在复杂动态环境下,针对无人机执行协同数据采集任务时,出现的航迹规划问题求解不确定性高、多机协同难度大、机间碰撞严重等挑战,提出了一种面向多无人机辅助数据采集的强化学习协同航迹规划(reinforcement learning-based cooperative trajectory planning for UAV aided data collection,RL-DC)算法.该算法通过集中式训练分布式执行框架,实现多无人机安全高效协同数据采集和航迹优化.通过设计竞争候选节点队列机制,避免多架无人机同时服务一个节点导致的信号干扰和飞行安全问题,并通过奖励重塑优化规划轨迹,提高数据采集效率;同时采用网络结构优化和混合优先经验回放,提高无人机在复杂环境下的学习效率,提升决策能力.实验结果表明,所提出的RL-DC算法在各种任务环境中的成功率均能达到90%以上,节点服务率均大于98%,性能优于其他同类算法.
针对机舱无线通信覆盖不全面、速度慢、不稳定等问题,该文基于射线跟踪方法构建了机舱环境第5代移动通信技术(5th generation mobile communication technology,5G)信道模型,并分析了信号覆盖能力及信道参数特性。首先,利用三角面元对...
详细信息
针对机舱无线通信覆盖不全面、速度慢、不稳定等问题,该文基于射线跟踪方法构建了机舱环境第5代移动通信技术(5th generation mobile communication technology,5G)信道模型,并分析了信号覆盖能力及信道参数特性。首先,利用三角面元对真实的机舱环境进行三维几何重构,以降低射线跟踪方法获取信道参数的复杂度;然后,结合分簇算法构建5G信道传播模型,进而分析了机舱环境下5G信号覆盖和通信性能。仿真分析结果表明,簇功率偏移和簇时延偏移服从高斯分布,簇到达方位角和簇到达俯仰角偏移服从拉普拉斯分布,同时发现,机舱环境中的密集散射体是影响5G信号覆盖范围的关键因素。上述结论可用于机舱环境5G基站的无线通信信号覆盖预测和多径参数评估等领域。
暂无评论