Resource Optimization in UAV-assisted IoT Networks: The Role of Generative AI
本文研究生成式AI在无人机辅助物联网网络资源优化中的应用，通过公共安全案例展示其提升实时决策和训练数据的能力，并讨论挑战与未来方向。
2024-05-06 cs.NI cs.SY eess.SY
6G-Enabled Smart Railways
针对5G无法满足未来智能铁路超高速、低时延等需求的问题，提出融合通信、计算等的6G铁路一体化网络架构，研究相关关键技术并探索新兴范式应用，展望未来研发方向。
2025-05-19 cs.SY eess.SY
QoE Maximization for Multiple-UAV-Assisted Multi-Access Edge Computing via an Online Joint Optimization Approach
本文针对灾害场景下多无人机辅助MEC网络，提出在线联合任务卸载、资源分配与轨迹控制方法，通过Lyapunov优化、博弈论和凸优化求解，实现用户QoE最大化，仿真显示其较DRL算法提升至少10%。
2025-07-04 cs.SY eess.SY
DQN Based Joint UAV Trajectory and Association Planning in NTN Assisted Networks
Carleton University（卡尔顿大学）；Honeywell（霍尼韦尔）
本文提出基于DQN的联合无人机轨迹与关联规划算法，旨在降低能耗、减少切换频率和断连问题，通过整合地球静止轨道网络架构实现无缝无人机连接。
2026-03-23 cs.SY eess.SY
Lifetime Maximization for UAV-assisted Data Gathering Networks in the Presence of Jamming
无人机（UAV）的部署最近由于各种实际用例（如监视，数据收集和商品交付）而受到极大关注。由于无人机由电池供电，因此节能通信至关重要。在本文中，我们研究了存在多个干扰源的情况下，无人机辅助网络的生命周期最大化问题，其中无人机被部署来收集来自一组无线传感器的数据。我们证明了无人机的位置在延长网络的寿命方面起着关键作用，因为无人机所需的传输功率与它们在空间中的位置密切相关。在所提出的场景中，UAV将收集的数据发送到称为\textit{leader}的主UAV，主UAV负责经由回程UAV网络将数据转发到基站（BS）。我们部署的工具，从谱图理论来解决这个问题，由于其高度的非凸性。仿真结果表明，我们提出的方法可以显着提高无人机网络的生命周期。
2020-05-10 cs.SY eess.SP eess.SY
Resource Allocation for UAV Assisted Wireless Networks with QoS Constraints
对于拥挤和热点区域，通常部署无人机（UAV）以提高覆盖率。该模型将无人机辅助通信分为控制消息、非实时通信和实时通信三种类型，能够满足无人机辅助通信系统用户的大部分实际需求。带宽分配问题被认为是最小化该系统的总能耗，同时满足要求。为了提高系统的性能，本文引入了两种技术。第一种方法是将地面用户分为多个用户组，并为每个用户组提供具有不同带宽的唯一RF信道。第二种方法是在系统中部署多架无人机。每种方案的带宽优化都是一个凸优化问题。仿真结果表明，所提出的方案的优越性，在能源消耗。
2020-02-09 cs.SY eess.SP eess.SY
Machine Learning-Assisted UAV Operations with UTM: Requirements, Challenges, and Solutions
无人机（UAV）正在商业领域出现，并将支持许多应用和服务，如智能农业、动态网络部署、网络覆盖扩展、监控和安全。无人机系统（UAS）交通管理（UTM）通过通信网络集成了无人机控制器和中央数据库，为无人机安全运行提供了一个框架。本文讨论了机器学习（ML）有效提供关键UTM服务的挑战和机遇。我们介绍了UTM的四大支柱-运营规划，态势感知，状态和顾问以及安全-并讨论了ML的主要服务，具体机会以及正在进行的研究。我们的结论是，多方面的操作环境和操作参数将受益于收集的数据和数据驱动的算法，以及在线学习，以面对新的无人机操作情况。
2020-06-24 cs.SY eess.SP eess.SY
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。
2024-11-16 cs.SY eess.SP eess.SY
Feasibility Study of UAV-Assisted Anti-Jamming Positioning
