与预定义的固定UAV部署情况和固定功率分配方案相比，所提出的联合UAV部署、设备调度和资源分配方案实现了更高的EE，具有可接受的复杂度;以及ii）具有NOMA的UAV辅助IoT网络在接入设备的数量方面大大优于OMA情况。
2021-03-16 eess.SP
UAV Relay-Assisted Emergency Communications in IoT Networks: Resource Allocation and Trajectory Optimization
无人飞行器（UAV）通信已经成为用于紧急通信的突出技术（例如，物联网（IoT）网络中的自然灾害（自然灾害），以提高灾害预测，损失评估和救援行动的能力。无人机可以部署为飞行基站（BS），从时间受限的物联网设备收集数据，然后将其传输到地面网关（GW）。通常，IoT设备的延迟约束和UAV有限的存储容量高度阻碍了UAV辅助IoT网络的实际应用。在本文中，{全双工（FD）无线电}采用的无人机，以克服这些挑战。此外，还考虑了用于基于无人机的中继的半双工（HD）方案，以提供两种模式之间的比较研究（即，FD和HD）。{在此，如果设备的数据由UAV收集并且在飞行时间期间及时传送到GW，则认为设备被成功服务}。在这种情况下，我们的目标是通过联合优化带宽，功率分配和无人机轨迹，同时满足每个设备的要求和无人机有限的存储容量，最大限度地增加服务的物联网设备的数量。由于其非凸性和组合性质，制定的优化问题是麻烦的解决。{对于有吸引力的应用，我们首先将二进制变量放宽为连续变量，并将原始问题转换为更易于计算的形式。利用内逼近框架，我们得到新的近似函数的非凸部分，然后开发一个简单而有效的迭代算法的解决方案。接下来，我们尝试根据所服务的IoT设备的数量来最大化总吞吐量。最后，数值结果表明，所提出的算法显着优于基准方法的服务物联网设备的数量和系统吞吐量。
2021-08-16 eess.SP
Delay Optimization of a Federated Learning-based UAV-aided IoT network
本文研究无人机辅助物联网中结合SWIPT与联邦学习的时延优化问题，通过无人机聚合权重更新并单播回传，验证了该方案可在不耗尽设备电池的前提下保证通信效率。
2025-02-10 eess.SP
The Role of UAV-IoT Networks in Future Wildfire Detection
由于全球野火的严重性和频率增加，野火管理和检测的挑战最近越来越受到关注。流行的火灾探测技术，如卫星成像和基于遥感相机的传感技术，存在探测时间晚、可靠性低的问题，而早期野火探测是防止大规模火灾的关键。在本文中，我们提出了一种新的基于无人机辅助物联网（UAV-IoT）网络的野火检测解决方案。主要目标是（1）研究用于野火检测的UAV-IoT网络的性能和可靠性，以及（2）提出优化UAV-IoT网络的指导方针，以在有限的预算下提高火灾检测概率。我们专注于优化物联网设备的密度和覆盖森林区域的无人机数量，以便在有限的时间和预算内最大限度地提高野火检测概率的下限。在火灾发生后的任何时候，距离火灾有限距离内的物联网设备都可以检测到火灾。只有当无人机在附近时，这些物联网设备才能报告它们的测量结果。离散时间马尔可夫链（DTMC）分析被用来计算在离散时间的火灾探测概率。在宣布火灾检测之前，验证状态被设计为考虑物联网设备的实际限制，例如误检和误报概率。数值结果表明，如果有足够的系统预算，基于UAV-IoT的火灾探测可以提供比最先进的卫星成像技术更快，更可靠的野火探测解决方案。
2020-07-28 cs.NI eess.SP
Strategic Deployment of Swarm of UAVs for Secure IoT Networks
本研究提出利用UAV作为空中基站，结合博弈论与凸优化方法解决IoT节点关联、UAV三维定位与功率分配问题，显著提升了地面IoT网络的安全传输保密性能。
2023-09-10 eess.SP
Multi-UAV Path Learning for Age and Power Optimization in IoT with UAV Battery Recharge
