.png){kind=icon}
返回
Computing Efficiency Optimization for UAV-Enabled Integrated Sensing, Computing, and Communication: A Memory-Based Deep Reinforcement Learning Approach
.png){kind=icon}
OA
AI
DOI：10.3390/drones10030180.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机（UAVs）已成为支持物联网（IoT）应用中集成传感、计算和通信（ISCC）功能的有前景的平台。本文研究了一种基于无人机的ISCC网络，其中无人机在地面接入点（APs）的计算辅助下执行雷达传感和机载边缘计算。鉴于有限的机载能源，确保无人机的高能效运行对于支持网络性能的长期可持续性至关重要。在本文中，我们将计算效率定义为在所需传感阈值约束下，成功处理的计算比特总数与整体无人机能耗的比值。为最大化此性能指标，本文联合优化了波束成形向量、CPU频率和无人机的轨迹。该优化问题被建模为马尔可夫决策过程（MDP），并采用基于记忆机制的深度强化学习（DRL）方法求解。具体而言，提出了一种基于长短时记忆（LSTM）和双延迟深度确定性策略梯度（TD3）的轨迹设计与资源分配（LTTDRA）算法。将LSTM单元集成到执行者和评估者中，以有效捕捉动态环境中的时序相关性，从而增强策略稳定性并加速算法收敛。奖励函数经过精心设计，以缓解稀疏惩罚效应，并在具有多重约束的复杂环境中学习高性能策略。在多种设置和网络场景下进行了广泛的仿真，结果表明所提出的方法显著优于基准方案。
Keyword:
UAV
ISCC
trajectory design
resource allocation
computing efficiency
DRL
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
4.8
论文数:
3.9K
被引数:
8.3K
机构
引用论文
分享收藏Energy-Efficient Trajectory Optimization With Wireless Charging in UAV-Assisted MEC Based on Multi-Objective Reinforcement Learning基于多目标强化学习的无人机辅助MEC无线充电轨迹节能优化
PREAI
分享收藏Guided Soft Actor Critic: A Guided Deep Reinforcement Learning Approach for Partially Observable Markov Decision Processes.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏MDRL-IR: Incentive Routing for Blockchain Scalability With Memory-Based Deep Reinforcement Learning
PREAI
分享收藏AoI-Minimal Trajectory Planning and Data Collection in UAV-Assisted Wireless Powered IoT NetworksAoI-无人机辅助无线物联网网络中的最小轨迹规划和数据收集OAAI
OAAI分享收藏UAV-Enabled Integrated Sensing, Computing, and Communication for Internet of Things: Joint Resource Allocation and Trajectory Design面向物联网的无人机集成传感，计算和通信: 联合资源分配和轨迹设计OAAI
OAAI分享收藏Integrated Sensing and Communication for Low Altitude Economy: Opportunities and Challenges江, Y.; 李, X.; 朱, G.; 李, H.; 邓, J.; 韩, K.; 沈, C.; 石, Q.; 张, R. 低空经济中的集成传感与通信：机遇与挑战。IEEE Commun. Mag. 2025, 1–7. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容