无人机辅助灾后蜂窝网络：一种新的随机几何方法

大规模多输入多输出无人机辅助MEC车载网络能量优化

Energy Optimization in Massive MIMO UAV-Aided MEC-Enabled Vehicular Networks

提出了一种新的无人机（UAV）辅助的车载网络移动边缘计算（MEC）架构。据认为，车辆应该完成延迟关键的计算密集型任务，无论是本地与车载计算单元或卸载其任务的一部分，路边单元（RSU）与并置MEC服务器。在这个方向上，悬停的UAV可以充当用于任务处理的空中RSU（ARSU），或者充当空中中继器并进一步将计算任务卸载到地面RSU（GRSU）。为了显著减少数据卸载和下载期间的延迟，该架构依赖于大规模多输入多输出（MIMO）的益处。因此，认为飞行器、ARSU和GRSU采用大型天线。介绍了MEC使能网络的三维（3D）几何表示，并提出了一种优化方法，该方法使车辆和ARSU的加权总能耗（WTEC）最小化，并服从发射功率分配、任务分配和时隙调度。仿真结果验证了理论推导的正确性，强调了大规模多输入多输出传输的有效性，并提供了有益的工程见解。

2021-03-30cs.SYeess.SY

双UAV协同干扰辅助安全通信网络的高效轨迹设计与通信调度

Efficient Trajectory Design and Communication Scheduling for Dual-UAV Jamming-Aided Secure Communication Networks

School of Electronic Information, Wuhan University（武汉大学电子信息学院）；Chair of Information Theory and Data Analytics, RWTH Aachen University（亚琛工业大学信息理论与数据分析讲席）

本文提出双UAV协同干扰辅助安全通信网络的高效轨迹设计与通信调度方法，通过co-SHF结构优化提升保密吞吐量和用户公平性，降低计算复杂度。

2026-01-28cs.SYeess.SY

可重构智能表面辅助UAV通信的离线-在线混合设计

Hybrid Offline-Online Design for Reconfigurable Intelligent Surface Aided UAV Communication

本文研究了在一般莱斯衰落信道下，城市地区可重构智能表面（RIS）辅助无人机（UAV）通信系统。提出了一种离线-在线混合设计方案，利用统计信道状态信息（S-CSI）和瞬时信道状态信息（I-CSI）来提高系统性能。对于离线阶段，我们的目标是通过联合优化RIS的相移和UAV轨迹，最大化基于S-CSI的预期平均可实现速率。由于随机优化问题的非凸性，使得该问题很难求解。为了解决这个问题，我们提出了一个有效的算法，利用随机逐次凸逼近（SSCA）技术。对于在线阶段，UAV根据有效的I-CSI自适应地调整发射波束成形和用户调度。数值结果表明，所提出的混合设计的性能优于各种Bechmark计划，也表现出良好的系统性能和CSI开销之间的权衡。

2022-05-27cs.SYeess.SPeess.SY

依托无人机的人工智能辅助下一代网络

Artificial Intelligence Aided Next-Generation Networks Relying on UAVs

针对动态环境，提出了人工智能（AI）辅助无人机（UAV）的下一代网络。在支持人工智能的无人机辅助无线网络（UAWN）中，多个无人机被用作空中基站，其能够通过收集关于用户的位置和远程业务需求的信息、从环境中学习并根据从用户接收的反馈采取行动来快速适应动态环境。此外，人工智能使一群无人机之间的互动，以合作优化系统。作为AI框架的一个好处，可以规避传统UAWN的几个挑战，从而增强网络性能，提高可靠性和敏捷自适应性。作为进一步的好处，动态轨迹设计和资源分配的证明。最后，讨论了潜在的研究挑战和机遇。

2020-01-28cs.AIcs.LGcs.SY

具有不确定位置感知误差的无人机辅助ISAC系统的鲁棒功率分配

Robust Power Allocation for UAV-aided ISAC Systems with Uncertain Location Sensing Errors

