基于强化学习的无人机智能组网技术及应用综述

针对无人机在民用和军事等领域中的研究热度及应用需求日益增长,传统Mode1-Based的网络部署、设计、操作方法无法应对动态变化的无人机场景的问题,本文综述了灵活性高、适应性强的AI-Based的智能组网技术,并引入强化学习这一人工智能领域的重要分支。对现有利用强化学习技术解决无人机组网难题的研究进行了概述,结合无人机组网的特性梳理了此领域应用强化学习技术的主要思路。从几个应用场景,以及组网关键技术的角度进行了归纳,给出了基于强化学习的无人机智能组网技术所面临的机遇与挑战,并进行了总结。探究了无人机通信的感知能力与决策能力,适应了其动态变化且需要高度自治的环境需求。为未来无人机智能组网技术的发展提供了有价值的理论基础和实践指导。

基于DRL的飞行自组网自适应多模式路由算法

针对传统飞行自组网协议自适应能力不强、大规模网络应用场景效果不佳的问题,提出了一种基于深度强化学习的多模式路由算法。该算法综合利用系统吞吐量、分组递交率和平均端到端时延等参数构建价值函数,通过智能体自动调节各个无人机的路由工作模式,将大型网络分解为主体网络和数个与之相连的小型异构网络,降低了系统复杂度,局部性能达到最优,提升了整个网络的性能。使用NS3仿真平台测试了算法和传统协议AODV、DSDV的性能指标。仿真结果表明,算法显著优于传统协议,且网络规模越大、负载越高则优势越明显,平均吞吐量提升了55.46%,分组递交率提升了39.85%,平均端到端时延降低了60.94%。

基于行驶车速的车辆防撞时间预警算法

针对一般车辆碰撞时间(time to collision,TTC)算法预警阈值固定造成车辆低速行驶中出现预警过早及高速行驶出现预警不及时的问题,该文提出一种基于行驶车速的车辆防撞时间预警方法。行驶车辆通过车载设备实时获取自车与他车的状态信息,根据车辆状态信息建立高斯平面坐标系获取车辆位置坐标,对车辆可能发生的碰撞进行分类处理,依据车辆行驶速度设定相应的安全防撞时间,然后将车辆发生碰撞需要的时间与安全防撞时间进行比较,存在碰撞危险则通过预警显示提醒驾驶员。试验结果表明:该方法预警准确率达88.89%,而一般TTC固定阈值方法则预警过早率达81.48%,预警过晚率达70.37%,故该方法对进行车辆危险预警更有效,更符合实际车辆防撞情形,提高了车辆行驶的安全性,可为车辆的及时预警提供参考。

基于函数逼近的强化学习FANET路由优化算法

针对高速移动状态下的飞行自组网路由协议链路维护困难问题,提出一种基于强化学习的自适应链路状态路由优化算法QLA-OLSR。借鉴强化学习中的Q学习算法,通过感知动态环境下节点邻居数量变化和业务负载程度,构建价值函数求解最优HELLO时隙,提高节点链路发现与维护能力。利用优化Kanerva编码算法的状态相似度机制,降低QLA-OLSR算法复杂度并增强稳定性。仿真结果表明,QLA-OLSR算法能有效提升网络吞吐量,减少路由维护开销,且具有自学习特性,适用于高动态环境下的飞行自组网。