在许多新兴的物联网（IoT）应用中，新鲜度是一个重要的设计标准。信息年龄（AoI）量化了接收到的信息或状态更新的新鲜度。这项工作考虑了物联网网络中部署的物联网设备的设置;多个无人机（UAV）充当传感器和基站之间的移动中继节点。我们制定了一个优化问题，以联合规划无人机的轨迹，同时最小化接收到的消息和设备的能量消耗的AoI。该解决方案考虑了无人机的电池寿命和到充电站的飞行时间，以确保无人机的绿色运行。使用深度强化学习算法有效地解决了复杂的优化问题。特别地，我们提出了一个深度Q网络，它作为一个函数近似来估计状态-动作值函数。与贪婪算法（GA）、最近邻算法（NN）和随机游走算法（RW）等基准算法相比，该算法具有收敛速度快、遍历时间短、遍历能耗低等优点。
2023-01-09 cs.NI eess.SP
Joint-optimization of Node placement and UAV's Trajectory for Self-sustaining Air-Ground IoT system
由于可持续的电力供应和环保特性，自供电物联网设备越来越多地应用于各个领域，例如在偏远地区提供观测数据，特别是在农村地区或灾后场景。通常，通过多跳中继，那些自供电IoT设备的感测数据由连接到IoT骨干的汇聚节点收集。然而，由于位置偏远，接收器需要位于监测区域的边界，物联网和电气基础设施的骨干都可以访问。在这种部署下，考虑到监控区域的大规模，将产生显著的数据流和中继开销。基于此，本文旨在设计一种无人机辅助的自供电异构系统，以提供全面的监测数据。在该系统中，由于无人机（UAV）易于部署的优势，我们派遣无人机定期从自供电的物联网设备上采集数据，以缓解数据溢出。此外，基于自供电物联网设备在重数据流领域具有更可观的能力，我们还开发了一种布局升级策略，将一般同构自供电物联网系统升级为异构自供电物联网系统。仿真结果表明，与同类自供电物联网系统相比，所开发的无人机辅助自供电异构系统可以实现$1.28\times$左右的数据传输量。
2022-07-25 eess.SP
AoI-minimizing Scheduling in UAV-relayed IoT Networks
George Mason University（乔治梅森大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
由于灵活性、自主性和低操作成本，作为固定空中基站的无人驾驶飞行器（UAV）越来越多地被用作\textit{relays}来收集时间敏感信息敏感信息（即，状态更新），并将其传递到附近的地面基站（TBS），在那里信息得到处理。为了确保信息（从所有IoT设备）到TBS的及时递送，时间敏感信息在两跳UAV中继IoT网络（即，IoT设备到UAV [跳1]，以及UAV到TBS [跳2]）成为关键挑战。为了解决这个问题，我们提出了在这种两跳无人机中继物联网网络中最小化信息年龄（AoI）的调度策略。为此，我们提出了一种低复杂度的MAF-MAD调度器，该调度器采用最大AoI优先（MAF）策略来对UAV（跳1）处的IoT设备进行采样，并采用最大AoI差异（MAD）策略来更新从UAV到TBS（跳2）的采样数据包。我们表明，MAF-MAD是理想条件下的最佳调度，即，无差错信道和在物联网设备上随意生成流量。相反，对于现实条件，我们提出了一种基于Deep-Q-Networks（DQN）的调度器。我们的仿真结果表明，基于DQN的调度器优于MAF-MAD调度器和其他三个基线调度器，即，最大AoI优先（MAF）、循环调度（RR）和随机，在网络较小（具有数十个IoT设备）的一般条件下在两跳处采用。然而，它不能很好地扩展网络规模，而MAF-MAD在所有考虑的大型网络场景下都优于所有其他路由器。
2021-09-24 cs.AI cs.NI eess.SP
UAV-Assisted MEC Architecture for Collaborative Task Offloading in Urban IoT Environment
本文提出一种无人机辅助MEC协作架构，通过联合优化任务卸载策略与无人机拓扑，有效提升了城市物联网环境中的用户满意度与服务商利润。
2025-01-31 cs.NI cs.SY eess.SP
Time-Constrained Erasure Correction for Data Recovery in UAV-Aided IoT
Indian Institute of Technology Bhubaneswar（印度理工学院布巴内斯瓦尔分校）
本文提出了一种受时间约束的数据恢复方案，利用 fountain 编码和信息复制提高无人机辅助物联网网络的上行链路可靠性。
2026-01-27 cs.NI eess.SP
Analysis of UAV-Enabled IoT Networks with Energy Harvesting and Wake-Up Radio