随着干扰设备成本和技术难度的不断降低，干扰已成为定位业务的主要威胁之一。不幸的是，大多数传统的技术是容易受到干扰攻击，由于其固有的缺点，如弱信号强度和不利的锚几何形状。由于高度的操作灵活性，无人机（UAV）可以靠近用户飞行以增强信号强度，同时保持令人满意的几何形状，使其成为应对上述挑战的潜在解决方案。本文提出了一种无人机辅助抗干扰定位系统，多台无人机首先利用地面基准站的到达时间差（TDoA）测量值和无人机间链路的双响应双向测距（DR-TWR）测量值进行自定位和时钟同步，然后作为锚节点在干扰情况下为地面用户提供TDoA定位服务。为了评估所提出的系统的可行性和性能，我们首先推导出的Cramer-Rao下界（CRLB）的无人机自定位。然后，建立了无人机位置不确定性和干扰引起的同步误差对定位服务的影响模型，并进一步推导了用户位置估计的理论均方根误差。数值结果表明，该系统是一个有前途的替代现有的定位系统时，他们的服务被干扰。所提出的系统的最显著的优点是它与现有的用户设备（UE）和定位方法完全兼容。
2020-11-05 cs.SY eess.SP eess.SY
Optimal Jammer Placement in UAV-assisted Relay Networks
我们考虑无人机（UAV）的中继应用，其中UAV被放置在两个收发器（TR）之间以增加系统的吞吐量。而不是在现有的文献中所追求的无人机的位置进行研究，我们专注于调查的干扰机或地面上的主要干扰源的位置，以有效地降低系统的性能，这是测量的TR之间的传输的最大可实现的数据速率。我们证明，干扰机的最佳位置一般是一个非凸优化问题，直接获得的解决方案是棘手的。然后，利用信号干扰比（SIR）表达式的固有特性，我们提出了一种易于处理的方法来找到干扰机的最佳位置。基于所提出的方法，我们研究了双跳和多跳无人机中继环境中干扰机的最佳定位。数值模拟提供了我们所提出的方法来评估性能。
2020-02-24 cs.SY eess.SP eess.SY
Imperfect Digital Twin Assisted Low Cost Reinforcement Training for Multi-UAV Networks
Xidian University（西安电子科技大学）
本文针对多无人机网络DRL训练能耗高的问题，提出不完美数字孪生辅助的低成本训练方法，通过自然与虚拟无人机混合部署及双级联神经网络联合优化，在保证性能的同时显著降低训练成本。
2023-10-25 cs.LG cs.SY eess.SY
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。
2020-07-29 cs.NI cs.SY eess.SP
Drone-Assisted Communications for Remote Areas and Disaster Relief
University of Maryland, College Park（马里兰大学帕克分校）；Institute for Systems Research（系统研究所）
我们探索一个端到端（包括接入和回程链路）的无人机辅助无线通信系统，同时考虑上行链路和下行链路的流量，以支持地面用户（GU）的需求，使用最少数量的无人机的目标。此外，为了延长无人机的操作（飞行）时间，我们利用能量感知路由方案。我们的目的是设计和分析无人机辅助通信网络的接入和回程连接，用于偏远和拥挤的地区和救灾，同时最大限度地减少所需的资源，即，无人机的数量。
2019-09-04 cs.RO cs.SY eess.SP
Edge Computing Assisted Autonomous Flight for UAV: Synergies between Vision and Communications
National University of Defense Technology（国防科技大学）；KU Leuven（鲁汶大学）；Delft University of Technology（代尔夫特理工大学）
无人机的自主飞行依赖于视觉信息来避开障碍物并确保安全无碰撞飞行。除了视觉线索外，安全的无人机通常还需要与地面站的连接。在本文中，我们研究了边缘计算支持的无人机飞行中视觉和通信之间的协同作用。通过提出边缘计算辅助自主飞行（ECAAF）框架，我们说明了视觉和通信可以在边缘计算和卸载的帮助下相互交互和辅助，并进一步加快无人机任务的完成。ECAAF由三个功能组成，详细讨论：用于3D地图采集的边缘计算，从3D地图构建无线电地图，以及在线轨迹规划。在ECAAF期间，通信容量、视频卸载、3D地图质量和轨迹的信道状态的相互作用形成正反馈回路。仿真结果表明，该方法可以通过增强连通性来提高任务性能。最后，我们总结了一些未来的研究方向。
2020-12-10 cs.NI cs.RO cs.SY
Energy-Aware Wind-Resilient Routing for Truck-Assisted Multi-UAV Delivery under Wind Uncertainty
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）
针对卡车辅助多无人机配送的风况不确定性与能量安全问题，提出EWR在线规划框架，通过时变能量图优化路由，提升任务成功率并减少风致返回失败。
2026-08-13 cs.RO cs.SY eess.SY
Green UAV-enabled Internet-of-Things Network with AI-assisted NOMA for Disaster Management
