多代理增强基于学习的计算卸载无人驾驶飞行器灾后救援
1School of Computer Science and Engineering, Northeastern University, Shenyang 110000, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了一种合作的多代理强化学习算法,用于无人机任务卸载. CER-MADDPG算法减少了系统开销,并提高了救援任务的稳定性和可扩展性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自然灾害造成大量损失,需要有效的救援行动.
- 无人驾驶飞行器 (UAV) 对应灾难至关重要,但在计算能力和电池寿命方面面临限制.
- 将任务卸载到边缘服务器对于无人机克服计算和能源限制至关重要.
研究的目的:
- 为无人机在自然灾害场景中开发先进的任务卸载决策算法.
- 通过智能计算卸载,提高无人机辅助救援任务的效率,稳定性和可扩展性.
主要方法:
- 提出了合作经验重复多代理深度决定性政策梯度 (CER-MADDPG) 算法.
- 利用多代理增强学习在无人机之间进行协作任务卸载决策.
- 采用"关键"网络设计用于跨边缘设备协作和经验重复缓冲器来学习最佳策略.
主要成果:
- 与基线算法相比,CER-MADDPG的系统开销明显较低 (MADDPG,基于随机游戏的资源分配).
- 该算法在模拟救援任务环境中实现了卓越的稳定性和可扩展性.
- 超参数分析确定了用于增强性能的最佳配置.
结论:
- 在应对自然灾害时,CER-MADDPG为无人机计算卸载提供了有效的解决方案.
- 在CER-MADDPG的合作和经验驱动的方法导致改进系统性能和资源管理.
- 这项研究有助于在关键紧急情况下推进自主系统.
