基于深度增强学习的无人飞行器功率检查任务卸载策略

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 传统的电力检查方法是低效和危险的.
• 无人驾驶飞行器 (UAV) 提供了更高的效率,但具有计算和能源限制.
• 现有的解决方案在计算密集和延迟敏感的检查任务中扎.

研究的目的:

• 开发一个高效的无人机任务卸载策略,用于使用深度强化学习 (DRL) 进行电力检查.
• 解决无人机在电网监控中的计算和能源限制.
• 为了优化基于无人机的电力设施检查中的任务处理延迟和能源消耗.

主要方法:

• 提出了一个协作计算架构,将无人机与移动边缘计算 (MEC) 服务器集成在一起.
• 开发了一个能耗和任务处理延迟的计算模型.
• 将任务卸载问题正式化为多目标优化和马尔科夫决策过程 (MDP).
• 引入了一个基于深度决定性政策梯度 (OTDDPG) 的优化任务卸载算法.

主要成果:

• 拟议的UAV-Edge服务器协作计算架构有效利用UAV移动性和MEC功能.
• 通过OTDDPG算法,可以大大降低任务处理延迟.
• 与基线方法相比,该战略显示了能源消耗的显著改善.
• 模拟结果验证了基于DRL的任务卸载方法的有效性.

结论:

• 基于DRL的任务卸载策略显著提高了无人机在电力检查中的效率并降低了无人机的能源消耗.
• 开发的协作计算架构和OTDDPG算法为无人机在电网监控中的局限性提供了有效的解决方案.
• 这种方法为智能和自动化电力设施检查系统提供了一个有希望的方向.