AUB（美国大学）；KAUST（阿卜杜拉国王科技大学）
研究基于能量收集和唤醒无线电的无人机物联网网络，通过将设备行为建模为离散时间马尔可夫链，利用随机几何和相关分析开发数学框架，揭示传输频率与能耗权衡，表明调整参数可提升能量效率和传输可靠性。
2026-07-28 eess.SP
Joint Energy and SINR Coverage Probability in UAV Corridor-assisted RF-powered IoT Networks
针对无人机走廊辅助的射频供能物联网网络，研究能量与SINR联合覆盖概率，通过建模空中走廊与视距概率推导精确解与紧近似，给出最优无人机部署数和走廊长度。
2024-09-13 cs.IT eess.SP math.IT
Joint Uplink-and-Downlink Optimization of 3D UAV Swarm Deployment for Wireless-Powered NB-IoT Networks
研究了一种基于全双工正交频分多址（OFDMA）的多无人机无线供电物联网（IoT）网络。在本文中，首先在三维（3D）中部署一群无人机，以同时为所有设备充电，即，下行链路（DL）计费时段，然后飞到该区域内的新位置，以在若干个时期中经由OFDMA从调度的设备收集信息，这是由于窄带IoT中可用的信道的潜在有限数量，即，上行链路（UL）通信时段。为了最大化物联网设备的上行吞吐量，我们联合优化了无人机群的上下行3D部署，包括设备-无人机关联、调度顺序和上下行时间分配。特别地，在研究该问题时，考虑了设备的DL能量收集（EH）阈值和UAV的UL信号解码阈值。此外，根据传感器和无人机的位置，研究了视距（LoS）和非视距（NLoS）信道模型。通过对物联网调度策略的研究，还考虑了NB-IoT中潜在的有限信道问题的影响。研究了两种调度策略：近优先（NF）策略和远优先（FF）策略。结果表明，NF方案优于FF方案的总和吞吐量最大化，而FF方案优于NF方案的系统公平性。
2020-08-07 cs.IT eess.SP math.IT
Effect of Phase Shift Errors on the Security of UAV-assisted STAR-RIS IoT Networks
本文研究相位偏移误差对无人机搭载STAR-RIS辅助NOMA物联网系统安全性能的影响，利用von Mises分布建模误差并推导遍历安全速率闭式表达式，通过优化无人机位置最大化加权和安全速率。
2025-08-16 eess.SP
UAV-Enabled IoT Networks: A SWIPT Energy Harvesting Architecture with Relay Support for Disaster Response
本文提出一种基于SWIPT技术的无人机赋能物联网网络架构，通过优化能量收集和中继支持，提升灾害响应网络的效率与覆盖能力。
2025-02-10 eess.SP
Multiple UAV-Assisted Cooperative DF Relaying in Multi-User Massive MIMO IoT Systems
本文针对多用户大规模MIMO物联网系统，提出联合优化混合波束成形、多无人机中继定位与功率分配的方法，以最大化总可达速率，并验证其优于单无人机及固定配置方案。
2024-04-03 cs.IT eess.SP math.IT
UAV-Aided Lifelong Learning for AoI and Energy Optimization in Non-Stationary IoT Networks
本文提出无人机辅助的终身强化学习框架，通过共享知识库与零样本泛化持续优化非平稳物联网设备的数据新鲜度和能量消耗，并利用演员-评论家网络降低无人机能耗，实验显示平衡成本提升8.3%、无人机能耗最多降低49.38%。
2023-12-01 cs.NI eess.SP
RIS-Assisted Jamming Rejection and Path Planning for UAV-Borne IoT Platform: A New Deep Reinforcement Learning Framework
