Key points are not available for this paper at this time.
Un cadre novateur est proposé pour la conception de trajectoire de plusieurs véhicules aériens sans pilote (UAV) basé sur la prédiction des informations de mobilité des utilisateurs. Le problème de conception de trajectoire conjointe et de contrôle de puissance est formulé pour maximiser le taux de transmission instantané tout en satisfaisant l'exigence de taux des utilisateurs. Dans le but de résoudre ce problème pertinent, une approche en trois étapes est proposée, qui est basée sur des techniques d'apprentissage automatique pour obtenir à la fois les informations de position des utilisateurs et la conception de la trajectoire des UAV. Tout d'abord, un algorithme de placement basé sur l'apprentissage par renforcement multi-agent est proposé pour déterminer les positions optimales des UAV en fonction de la localisation initiale des utilisateurs. Deuxièmement, afin de déterminer les informations de mobilité des utilisateurs sur la base d'un ensemble de données réel, leurs données de position sont collectées sur Twitter pour décrire les trajectoires anonymes des utilisateurs dans le monde physique. Pendant ce temps, un algorithme de prédiction basé sur un réseau d'état résonnant (ESN) est proposé pour prédire les positions futures des utilisateurs sur la base de l'ensemble de données réel. Troisièmement, un algorithme basé sur l'apprentissage par renforcement multi-agent est conçu pour prédire la position des UAV à chaque intervalle de temps en fonction du mouvement des utilisateurs. Dans cet algorithme, plusieurs UAV agissent en tant qu'agents pour trouver des actions optimales en interagissant avec leur environnement et apprendre de leurs erreurs. De plus, nous prouvons également que l'algorithme proposé de conception de trajectoire basée sur l'apprentissage par renforcement multi-agent et de contrôle de puissance peut converger dans des conditions modérées. Des résultats numériques sont fournis pour démontrer qu'à mesure que la taille du réservoir augmente, l'approche ESN proposée améliore la précision de prédiction. Enfin, nous démontrons que des gains de débit d'environ 17 % sont réalisés.
Liu et al. (Ven,) ont étudié cette question.