针对灾害区域物联网上行通信，本文提出无人机中继NOMA网络，结合k-medoids、轮廓分析与迭代功率优化，以低复杂度提升设备能效并降低能耗。
2024-06-14 cs.NI cs.SY eess.SY
Deep Reinforcement Learning Based Placement for Integrated Access Backhauling in UAV-Assisted Wireless Networks
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
本文提出基于深度强化学习的无人机部署方法，动态平衡前传与回传链路，以增强5G网络中偏远或受灾区域的覆盖与性能。
2023-12-21 cs.LG cs.NI cs.SY
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
DRL-Based Resource Allocation for Energy-Efficient IRS-Assisted UAV Spectrum Sharing Systems
School of Information Science and Technology, Beijing University of Technology（信息科学与技术学院，北京理工大学）；Faculty of Electrical and Electronic Engineering, University of Nottingham（电子与电气工程学院，诺丁汉大学）
针对IRS辅助UAV频谱共享系统，本文联合优化波束成形、子载波、IRS相移与轨迹，并提出actor-critic DRL方法以提升次级网络能量效率。
2025-10-17 cs.AI cs.IT cs.SY
UAV-Assisted Space-Air-Ground Integrated Networks: A Technical Review of Recent Learning Algorithms
University of Waterloo（滑铁卢大学）；University of Manitoba（曼尼托巴大学）；National Research Council Canada（加拿大国家研究委员会）
本文综述了无人机辅助空天地一体化网络中的近期学习算法，重点从方法论角度分析奖励函数优化，并指出基于满意度的3D学习算法在多数场景下表现最优，为实际部署提供指导。
2024-07-16 cs.LG cs.NI cs.SY
Performance Analysis of UAV-Assisted RF-UOWC Systems
针对 RF 与 UOWC 混合下行系统，提出无人机经水面放大转发浮标通信的最佳中继选择方案，并推导中断概率表达式以分析不同信道条件下的性能。
2024-07-03 cs.NA cs.SY eess.SY
Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications
School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学智能系统工程学院深圳校区）；Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)（广东海洋工程科学实验室（珠海））；Department of Equipment Management and Unmanned Aerial Vehicle Engineering, Air Force Engineering University（空军工程大学装备管理与无人机工程系）；School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
本文提出一种延迟容忍的多智能体深度强化学习算法，结合延迟惩罚奖励促进无人机间信息共享，并优化轨迹规划、网络形成和传输控制策略，同时采用时空注意力预测方法恢复丢失信息，提升网络容量和吞吐量。
2026-03-23 cs.AI cs.IT cs.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
Joint Optimization of Transmission and Propulsion in UAV-Assisted Communication Networks
移动自主代理的无线网络中的通信能量应该被定义为包括推进能量以及用于促进信息传输的传输能量。因此，我们开发的communicationtheoretical和牛顿动力学模型的通信和运动支出的无人机（UAV）。这些模型被用来制定一个新的非线性最优控制问题（OCP）的任意网络的自治代理。这是第一个工作，考虑移动性作为一个决策变量，在无人机网络与多址接入信道。在可能的情况下，我们比较我们的结果与特定的单跳网络配置的已知的分析解决方案。OCP，然后应用到多节点无人机网络，以前的结果不能很容易地扩展。数值结果表明，与更简单的通信策略相比，网络容量和通信能量节省了70%以上。
2019-06-19 cs.IT cs.NI cs.SY