本文提出了一种新的基于深度强化学习（DRL）的方法，用于物联网（IoT）应用的无人机（UAV）的轨迹规划和干扰抑制。干扰可以阻止感测数据的及时传送和操作指令的接收。在可重构智能表面（RIS）的辅助下，我们提出了增强无线电环境，抑制干扰信号，并增强所需的信号。无人机设计成仅基于其接收数据速率的变化来学习其轨迹和RIS配置，使用最新的深度确定性策略梯度（DDPG）和双延迟DDPG（TD3）模型。仿真结果表明，提出的DRL算法具有较强的抗干扰能力，TD3算法比DDPG算法具有更快、更平滑的收敛速度，更适用于大的无人机。这种基于DRL的方法消除了对涉及RIS和干扰机的信道的知识的需要，从而提供了重要的实用价值。
2023-02-10 eess.SP
UAV-Assisted 3-D Localization for IoT Networks Using a Simple and Efficient TDOA-AOA Estimator
本文提出一种利用单个TDOA-AOA测量对和闭式加权最小二乘估计器的代数解，实现无人机辅助物联网中基于单地面站的三维信源定位，性能接近CRLB。
2025-10-09 eess.SP
Energy-Efficient Multi-UAV Data Collection for IoT Networks with Time Deadlines
在本文中，我们专注于节能无人机传感器网络中的物联网数据收集，其中感测的数据有不同的时间期限。在调查设置中，传感器被集群和管理的簇头（CH），和多个无人机被用来收集数据从CH。制定的问题是通过一个两步的方法来解决。在第一步中，提出了一种有效的方法来确定CH的最小数量和它们的最佳位置。然后，通过求解相关的容量约束车辆路径问题，得到了最小无人机数量及其飞行轨迹。结果表明，我们提出的CH放置方法的效率相比，基线方法，使CH更接近对接站允许显着的节能。此外，在不同的无人机轨迹规划算法，禁忌搜索实现最好的能量消耗。最后，电池容量和时间期限的影响进行了研究，在消耗的能量，访问CH的数量，和部署的无人机的数量。
2020-09-15 cs.SY eess.SP eess.SY
Deep Learning Meets Swarm Intelligence for UAV-Assisted IoT Coverage in Massive MIMO
本文针对无人机辅助的大规模MIMO物联网系统，提出结合群体智能与深度学习的联合混合波束成形、无人机定位和功率分配优化方案，在接近最优容量的同时将运行时间降低99%。
2023-09-21 cs.IT eess.SP math.IT
UAV-Assisted Enhanced Coverage and Capacity in Dynamic MU-mMIMO IoT Systems: A Deep Reinforcement Learning Approach
针对无人机中继的动态 MU-mMIMO IoT 系统，提出联合混合波束成形与基于 DDPG 的无人机部署方法，以接近 PSO 的容量并显著降低运行时间。
2024-04-10 eess.SP
Joint Computation and Communication Design for UAV-Assisted Mobile Edge Computing in IoT
无人机辅助移动边缘计算（MEC）系统是一个突出的概念，其中配备有MEC服务器的无人机被部署为在有限的时间段内为物联网（IoT）的多个终端设备（TD）服务。在本文中，每个TD都有一定的延迟临界计算任务，在每个时隙完成。三种计算策略可用于每个TD。首先，每个TD可以自己操作本地计算。其次，每个TD可以将任务比特部分地卸载到UAV以用于计算。第三，每个TD可以选择经由UAV中继将任务比特卸载到接入点（AP）。提出了一种新的优化问题形式，旨在通过优化比特分配、时隙调度和功率分配以及无人机轨迹设计来最小化包括通信相关能量、计算相关能量和无人机飞行能量在内的总能量消耗。由于所提出的问题是非凸的，很难找到最优解，因此我们分两部分求解该问题，并在十几次迭代内获得了近最优解。最后，数值结果验证了所提出的算法，这是有效的，优于其他基准情况。
2019-10-18 cs.IT eess.SP math.IT
Attention-based UAV Trajectory Optimization for Wireless Power Transfer-assisted IoT Systems
Hunan University of Technology and Business（湖南工商大学）；Xiangjiang Laboratory（湘江实验室）；Hunan Normal University（湖南师范大学）；Nanjing University（南京大学）
