Editorial ilmu komputer
Open AccessOA2026
TRUAV: Pembelajaran Penguatan Multi-Agen Terdistribusi untuk Perencanaan Trajektori dan Peningkatan Perutean pada VANET Berbantuan UAV yang Mendukung IoT
Q-learning tabular independen memungkinkan perencanaan trajektori UAV dan perutean yang skalabel di VANET perkotaan padat tanpa agregasi state global
Muhammad Umar Farooq Qaisar; Lin Zhang; Zhen Chen; Wajdy Othman; Shehzad Ashraf Chaudhry; Chang Liu· 2026· DOI 10.48550/arXiv.2607.23734
Masalah inti
Unmanned aerial vehicle (UAV) telah muncul sebagai pemungkin utama ekosistem Internet of Things (IoT) generasi berikutnya, menawarkan relay udara yang fleksibel untuk memperluas konektivitas di jaringan ad hoc kendaraan (VANET) yang dinamis di lingkungan smart city. Pendekatan terpusat konvensional untuk perencanaan trajektori UAV memerlukan agregasi state jaringan global secara terus-menerus, sehingga tidak praktis di bawah batasan bandwidth dan energi yang lazim pada penerapan perkotaan padat. Artikel ini menyajikan TRUAV, kerangka pembelajaran penguatan multi-agen terdistribusi berbasis Q-learning tabular independen untuk perencanaan trajektori UAV dan peningkatan perutean secara bersama pada VANET berbantuan UAV. Masalah inti yang dibahas adalah ketegangan antara kebutuhan akan posisi UAV yang terkoordinasi dan sadar perutean dengan biaya pertukaran state global terpusat yang sangat mahal di lingkungan perkotaan yang terbatas bandwidth dan energi.
Inovasi
Simulasi numerik di area perkotaan luas dengan 200 kendaraan bergerak menunjukkan bahwa kerangka TRUAV yang diusulkan mencapai cakupan jaringan dan rasio pengiriman paket yang sebanding dengan metode pembelajaran penguatan mendalam terpusat, sekaligus memperbaiki tunda relay dan efisiensi energi. Evaluasi mempertimbangkan skenario penerapan perkotaan padat dengan mobilitas kendaraan dinamis dan lalu lintas IoT. Indikator kinerja utama meliputi cakupan jaringan, packet delivery ratio (PDR), tunda relay, dan efisiensi energi. TRUAV menyamai baseline pembelajaran penguatan mendalam terpusat pada cakupan dan PDR, serta melampauinya pada tunda relay dan efisiensi energi, menunjukkan bahwa Q-learning tabular independen terdistribusi dapat mencapai kinerja kompetitif tanpa agregasi state global.
Unmanned aerial vehicle (UAV) telah muncul sebagai pemungkin utama ekosistem Internet of Things (IoT) generasi berikutnya, menawarkan relay udara yang fleksibel untuk memperluas konektivitas di jaringan ad hoc kendaraan (VANET) yang dinamis di lingkungan smart city. Pendekatan terpusat konvensional untuk perencanaan trajektori UAV memerlukan agregasi state jaringan global secara terus-menerus, sehingga tidak praktis di bawah batasan bandwidth dan energi yang lazim pada penerapan perkotaan padat. Artikel ini menyajikan TRUAV, kerangka pembelajaran penguatan multi-agen terdistribusi berbasis Q-learning tabular independen untuk perencanaan trajektori UAV dan peningkatan perutean secara bersama pada VANET berbantuan UAV. Masalah inti yang dibahas adalah ketegangan antara kebutuhan akan posisi UAV yang terkoordinasi dan sadar perutean dengan biaya pertukaran state global terpusat yang sangat mahal di lingkungan perkotaan yang terbatas bandwidth dan energi.
TRUAV membekali setiap UAV dengan agen Q-learning lokal yang beroperasi murni pada informasi yang dapat diamati secara lokal, termasuk kepadatan kendaraan, status antrean paket, dan posisi UAV tetangga, sehingga menghilangkan kebutuhan pertukaran state global. Desain reward yang terinspirasi potential game mendorong keragaman spasial dan posisi UAV yang sadar perutean di antara agen yang berinteraksi sekaligus memperhitungkan konsumsi energi.
Mengapa penting
Hasil menunjukkan bahwa Q-learning tabular independen, bila dikombinasikan dengan reward yang terinspirasi potential game, dapat secara efektif mengoordinasikan beberapa UAV untuk perencanaan trajektori dan peningkatan perutean secara bersama pada VANET berbantuan UAV yang mendukung IoT. Penghapusan pertukaran state global mengurangi overhead komunikasi dan konsumsi energi, mengatasi salah satu ketidakpraktisan utama pendekatan terpusat di bawah batasan bandwidth dan energi. Reward yang terinspirasi potential game mendorong keragaman spasial dan posisi yang sadar perutean, meredam konflik di antara agen yang berinteraksi. Namun, penggunaan Q-learning tabular dapat menghadapi tantangan skalabilitas seiring bertambahnya ruang state dan aksi dengan jumlah UAV dan kendaraan. Artikel ini juga membahas tantangan yang muncul dan arah penelitian masa depan untuk sistem IoT berbantuan UAV multi-agen terdistribusi, termasuk skalabilitas, observabilitas parsial, dan integrasi dengan standar IoT dan kendaraan yang berkembang.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…