Adaptive Machine Learning Framework for UAV Trajectory Optimization in O-RAN
作者: Chenrui Sun, Swarna Bindu Chetty, Gianluca Fontanesi, Mahnaz Arvaneh, Walid Saad, Hamed Ahmadi
分类: eess.SP, cs.AI
发布日期: 2026-06-23
备注: 16 pages, 12 figures, IEEE Transactions on Vehicular Technology
期刊: 2026 IEEE Transactions on Vehicular Technology
💡 一句话要点
提出自适应机器学习框架以优化无人机轨迹
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人机轨迹优化 迁移学习 O-RAN 6G网络 模型选择 持续学习 城市地图 光线追踪
📋 核心要点
- 无人机轨迹优化在动态环境中面临重大挑战，现有方法需在每个新场景中进行大量再训练，效率低下。
- 本文提出的框架通过集成增强的持续迁移学习，利用预训练模型库和模型选择机制，显著提高了适应性和效率。
- 模拟实验结果显示，该方法相比传统方法减少了44%至56%的收敛时间，表现出显著的性能提升。
📝 摘要（中文）
随着无人机（UAV）作为开放无线单元（O-RU）在6G蜂窝系统中的部署，提升网络覆盖的可扩展性和适应性成为可能。然而，在动态和陌生环境中优化无人机轨迹仍然是一个关键挑战，尤其是需要在每个新场景中进行大量的再训练。本文提出了一种新颖的无人机轨迹优化框架，该框架在O-RAN架构中集成了增强的持续迁移学习。该系统维护一个预训练模型库，并采用模型选择机制，从最相关的环境中识别和转移知识，从而最小化适应时间并提高效率。当没有足够相似的模型可用时，借助持续改进的后备模型确保基线性能。该框架利用真实城市地图和光线追踪技术来增强学习的可靠性并改善轨迹规划。模拟结果表明，所提出的基于模型选择的迁移学习方法相比从头再训练减少了44%至56%的收敛时间，相比于没有模型选择的传统迁移学习减少了多达40%。
🔬 方法详解
问题定义：本文旨在解决无人机在动态和陌生环境中轨迹优化的挑战，现有方法在每个新场景中需进行大量再训练，导致效率低下。
核心思路：提出的框架通过集成增强的持续迁移学习，维护一个预训练模型库，并采用模型选择机制，从最相关的环境中转移知识，以减少适应时间。
技术框架：整体架构包括预训练模型库、模型选择机制和后备模型。预训练模型库存储多个环境的模型，模型选择机制用于识别最相关的模型，而后备模型则在缺乏相似模型时提供基线性能。
关键创新：最重要的创新在于模型选择机制的引入，使得知识转移更加高效，显著减少了适应时间，与传统的迁移学习方法相比具有本质区别。
关键设计：在模型选择中，采用了基于相似度的评估标准，确保选择的模型与当前环境的相关性。同时，后备模型通过持续的微调来保持性能，确保在缺乏相似模型时仍能提供可靠的结果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，提出的模型选择基于迁移学习的方法相比从头再训练减少了44%至56%的收敛时间，相比于传统迁移学习方法减少了多达40%的收敛时间，展现出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括6G网络中的无人机通信、城市监控、环境监测等。通过优化无人机轨迹，可以提高网络覆盖效率，降低运营成本，具有重要的实际价值和未来影响。
📄 摘要（原文）
The deployment of unmanned aerial vehicles (UAV) as open radio units (O-RUs) in 6G cellular systems presents a promising opportunity to achieve scalable and adaptive network coverage. However, optimizing UAV trajectories in dynamic and unfamiliar environments remains a critical challenge, particularly due to the need for extensive retraining in each new scenario. In this paper, we introduce a novel UAV trajectory optimization framework that integrates enhanced continual transfer learning within the O-RAN architecture. The proposed system maintains a library of pre-trained models and employs a model selection mechanism to identify and transfer knowledge from the most relevant environments, minimizing adaptation time and improving efficiency. When no sufficiently similar model is available, a fallback model empowered by continuous refinements ensures baseline performance. The framework leverages real-world city maps and ray tracing techniques to enhance learning reliability and improve trajectory planning. Simulation results demonstrate that the proposed model selection-based transfer learning approach reduces convergence time by 44% to 56% compared to retraining from scratch, and up to 40% compared to traditional transfer learning without model selection.