针对无线功率传输辅助物联网系统中无人机资源有限和轨迹规划次优的问题，提出基于图变换器的注意力轨迹优化框架，结合改进的Actor-Critic训练方法，实现大规模多无人机轨迹的高质量规划。
2025-02-23 cs.AI eess.SP
Joint Speed Control and Energy Replenishment Optimization for UAV-assisted IoT Data Collection with Deep Reinforcement Transfer Learning
无人机辅助数据汇集由于其灵活性、机动性和低运营成本而成为一种突出的应用。然而，在物联网数据汇集和能量补充过程的动态和不确定性下，优化无人机采集器的性能是一项非常具有挑战性的任务。因此，本文介绍了一种新的框架，联合优化飞行速度和能量补充，为每个无人机显着提高数据汇集性能。具体来说，我们首先开发一个马尔科夫决策过程，帮助无人机在环境的动态性和不确定性下自动动态地做出最佳决策。然后，我们提出了一种高效的强化学习算法，利用深度Q学习，双深度Q学习和深度决斗神经网络架构，以快速获得无人机的最优策略。该算法的核心思想是同时独立估计状态值和动作优势值，并采用双估计器估计动作值。因此，这些建议的技术可以稳定的学习过程，并有效地解决传统的Q-学习算法的高估问题。为了进一步缩短学习时间并显着提高学习质量，我们开发了先进的迁移学习技术，允许无人机“共享”和“迁移”学习知识。大量的仿真表明，我们提出的解决方案可以提高系统的平均数据汇集性能高达200%，与现有的方法相比。
2021-06-19 cs.NI eess.SP
UAV-Enabled Data Collection for IoT Networks via Rainbow Learning
针对多天线UAV采集多地面物联网节点数据的问题，提出双环 Rainbow 学习算法联合优化轨迹、调度、功率与接收波束成形，显著提升总采集量、能效和公平性。
2025-06-11 cs.IT eess.SP math.IT
Secrecy Performance Analysis of Integrated RF-UWOC IoT Networks Enabled by UAV and Underwater-RIS
该研究针对融合无人机射频非地面网络与水下RIS辅助光无线通信的6G物联网，推导了三种窃听场景下多项保密性能指标的闭式表达式，分析了系统参数对安全性的影响，为网络保密设计提供了指南。
2024-07-26 cs.IT eess.SP math.IT
UAV-assisted IoT Monitoring Network: Adaptive Multiuser Access for Low-Latency and High-Reliability Under Bursty Traffic
针对无人机辅助物联网监测网络的突发流量传输痛点，提出基于MUSA免授权非正交多址与短包通信的自适应传输方案，通过优化时隙数在中高平均流量下实现更优可靠性与稳定性且满足低时延要求。
2024-05-16 eess.SP
Energy optimization for Full-Duplex Wireless-Powered IoT Networks using Rotary-Wing UAV with Multiple Antennas
本文针对旋翼无人机使能的全双工无线供电物联网网络，提出一种基于分组与MIMO技术的能量和时间优化设计，通过构建吞吐量最大化和总时间最小化问题，实现以更多天线为代价服务更多传感器并提升网络性能。
2023-07-05 cs.SY eess.SP eess.SY
UAV-assisted Distributed Learning for Environmental Monitoring in Rural Environments
University of Novi Sad（诺威萨大学）；The Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）
本文提出利用无人机作为中继并结合拆分学习，在偏远农村物联网环境监测中缓解连接与资源限制，并通过仿真验证其在恶劣信道下的鲁棒性和自适应优势。
2024-07-02 cs.AI cs.LG eess.SP