本文提出一种无人机辅助ISAC框架，针对位置感知误差分别建模为椭球、高斯和任意分布，设计了三种鲁棒功率分配方案以最小化感知CRB，并验证了其鲁棒性与通感权衡。

2023-10-25cs.SYeess.SY

基于集中式近端策略优化的深度强化学习用于灾害响应网络中的多无人机基站定位与轨迹优化

Centralized PPO-Based DRL for Multi-UAV-BS Positioning and Trajectory Optimization in Disaster Response Networks

Universitat Politècnica de València (UPV)（瓦伦西亚理工大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Beihang Valencia Polytechnic Institute (BVPI)（北京航空航天大学瓦伦西亚理工学院）；Research Institute for Digital Future, Khalifa University（哈利法大学数字未来研究院）

针对灾害场景中多无人机基站定位与轨迹优化问题，扩展集中学习框架，将其建模为马尔可夫决策过程，用近端策略优化的深度强化学习求解，能协调多无人机基站并适应异构用户移动模式。

2026-07-07cs.SYeess.SPeess.SY

面向灾害通信的多层非地面网络：一种分层聚类方法

Multi-Tier Non-Terrestrial Networking for Disaster Communications: A Layered Clustering Approach

针对灾害导致地面网络和回程链路失效的问题，提出一种由UAV-BS提供接入、HAPS-SMBS提供回程的三层异构网络，并设计两层聚类算法优化自组网，以延长临时网络寿命。

2024-04-23cs.ETcs.NIcs.SY

基于强化学习的UAV辅助搜救行动

UAV Aided Search and Rescue Operation Using Reinforcement Learning

由于部署灵活性的增强和制造成本的降低，预计未来几年对无人机（UAV）的需求将飙升。在本文中，我们探讨了无人机辅助搜索和救援~（SAR）在室内环境中，GPS信号可能是不可靠的操作。我们考虑SAR场景，其中无人机试图通过感测受害者拥有的智能设备发出的RF信号来定位被困在室内环境中的受害者。为了尽可能快地定位受害者，我们利用强化学习（RL）的工具。无人机上的接收信号强度（RSS）取决于与源的距离、室内阴影和衰落参数以及安装在无人机上的接收机的天线辐射方向图。为了使我们的分析更加真实，我们使用商业射线跟踪软件模拟了两个不同尺寸的室内场景。然后，在每个可能的离散UAV位置处提取相应的RSS值，并在Q学习框架中使用。与利用GPS坐标的传统基于位置的导航方法不同，我们的方法使用RSS来定义RL算法的状态和奖励。我们比较所提出的方法，其中使用定向和全向天线的性能。结果表明，使用定向天线提供更快的收敛速度比全向天线。

2020-02-19cs.SYeess.SPeess.SY

UAV辅助空中计算

UAV Aided Over-the-Air Computation

空中计算（AirComp）通过利用多址信道的波形叠加特性，将通信和计算无缝集成。不同于现有的工作，侧重于在静态网络上的AirComp的收发器设计，本文考虑了一种无人机（UAV）辅助AirComp系统，其中无人机作为一个飞行的基站聚合来自移动传感器的数据。无人机的轨迹设计提供了额外的自由度，以提高AirComp的性能。我们的目标是最小化的时间平均均方误差（MSE）的AirComp通过联合优化无人机轨迹，接收归一化因子，传感器的发射功率。为此，我们首先提出了一个新的和等价的问题转换，通过引入中间变量。这种重新导致一个凸子问题时，固定任何其他两个块的变量，从而使有效的算法设计的基础上块坐标下降和交替方向的乘法器（ADMM）技术的原则。特别是，我们得到了最佳的封闭形式的解决方案，规范化的因素和中间变量优化子问题。我们还重铸凸轨迹设计子问题到ADMM形式，并获得每个变量更新的封闭形式的表达式。仿真结果表明，该算法实现了更小的时间平均MSE，同时减少了数量级的仿真时间相比，国家的最先进的算法。

