Trajectory Design and Beamforming in UAV-Assisted Wireless Networks: A Fine-Tuned M2LLM-Driven DRL-Based Framework
Notice bibliographique
Résumé
Optimizing unmanned aerial vehicle (UAV)-assisted wireless networks to serve mobile users (MUs) via beamforming presents significant challenges, mainly due to the dynamic and complex environments. Traditional single-modal data-based modeling methods are often insufficient for capturing the varying environmental characteristics, leading to inaccurate UAV trajectory design and beamforming. To address these issues, we propose a multi-UAV-assisted integrated sensing, communication, and computation (ISCC) framework that processes multi-modal data to enhance environmental awareness and improve communication performance. We then formulate an optimization problem to maximize the average sum rate by jointly optimizing the UAV trajectory and beamforming vectors. Given the non-convex nature of the problem, traditional optimization techniques are inadequate. To this end, we introduce a fine-tuned multi-modal large language model (M2LLM)-driven deep reinforcement learning (DRL)-based joint optimization framework. Specifically, a pre-trained M2LLM is first fine-tuned to predict future MU positions by leveraging historical multi-modal data, including texts, images, and wireless sensing data. The fine-tuned M2LLM is then employed to extract environmental features, where the output of the fine-tuned M2LLM’s last hidden layer is regarded as the environment state vector to eliminate the output uncertainty of the M2LLM. Subsequently, we use a DRL agent to optimize the UAV trajectory and beamforming in a coordinated manner. Extensive simulation results demonstrate that the proposed framework can significantly enhance network performance by enabling environment-aware and adaptive trajectory design and beamforming. The code is available in https://huggingface.co/blYin/MmllmDrlUavTdBf.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».