Latency Minimization for UAV-Enabled Federated Learning: Trajectory Design and Resource Allocation
Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来智能网络研究院）；School of Science and Engineering (SSE)（科学与工程学院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Advanced Technology (SIAT)（深圳先进技术研究院）；Chinese Academy of Sciences (CAS)（中国科学院）；Southern University of Science and Technology（南方科技大学）；Imperial College London（伦敦帝国学院）；Central South University（中南大学）；Shenzhen University of Advanced Technology（深圳理工大学）
本文提出无人机作为移动服务器增强联邦学习，通过联合优化带宽、计算频率、功率和轨迹最小化训练延迟，所提交替优化算法较基准方案降低延迟达15.29%。
2025-03-27 cs.LG eess.SP
Smart 6G Sky for Green Mobile IOT Networks
6 G的设想是连接一切，但能源效率比5G高出100倍。由于其能够使用环境能源，能量收集（EH）有望缓解满足这些相互冲突的需求的挑战。此外，当涉及到物联网（IoT）时，它是实现连接一切的基础之一，对EH的需求可能是不可避免的。物联网不仅涉及连接数量庞大的设备，而且还涉及难以到达的设备。然而，好消息是，无人机（UAV）由于其灵活性和易于部署，正在出现，以在基础设施缺乏时提供通信服务。将无人机和物联网合并是非常有趣的，因为前者不仅可以为物联网实现灵活的连接，而且还可以在任何限制下为它们提供动力。然而，管理UAV辅助的IoT资源以满足某些数据通信和EH质量测量，同时保持UAV消耗的能量最小化是一个主要挑战，因为这对应于非凸优化问题。显然，当物联网网络设备是移动的时，情况会变得更糟。由于人工智能（AI）在解决复杂问题方面的成功，在本项目中，我们依靠深度确定性策略梯度（DDPG）技术来管理无人机辅助物联网资源。我们的研究结果表明，DDPG实现了联合优化的三个目标，即总和数据速率和收获的能量最大化，能源消耗最小化，而传统的数学方案。该项目的代码可在https://github.com/QusaiBshiwa/Smart-6G- Sky-for-Green-Mobile-IOT-Networks上公开访问
2023-02-15 cs.SY eess.SP eess.SY
AI-Empowered UAV-Assisted Backscatter Localization and ISAC for Zero-Energy IoT: A Comprehensive Survey
Engineering Requirements Unit (ERU), College of Engineering, United Arab Emirates University（工程需求单位（ERU）、工程学院、阿联酋大学）
本文综述了AI赋能的无人机辅助反向散射定位与通感一体化技术在零能耗物联网中的应用，梳理了网络架构、无人机角色、反向散射模式等关键技术，并分析了开放挑战与未来方向。
2026-06-23 cs.AI eess.SP
Securing Mobile IoT with Unmanned Aerial Systems
物联网（IoT）将很快无所不在，数十亿传感器和执行器将支持我们的行业和福祉。物联网设备是嵌入式系统，在大多数情况下使用无线技术连接。服务于物联网的无线网络的可用性，数据的隐私性，完整性和可信度至关重要，因为物联网将推动企业和个人决策。本文提出了一种新的方法，在无线安全领域，利用先进的无线技术和无人机系统或车辆（UAS或UAV）的出现。我们考虑了窃听问题，并分析了无人机如何帮助减少或克服移动物联网环境中的这种威胁。结果表明，当无人机协助基站将信息中继到所需的物联网节点时，可以在信道保密率方面实现巨大的改进。我们的方法与技术无关，可以扩展到解决其他通信安全问题。
2020-05-15 cs.SY eess.SP eess.SY
