Multi-UAV Dynamic Task Assignment Based on Event-Triggered Graph Reinforcement Learning Under Weak Communication

doi:10.1109/TASE.2025.3593125

2025-01-01

PRE

Jin Yu

Ya Zhang

Changyin Sun

DOI：10.1109/TASE.2025.3593125

原文链接

原文求助

摘要

En 中文

本文研究了在弱通信环境下多架无人机（UAVs）的动态任务分配问题。现有的基于学习的方法面临两大主要挑战：场景泛化能力有限和对通信资源的过度依赖。为解决这些问题，本文提出了一种基于图神经网络的事件触发强化学习算法。首先，将异构无人机和任务嵌入图中以构建关系模型，该模型清晰表示无人机与任务之间的复杂约束关系。这种图结构克服了现有方法在捕捉约束关系方面的局限性。其次，通过整合异构图神经网络和自适应注意力机制，能够有效学习相邻节点信息的变化，使模型能够捕捉复杂的约束关系和环境动态。该方法还解决了现有方法对环境变化不敏感的问题。最后，采用动态同步机制实时更新任务分配状态，避免任务冲突并确保高效分配。实验结果表明，该方法在任务分配质量与效率之间取得了更好的平衡，在未训练场景中表现良好，并显著降低了通信资源消耗。这些结果突显了其在弱通信环境应用中的巨大潜力。Note to Practitioners—本文研究了弱通信条件下多无人机系统的动态任务分配问题。提出了一种结合图神经网络和自适应注意力机制的事件触发图强化学习算法。该框架将无人机和任务建模为异构图中的节点，捕捉它们之间的关系和约束。算法通过动态同步机制实时更新任务分配，在间歇通信情况下最小化冲突并确保任务最优完成。其关键优势在于平衡任务质量与效率。相比传统方法，其在各类场景中表现更优，尤其在未训练环境中适应动态任务需求。该方法在国防、物流、农业和监视等领域特别有用。然而，在极端频繁的无人机干扰情况下存在局限性，未来工作可优化其在全分布式环境中的适应性、可靠性和鲁棒性。

Keyword:

Multi-UAVs

reinforcement learning

graph neural network

dynamic task assignment

event-triggered