【文献阅读】【综述】UAV-assisted mobile edge computing
《Aerial Edge Computing A Survey》
作者：Qinglou Zhang et al.
发表时间：2023年8月
来源：IEEE INTERNET OF THINGS JOURNAL（JCR Q1）（Top）（中科院1区）
关键字：空中边缘计算（AEC）、移动边缘计算、服务质量（QoS）、无线通信网络。
《AI for UAV-Assisted IoT Applications》
作者：Nan Cheng et al.
发表时间：2023年8月
来源：IEEE INTERNET OF THINGS JOURNAL（JCR Q1）（Top）（中科院1区）
关键字：人工智能（AI）、物联网（IoT）、强化学习（RL）、无人机应用、无人机（UAV）。
1、研究背景
无人机在物联网中的应用
随着物联网的发展，无人机凭借着其灵活性、可操作性和经济性在各行各业中得到了广泛地应用
- 农业：通过部署无人机来监测农作物生长、喷洒农药以及实现农场自动化以实现智能农业
- 紧急场景：无人机可以提供通信服务、物资运送和环境监控
- 城市：通过无人机实现视频监控、打造智能交通系统（ITSs）和提供医疗保健服务
- 现代战争：例如，在俄乌战场中，使用了大量的军用无人机提供通信、侦察和攻击服务
无人机辅助移动边缘计算
- 传统移动边缘计算（MEC）场景中，移动设备可以卸载本地任务至边缘服务器，从而降低延迟和能耗
- 然而，受基站、边缘节点与本地设备距离等因素的影响，有时无法为通信拥堵和连接有限的地区提供良好的网络服务质量（QoS）
- 通过将边缘服务器配备在无人机上，可以将其充当飞行基站和边缘计算节点，凭借其灵活性快速形成自组织网络，为通信受限的地区提供及时的网络服务
2、研究现状
| 带有MEC服务器的无人机相较于传统边缘计算服务器具有以下特点： | 为了在有限资源下，提高QoS、降低延迟和提升能量效率，需要考虑以下四个方面： |
|---|---|
| 高速可移动 | 计算卸载 |
| 能源有限 | 资源分配 |
| 与移动设备（MDs）的距离通常较近 | 路径规划 |
| … | 能量控制 |
以下是目前已知的解决方法：
- 使用多智能体强化学习（MARL）求解以上问题的联合优化
- 尝试其他网络接入模式降低通信延迟，例如非正交多址（NOMA）、时分多址（TDMA）
- 在飞行轨迹规划和网络调度上，分别使用深度强化学习（DRL）与其他方法相结合，例如启发式算法
……
3、未来挑战
无人机的训练问题
- 在训练过程中，通常需要智能体与环境不断交互获得训练数据，数据可能存在冗余、标签（奖励）错误和类别不平衡等问题，通常使用数据增强可以解决数据匮乏与收敛问题。
- 作者提出使用联邦学习（FL），以去中心化的方式，通过局部、全局的交互更新模型参数。这样训练数据较少的无人机可以通过其他无人机的训练结果更新本地模型，以保证训练的有效性。
无人机的收敛问题
- 由于单架无人机的服务能力有限，无法满足某些场景用户的需求。在大规模无人机场景下，通常智能体的状态和动作空间维度会呈指数型增长，造成“维度灾难”，导致算法难以收敛和学习效率低下等问题。
- 作者提出使用图神经网络（GNN）处理大规模场景方面可能具有良好的效果。
无人机的资源和能源限制问题
- 由于单架无人机的服务能力有限，无法满足某些场景用户的需求。在大规模无人机场景下，通常智能体的状态和动作空间维度会呈指数型增长，造成“维度灾难”，导致算法难以收敛和学习效率低下等问题。
- 作者提出使用图神经网络（GNN）处理大规模场景方面可能具有良好的效果。
无人机的安全和隐私问题
- 联邦学习（FL）通过分布式模型训练，通过局部参数构建全局模型，这种方式可以做到保护用户数据隐私和安全。
许可协议
本文采用 署名-非商业性使用-相同方式共享 4.0 国际 许可协议，转载请注明出处。
分享文章
