Efficient Collision-Free Data Collection for Underwater Acoustic Sensor Networks: A Hierarchical DRL Approach
Notice bibliographique
Résumé
Autonomous underwater vehicles (AUVs) have become a promising solution for data collection in underwater acoustic sensor networks (UASNs), and deep reinforcement learning (DRL) has been widely applied to enhance collection performance. However, our preliminary experiments indicate that existing DRL-based studies still face two critical challenges: 1) Collection blind spots. The sparse collection rewards and the requirement for energy-efficient trajectory planning during data collection jointly restrict AUVs' ability to explore and collect data from all sensor nodes (SNs), ultimately resulting in some SNs remaining uncollected. 2) Collection collisions. Simultaneous data collection by multiple AUVs can lead to packet collisions and collection failures, further decreasing the collection rate. To address these challenges, we propose a <underline xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">h</u>ierarchical DRL-based <underline xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">c</u>ollision-free <underline xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">d</u>ata <underline xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">c</u>ollection scheme (HCDC). Specifically, we leverage a hierarchical DRL framework to decompose the multi-AUV-assisted data collection (MADC) problem into a high-level global target selection (GTS) and a low-level local trajectory planning (LTP) subproblems. For GTS, we design a multi-agent GTS (MA-GTS) algorithm to assign the next target SN for collection to each AUV. The MA-GTS incorporates both global and local rewards to collaboratively optimize the overall energy consumption while avoiding individual penalties. Based on the assigned target SN, a deep deterministic policy gradient-based LTP (DDPG-LTP) algorithm is proposed to conduct AUV trajectory planning, utilizing intrinsic rewards to enhance learning efficiency and eliminate collection blind spots. Furthermore, to avoid packet collisions, we analyze the conditions for collision-free data collection and propose an adaptive back-off slot (ABS) algorithm to schedule AUVs' collection slots. With the collision-free slots, DDPG-LTP dynamically adjusts AUVs' velocities to ensure collision-free collection while reducing energy consumption. Extensive simulation results demonstrate that HCDC can achieve better collection rate and energy efficiency than state-of-the-art schemes.
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 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».