返回
Graph-Based Spatiotemporal RL Framework for Sequential Task Offloading in Multi-UAV Systems
DOI:10.1109/TMC.2025.3635085.png)
摘要
En 中文
无人机群间高效协作对基于无人机的应用具有显著性能提升。任务卸载是无人机系统的典型协作形式。然而,由于任务依赖性和无人机移动性导致传统卸载方法效率低下,任务卸载对无人机系统仍是一个具有挑战性的问题。本文将卸载问题建模为考虑任务时空依赖性的序列任务卸载问题(sTOP)。我们提出了一种基于图时空强化学习(GSTRL)的框架,其中环境被建模为异构图以捕捉系统实体间的多样化关系。设计了一个时空状态提取模块,该模块整合了异构图神经网络(HGNN)用于建模空间依赖性,以及长短期记忆网络(LSTM)用于建模时序动态。基于提取的表示,提出了一种掩码近端策略优化(mPPO)算法,在多重系统约束下做出有效且高效的卸载决策。使用真实无人机轨迹和建筑分布数据集的大量实验验证,所提方法在先进DRL基线和启发式基准上平均奖励提升约25%,通过将任务成功率与运行有效性比率(OER)提高至30%–50%,同时将执行时间最多减少40%,在复杂多无人机系统中表现出色。
Keyword:
Multi-UAV collaboration
sequential task offloading
heterogeneous graph neural network (HGNN)
long short-term memory (LSTM)
proximal policy optimization (PPO)
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
HOTSPOT: A UAV-Assisted Dynamic Mobility-Aware Offloading for Mobile-Edge Computing in 3-D SpaceHOTSPOT: 无人机辅助的动态移动感知卸载,用于3d空间中的移动边缘计算
Distilling Tiny and Ultrafast Deep Neural Networks for Autonomous Navigation on Nano-UAVs在纳米无人机上提取用于自主导航的微小和超快深度神经网络
Dependent Task Offloading in Edge Computing Using GNN and Deep Reinforcement Learning边缘计算中基于GNN和深度强化学习的依赖任务卸载
Energy Efficient Task Offloading and Resource Allocation in Air-Ground Integrated MEC Systems: A Distributed Online Approach空地集成MEC系统中的节能任务卸载和资源分配: 一种分布式在线方法
Sustainable Task Offloading in Secure UAV-Assisted Smart Farm Networks: A Multi-Agent DRL With Action Mask Approach可持续的任务卸载在安全无人机辅助智能农业网络中:一种带动作掩码的多智能体深度强化学习方法

