MADRL-Based Multi-UAV 3D Trajectory Planning for 6G-Oriented Communication Assistance
Notice bibliographique
Résumé
Due to its unique signal propagation environment, the introduction of uncrewed aerial vehicles (UAVs) for 6G communications has brought many new challenges. These new challenges, particularly increased resource constraints and signal interference among UAVs, necessitate optimal UAV deployment through trajectory planning. Unfortunately, existing two-dimensional (2D) UAV trajectory planning techniques with pre-determined heights can hardly meet the demands of ground user equipment (UE) through opportunistic use of limited radio resources. To overcome the related issues, a new multi-UAV three-dimensional (3D) trajectory planning strategy enabled by multi-agent deep reinforcement learning (MADRL) is proposed in this work. First, the position of each UAV at every timeslot can be adaptively adjusted in 3D to boost the agility of on-demand deployment. Furthermore, more comprehensive system performance metrics, including UE coverage rate, downlink sum rate, and energy consumption, are jointly considered as the optimization objectives, formulating a multi-objective optimization problem for multi-UAV 3D trajectory planning. To support the diverse demands of UAVs autonomously, a MADRL algorithm, multi-agent proximal policy optimization (MAPPO), is further developed as the solution. Simulations have been conducted based on practical scenario settings. The results indicate that the improved MAPPO can empower the 3D movements of UAVs based on their local observations while optimizing the system performance.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».