2021-06-01cs.SYeess.SPeess.SY

无人机辅助IoT网络中基于序列模型强化学习的联合簇头选择和轨迹规划

Joint Cluster Head Selection and Trajectory Planning in UAV-Aided IoT Networks by Reinforcement Learning with Sequential Model

University of Saskatchewan（萨斯喀彻温大学）；Cisco Systems Inc.（思科系统公司）

采用无人机（UAV）吸引了越来越多的兴趣，并成为物联网（IoT）网络中数据收集的最先进技术。在本文中，与最小化的总能耗的UAV-IoT系统的目标，我们制定的问题，联合设计无人机的轨迹和选择簇头在物联网网络作为一个约束的组合优化问题，这是属于NP难和具有挑战性的解决。我们提出了一种新的深度强化学习（DRL）与序列模型策略，可以有效地学习由序列到序列神经网络表示的无人机的轨迹设计在无监督的方式。通过大量的仿真，所获得的结果表明，所提出的DRL方法可以找到无人机的轨迹，需要更少的能量消耗相比，其他基线算法，并实现接近最佳的性能。此外，仿真结果表明，我们提出的DRL算法训练的模型具有良好的泛化能力，以更大的问题规模，而无需重新训练的模型。

2021-12-01cs.LGcs.SYeess.SY

面向视觉语言赋能的无人机分类与灾害响应的系统工程框架

A Systems Engineering Framework for Vision-Language-Enabled UAV Triage and Disaster Response

University of Arkansas（阿肯色大学）；University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）

该研究提出将视觉语言模型（VLMs）作为协同智能体嵌入人-无人机回路的系统工程框架，经评估可降低人因负担、提升AI信任度，推进了高风险灾害响应的人-自主系统协同。

2026-07-31cs.AIcs.ROcs.SY

用于RIS辅助和UAV辅助通信的自适应Soft Actor-Critic框架

Adaptive Soft Actor-Critic Framework for RIS-Assisted and UAV-Aided Communication

本文提出一种基于自适应稀疏transformer和ASTAFER的自适应软演员-评论家（ASAC）框架，用于解决UAV-RIS网络中波束成形、相移和轨迹联合优化问题，以最大化最小用户速率，实现了优于传统SAC的实时高效通信。

2024-11-16cs.SYeess.SPeess.SY

基于无线通信的UAV辅助Metaverse：一种强化学习方法

UAV aided Metaverse over Wireless Communications: A Reinforcement Learning Approach

Nanyang Technological University（南洋理工大学）；University of North Texas（北德克萨斯大学）

Metaverse有望在5G高数据速率通信技术的支持下，创造一个与现实紧密相连的虚拟世界，为用户提供身临其境的体验。物理世界中的大量数据需要同步到虚拟世界，为用户提供沉浸式体验，并且将更多用户纳入Metaverse对覆盖率提出更高要求。然而，5G信号遭受严重衰减，这使得维持相同覆盖范围的成本更高。无人机（UAV）是未来实现Metaverse作为低成本和高移动性通信设备平台的一种有前途的候选技术。本文提出了一种基于最近策略优化（PPO）的双智能体协同强化学习方法，用于无人机的信道分配和轨迹控制，实现从物理世界到虚拟世界的数据收集和同步，经济地扩大Metaverse服务的覆盖范围。仿真结果表明，我们提出的方法是能够实现更好的性能相比，基准方法。

2023-01-04cs.LGcs.SYeess.SY

视觉辅助多无人机系留网系统捕获非合作目标的动力学与控制

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。

2025-06-03cs.ROcs.SYeess.SY

灾后搜救任务中面向高能效无人机智能感知与通信的课程引导强化学习

Curriculum-Guided Reinforcement Learning for Energy-Efficient UAV-ISAC in Post-Disaster Search-and-Rescue Operations

National Chung Cheng University（中正大学）；Advanced Institute of Manufacturing with High-tech Innovations (AIM-HI), National Chung Cheng University（中正大学先进制造创新研究院）

