【标题】Attention-based Reinforcement Learning for Real-Time UAV Semantic Communication

【作者团队】Won Joon Yun, Byungju Lim, Soyi Jung, Young-Chai Ko, Jihong Park, Joongheon Kim, Mehdi Bennis

【论文链接】https://arxiv.org/pdf/2105.10716.pdf

【发表日期】2021.5.22

【推荐理由】本文为无人机的URLLC问题，提出了一个新颖的CTDE MADRL框架。该框架创造了图注意力交换网络（GAXNet），通过与最先进的CTDE方法QMIX相比，该方法具有更低的延迟和更高的可靠性。

本文研究了移动地面用户的空对地超可靠和低延迟通信（URLLC）问题。其通过实时控制多个无人飞行器（UAV）来完成，同时避免了无人驾驶飞机之间的碰撞。为此，本文提出了一种新颖的多主体深度强化学习（MADRL）框架，该框架创造了图注意力交换网络（GAXNet）。在GAXNet中，每个UAV都会在本地构造一个注意力图，以测量对其相邻UAV的注意力水平，同时与其他UAV交换注意力权重，以减少它们之间的注意力失配。仿真结果证实了GAXNet在训练过程中可获得高达4.5倍的更高回报。在执行时，GAXNet不会造成UAV之间的冲突，将延迟降低了6.5倍，目标错误率为0.0000001。

内容中包含的图片若涉及版权问题，请及时与我们联系删除