Efficient and Sustainable Task Offloading in UAV-Assisted MEC Systems via Meta Deep Reinforcement Learning
针对UAV辅助MEC系统任务卸载的非凸随机资源分配问题，提出基于分数规划、Lyapunov理论与MDP建模的MTD3元深度强化学习算法，有效提升了长期任务效率并保障了缓冲区稳定性。
2025-04-01 eess.SP
Joint Activity and Blind Information Detection for UAV-Assisted Massive IoT Access
免授权非相干索引调制（NC-IM）最近被认为是一种有效的大规模接入方案，用于实现传输小数据分组的成本和能量受限的物联网（IoT）设备。针对基于无人机（UAV）的大规模物联网接入，研究了结合正交频分复用的免授权NC-IM方案。具体地，每个设备被分配唯一的非正交签名序列码本。每个有源设备通过调制所发送的签名序列的索引中的信息，在给定的时间-频率资源中发送其签名序列中的一个。针对部署在无人机空中基站（BS）的小规模多输入多输出（MIMO）系统，通过联合利用空时频域设备活动，提出了一种计算效率高的空时频联合活动盲信息检测（JABID）算法，显著提高了检测性能。此外，对于部署在空中基站的大规模MIMO，通过利用虚拟角域信道的稀疏性，我们提出了一种基于角域的JABID算法，以提高系统性能，减少接入延迟。此外，对于高移动性物联网设备和/或无人机的情况下，我们引入了一个时间-频率扩展传输（TFST）策略，提出的JABID算法，以打击双选择性衰落信道。最后，大量的仿真结果表明，所提出的算法和TFST策略比已知的国家的最先进的算法的优越性。
2022-01-03 cs.IT eess.SP math.IT
AI-Assisted ISAC Localization-as-a-Service for 6G UAV-IoT Networks
United Arab Emirates University（阿拉伯联合酋长国大学）
针对6G UAV-IoT网络中ISAC LaaS的锚点激活开销问题，提出AIRS-LaaS边缘智能框架，通过多维度排序选择紧凑锚点-波束子集，实现定位、通信与开销的平衡。
2026-08-12 eess.SP
Multi-objective Optimization for Data Collection in UAV-assisted Agricultural IoT
本研究提出无人机辅助农业物联网数据采集的多目标优化问题，并设计改进的多目标人工蜂鸟算法协同优化悬停位置、访问顺序、速度和发射功率，以同时最大化最小传输速率并最小化设备与无人机能耗。
2024-03-03 cs.IT eess.SP math.IT
Resource Allocation for UAV-Assisted Industrial IoT User with Finite Blocklength
研究UAV辅助IIoT中继系统在有限块长下的资源分配，采用交替优化方法分解非凸问题以最小化远程设备解码错误概率，仿真验证了所提算法的优越性与快速收敛性。
2023-10-24 eess.SP
Common Throughput Maximization for UAV-Enabled Interference Channel with Wireless Powered Communications
本文研究了一种用于无线供电通信网络（WPCN）的无人机（UAV）启用的双用户干扰信道，其中两个UAV无线地对地面上的两个低功率物联网（IoT）设备充电并从它们收集信息。我们考虑两种情况下，当两个无人机合作的能量传输和/或信息接收，通过干扰协调和协调多点（CoMP），分别。对于这两种情况，通过轨迹设计利用UAV的可控移动性，不仅提高下行链路中的无线功率传输（WPT）效率，而且减轻上行链路中的无线信息传输（WIT）的同信道干扰。特别地，目标是通过联合优化两个UAV的轨迹和下行链路/上行链路无线资源分配，在受限于UAV处的最大飞行速度和碰撞避免约束以及IoT设备处的个体能量中性约束的情况下，最大化两个IoT设备在有限UAV任务周期内的上行链路公共（最小）吞吐量。在干扰协调和CoMP两种情况下，我们首先获得了两个共同的速率最大化问题的最优解井结构的特殊情况下，具有足够长的无人机任务持续时间。接下来，我们获得高质量的解决方案，为实际情况下，有限的无人机任务持续时间，通过使用交替优化和逐次凸逼近（SCA）。
2019-10-10 cs.IT eess.SP math.IT