针对灾后搜救无人机ISAC的能量耦合问题，提出CG-SAC框架，联合优化多参数，在2000个场景中能效优于DRL基准，任务完成步骤减少66%-82%，通信速率满足率达99.6%。

2026-09-03cs.NIcs.SYeess.SY

多跳无人机辅助物联网网络中信任年龄与吞吐量的优化

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。

2025-07-05cs.AIcs.LGcs.NI

无人机基准辅助导航的灵敏度研究

Sensitivity Study of Fiducial-Aided Navigation of Unmanned Aerial Vehicles

Utah State University（犹他州立大学）

无人驾驶飞行器（UAV）在城市地区的可能应用和好处越来越受到人们的关注。在实现这些可能性之前，无人机必须能够在城市环境中可靠和精确地导航。确定无人机位置的最常见手段是利用全球导航卫星系统（GNSS）的位置测量。然而，在城市环境中，由于遮挡和多路径，GNSS测量显著降级。本研究分析了使用相机视线（LOS）测量自描述基准作为传统的GNSS测量的替代品。为了将惯性测量单元（IMU）的连续测量与离散视线测量相结合，对无人机的状态进行精确估计，提出了一种扩展卡尔曼滤波器（EKF），并进行了验证。评估了估计误差协方差对各种系统参数的敏感性，包括IMU等级、基准放置、车辆高度和图像处理频率。

2021-10-04cs.ROcs.SYeess.SY

风环境下无人机辅助海上数据汇集的节能轨迹设计

Energy-Efficient 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上数据汇集系统，该系统利用固定翼无人机对海上浮标进行数据采集。通过联合优化浮标之间的通信时间调度和无人机受风影响的飞行轨迹，以最小化无人机完成任务的能量消耗。传统的逐次凸近似（SCA）方法可以为中小数据量的采集提供有效的次优解，但该方法严重依赖于轨迹初始化，没有明确考虑风的影响，而计算/轨迹复杂度对于大数据量的任务来说都变得令人望而却步。为此，我们提出了一种新的周期性轨迹设计框架，该框架具有定制的初始化算法，可以有效地处理任意数据量，以及一种混合离线-在线（HO 2）设计，该设计利用基于风统计的离线凸随机规划（CSP），并通过在线适应实时风速来改进解决方案。数值结果表明，与基准方案相比，优化后的航迹能更好地适应不同目标数据量、浮标拓扑结构以及不同风速、风向和方差的情况。

2021-12-26cs.ITcs.SYeess.SY

无人机辅助网络中的能量最小化：约束调度优化的Actor-Critical学习

Energy Minimization in UAV-Aided Networks: Actor-Critic Learning for Constrained Scheduling Optimization

在无人机应用中，无人机有限的能量供应和存储引发了智能节能调度解决方案的发展。在本文中，我们研究了能量最小化的无人机辅助通信网络，通过联合优化数据传输调度和无人机悬停时间。制定的问题是组合和非凸双线性约束。为了解决这个问题，首先，我们提供了一个最佳的松弛和近似的解决方案，并开发了一个近似最优算法。这两个建议的解决方案都是作为离线性能基准，但可能不适合在线操作。为此，我们从深度强化学习（DRL）方面开发了一个解决方案。传统的RL/DRL，例如，然而，深度Q学习在处理约束组合优化中的两个主要问题方面受到限制，即，指数增长的行动空间和不可行的行动。解决方案开发的新颖性在于处理这两个问题。为了解决前者，我们提出了一种基于行动者-评论家的深度随机在线调度（AC-DSOS）算法，并开发了一套方法来限制动作空间。对于后者，我们设计了一个量身定制的奖励函数，以保证解决方案的可行性。数值结果表明，在消耗相同数量级的时间，AC-DSOS是能够提供可行的解决方案，并节省29.94%的能量相比，传统的深度演员-评论家的方法。与已开发的近似最优算法相比，AC-DSOS消耗的能量高出约10%，但计算时间从分钟级减少到毫秒级。

2020-06-29cs.LGcs.SYeess.SP

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