Task Offloading in Multi-UAV Edge Computing Using an Improved Multi- Agent Proximal Policy Optimization Approach
本文提出了 SS-MAPPO，一种改进的多智能体近端策略优化框架，该框架结合了 Top-K 稀疏注意力机制和高斯隐策略，旨在解决建模为去中心化部分可观测马尔可夫决策过程（Dec-POMDP）的动态多无人机边缘计算环境中的能效型去中心化任务卸载问题。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在城市上空和偏远景观中，被称为无人机的小型飞行机器人正成为不可或缺的工作者。它们检查输电线、运送包裹并监测灾区，在移动过程中收集大量数据。然而，这些机器背负着沉重的负担：它们的电池容量有限，且其搭载的计算机通常性能较弱，无法快速处理复杂信息。如果无人机在飞行时试图解决一个困难的数学问题或分析一张高分辨率图像，它会迅速消耗电池，并可能在完成任务前耗尽电量。为了解决这个问题，工程师们开发了一个称为移动边缘计算的概念。与其强迫无人机独自承担所有工作，不如让它将其数据发送到附近的地面强大计算机，甚至是云端中更大型的服务器。这使得无人机能够保持轻便高效，将繁重的计算任务交给拥有无限能量的机器来完成。
当数十个或数百个无人机在同一区域同时作业时，挑战随之而来。想象一下有一百二十架无人机的集群，都在试图向有限数量的地面站发送数据。电波变得拥挤，地面计算机因请求过多而过载，而无人机必须不断决定是独自工作、发送数据到附近的站点，还是等待遥远的云服务器。如果它们做出了错误的决策，就会浪费能量或丢失重要的任务。这是一个协调问题。传统的组织这类群体的方法往往会失败，因为环境变化太快；例如，无人机可能会飞出通信范围，或者地面站可能会突然变得满负荷。研究人员需要一种方法，让这些无人机能够自主学习如何做出智能且节能的决策，即使在它们看不见其他无人机所处状态的情况下。
来自湖北汽车工业学院和云南汉哲科技股份有限公司的一个研究小组开发了一种新方法，旨在帮助这些无人机集群更高效地协作。他们创建了一个系统，让无人机通过试错法进行学习，利用一种能够让它们随着时间推移不断改进决策的类人工智能技术。研究人员构建了一个复杂的数字世界模拟环境，其中包含一百二十架无人机、二十四个地面服务器和一个强大的云服务器。在这个数字环境中，无人机生成大小不一的任务，从三百千字节的小数据包到三千三百千字节的大文件不等。目标既简单又困难：在尽可能使用最少电池电量的前提下完成所有任务。
该团队将他们的新方法与几种现有方法进行了对比测试，其中包括依赖固定规则的旧算法以及过去曾使用过的其他学习系统。他们发现，他们的系统名为 SS-MAPPO，在几乎所有方面都优于其他系统。其成功的关键在于如何处理庞大的无人机数量。在一个拥挤的集群中，并非每架无人机都需要关注其他所有无人机；事实上，尝试这样做会造成混乱并降低系统速度。研究人员教会了新系统只关注最相关的邻近目标，而忽略其余部分。这就像一个人在嘈碌的房间里，会专注于聆听身旁朋友的声音，同时屏蔽掉背景的嘈杂声。通过过滤掉不必要的信息，无人机可以做出更快、更稳定的决策。
此外，研究人员改进了无人机在选择本地处理、附近服务器或云端之间的学习方式。新系统并没有在不同选择之间进行突兀的跳转，而是使这些决策变得平滑，从而让无人机能够适应如风力变化或网络信号偏移等不断变化的环境。在他们的模拟实验中，这种方法使集群比其他方法更快地达到稳定且高效的状态。虽然旧系统学习过程较长，且能量使用往往出现剧烈波动，但新方法能迅速进入稳定的节奏。当无人机数量从小型群体增加到一百二十架的大型集群时，新系统仍能保持其效率，而其他方法则表现挣扎并消耗了显著更多的能量。
模拟结果表明，这种新方法可以降低整个集群的总能耗。它还证明了在任务规模变化时具有更强的鲁棒性。无论是处理微小的数据文件还是大规模的视频流，该系统都能在不浪费电力的前提下进行调整。研究人员指出，该方法特别擅长防止地面服务器过载，确保没有哪架无人机会因为等待响应而等待过久。这种平衡对于现实世界的应用至关重要，因为在这些场景中，延迟可能意味着错过一次交付或一次检测失败。
尽管这些结果令人鼓舞，但研究人员谨慎地指出，他们的发现源自计算机模拟。他们模拟了无人机沿固定路径移动的情况，并假设任务是以完整的块形式发送而非被拆分。虽然这提供了坚实的基础，但现实世界往往更加复杂，存在不可预测的天气和更复杂的飞行模式。该团队建议，未来的工作需要测试那些可以自由改变方向并能处理部分数据传输的无人机。不过，就目前而言，这项研究为管理大型自主机器集群提供了一条清晰的路径。通过教会无人机忽略噪音并专注于真正重要的信息，我们很快就能看到能够无缝协作的集群，从而通过节省能量来保障天空的安全与高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。