基于图的时空强化学习框架,用于多无人机系统中的顺序任务卸载

《IEEE Journal on Miniaturization for Air and Space Systems》:Graph-Based Spatiotemporal RL Framework for Sequential Task Offloading in Multi-UAV Systems

【字体: 大 中 小 】 时间:2026年04月07日 来源:IEEE Journal on Miniaturization for Air and Space Systems 2.1

编辑推荐:

  高效无人机协作中任务卸载优化方法研究。针对传统卸载方法在任务时空依赖和无人机移动性下效率不足的问题,本文构建了时空强化学习框架GSTRL,通过异构图神经网络建模空间关系,结合LSTM捕捉时间动态,采用改进的PPO算法优化多约束条件下的卸载决策。实验表明该方法在复杂多无人机系统中平均提升25%的奖励,任务成功率提升30-50%,执行时间减少40%。

  

摘要:

无人机(UAV)之间的高效协作显著提升了基于UAV的应用程序的性能。任务卸载是UAV系统的典型协作形式。然而,由于任务之间的依赖性以及UAV的移动性,传统任务卸载方法仍然存在挑战。在本文中,我们将任务卸载问题建模为序贯任务卸载问题(sTOP),该模型考虑了任务的时空依赖性。我们提出了一种基于图的时空强化学习(GSTRL)框架,其中环境被建模为一个异构图,以捕捉系统实体之间的多样化关系。我们设计了一个时空状态提取模块,该模块结合了异构图神经网络(HGNN)用于空间依赖性建模和长短期记忆(LSTM)网络用于时间动态建模。基于提取的表示,我们提出了一种掩码近端策略优化(mPPO)算法,以便在多个系统约束下做出有效且高效的任务卸载决策。使用真实的UAV轨迹和建筑分布数据集进行的广泛实验验证,所提出的方法将平均奖励提高了约25%,同时将任务成功率及运营效率比(OER)提高了30-50%,并在复杂的多UAV系统中将执行时间减少了多达40%。

引言

无人机(UAV)已被广泛应用于灾难救援[1]、智慧城市监控[2]、农业监测[3]、基础设施检查[4]和军事侦察[5]等领域。凭借其高机动性、灵活的部署能力和可扩展性,UAV在基础设施缺失或受损的场景中优于传统的固定边缘节点,能够迅速建立通信和计算网络,从而提高系统可靠性[6]。然而,在这些典型应用场景中,UAV执行的任务通常表现出强烈的顺序依赖性,即任务的执行依赖于其前序任务的完成。例如,在灾难救援[1]中,必须先进行区域侦察才能开始救援工作。同样,在电网检查[4]中,缺陷识别通常先于图像采集和分析。随着通信技术的进步[7],UAV能够实现更高的数据传输率和更低的延迟,这显著提高了多UAV任务协作的效率,并使其能够在更复杂和动态的应用场景中得到部署。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号