Исследователи представили метод TRUAV, использующий распределенное обучение с подкреплением для оптимизации маршрутов беспилотников в сетях VANET. Система позволяет БПЛА эффективно поддерживать связь в динамических IoT-средах без необходимости централизованного сбора глобальных данных. Это решение снижает нагрузку на сеть и повышает точность планирования траекторий в условиях высокой мобильности объектов в умных городах.
Традиционные подходы к управлению БПЛА часто сталкиваются с проблемой масштабируемости, так как требуют постоянной передачи огромных объемов телеметрии на центральный сервер. TRUAV переносит процесс принятия решений на уровень самих агентов, что минимизирует задержки и повышает устойчивость системы к сбоям связи. Использование многоагентного обучения с подкреплением позволяет дронам координировать действия в режиме реального времени, адаптируясь к меняющейся плотности транспортного потока.
Данная архитектура нацелена на интеграцию в инфраструктуру умных городов, где БПЛА выступают в роли мобильных ретрансляторов для обеспечения стабильного покрытия IoT-устройств. Метод демонстрирует значительное преимущество в эффективности маршрутизации по сравнению с классическими алгоритмами, обеспечивая баланс между энергопотреблением дронов и качеством обслуживания сетевых узлов.
Ключевые факты
- TRUAV использует многоагентное обучение с подкреплением (MARL) для децентрализованного управления траекториями БПЛА.
- Система предназначена для оптимизации связи в сетях VANET (Vehicular Ad Hoc Networks), интегрированных с IoT-экосистемами.
- Метод устраняет необходимость в непрерывной агрегации глобального состояния сети, снижая требования к пропускной способности каналов передачи данных.
- Решение повышает общую эффективность маршрутизации и стабильность соединения в динамических городских условиях.