यूएवी संचार-सचेत पथ डिज़ाइन के लिए निरंतर ट्रांसफर लर्निंग

डीप रिस्कोर्समेंट लर्निंग (डीआरएल) बिना चालक वाले हवाई वाहन (यूएवी) पथ योजना के लिए एक प्रमुख समाधान के रूप में उभारा है, जो उच्च-आयामी स्थानों में नेविगेट करने में दक्षता, गतिशील वातावरणों के प्रति अनुकूलता, और वास्तविक समय के फीडबैक के आधार पर अनुक्रमिक निर्णय लेने की क्षमता प्रदान करता है। इन लाभों के बावजूद, जब यूएवी एक नए वातावरण का सामना करता है, तो यूएवी पथ योजना के लिए डीआरएल के उपयोग को महत्वपूर्ण फिर से प्रशिक्षण की आवश्यकता होती है, जिसके परिणामस्वरूप संसाधनों और समय की बर्बादी होती है। इसलिए, यह आवश्यक है कि ऐसी तकनीकों का विकास किया जाए जो डीआरएल मॉडलों के फिर से प्रशिक्षण का ओवरहेड कम कर सकें, जिससे उन्हें लगातार बदलते वातावरणों के अनुकूल होने में सक्षम बनाया जा सके। यह पत्र एक नवीन विधि प्रस्तुत करता है जो व्यापक फिर से प्रशिक्षण की आवश्यकता को कम करता है, जिसमें एक डबल डीप क्यू नेटवर्क (डीडीक्यूएन) मॉडल को प्रीट्रेन किए गए बेस के रूप में उपयोग किया जाता है, जिसे निरंतर ट्रांसफर लर्निंग (CTL) के माध्यम से विभिन्न शहरी वातावरणों में अनुकूलित किया जाता है। हमारी विधि सीखा गया मॉडल वेट्स ट्रांसफर करने और प्रत्येक नए वातावरण की विशिष्ट विशेषताओं के अनुसार लर्निंग और एक्सप्लोरेशन दरों सहित लर्निंग पैरामीटर को अनुकूलित करने में शामिल है। हमारी दृष्टिकोण की प्रभावशीलता तीन परिदृश्यों में सत्यापित की गई है, प्रत्येक में विभिन्न समानता के स्तर हैं। CTL सीखने की गति और सफलता दर को काफी बेहतर बनाता है, जबकि डीडीक्यूएन मॉडलों से शुरू करके। समान वातावरणों के लिए, ट्रांसफर लर्निंग (TL) ने स्थिरता में सुधार किया, 65% द्वारा समापन को तेज किया, और असमान सेटिंग्स में 35% तेज अनुकूलन को सहायक बनाया।