A Double Q-Learning Approach for Navigation of Aerial Vehicles with\n Connectivity Constraint
Notice bibliographique
Résumé
This paper studies the trajectory optimization problem for an aerial vehicle\nwith the mission of flying between a pair of given initial and final locations.\nThe objective is to minimize the travel time of the aerial vehicle ensuring\nthat the communication connectivity constraint required for the safe operation\nof the aerial vehicle is satisfied. We consider two different criteria for the\nconnectivity constraint of the aerial vehicle which leads to two different\nscenarios. In the first scenario, we assume that the maximum continuous time\nduration that the aerial vehicle is out of the coverage of the ground base\nstations (GBSs) is limited to a given threshold. In the second scenario,\nhowever, we assume that the total time periods that the aerial vehicle is not\ncovered by the GBSs is restricted. Based on these two constraints, we formulate\ntwo trajectory optimization problems. To solve these non-convex problems, we\nuse an approach based on the double Q-learning method which is a model-free\nreinforcement learning technique and unlike the existing algorithms does not\nneed perfect knowledge of the environment. Moreover, in contrast to the\nwell-known Q-learning technique, our double Q-learning algorithm does not\nsuffer from the over-estimation issue. Simulation results show that although\nour algorithm does not require prior information of the environment, it works\nwell and shows near optimal performance.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».