清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Efficient Data Collection Scheme for Multi-Modal Underwater Sensor Networks Based on Deep Reinforcement Learning

弹道 水下 数据收集 强化学习 传输(电信) 情态动词 数据传输 计算机科学 实时计算 遥控水下航行器 能见度 工程类 人工智能 计算机网络 电信 机器人 移动机器人 化学 高分子化学 统计 地质学 物理 光学 海洋学 数学 天文
作者
Shanshan Song,Jun Liu,Jingxue Guo,Bin Lin,Qiang Ye,Jun-Hong Cui
出处
期刊:IEEE Transactions on Vehicular Technology [Institute of Electrical and Electronics Engineers]
卷期号:72 (5): 6558-6570
标识
DOI:10.1109/tvt.2022.3232391
摘要

Autonomous Underwater Vehicles (AUVs) with multi-modal transmission can achieve high efficient data collection for underwater sensor networks. However, multi-modal transmission and trajectory planning impose great challenges on data collection in complex underwater environments. Most prior studies focus on design of multi-modal architecture, but lack of available implementation and consideration of AUVs' trajectory. Meanwhile, existing trajectory planning research cannot work well on data collection with multiple complex tasks simultaneously. In this paper, an efficient Data Collection scheme for Multi-modal underwater sensor networks based on Deep reinforcement learning (DCMD) is proposed to solve the above challenges. We first propose an optimal multi-modal transmission selection algorithm that provides an implementation to improve transmission efficiency. Then we propose a distributed multi-AUVs' trajectory planning algorithm based on deep reinforcement learning by AUVs' collaborations, considering transmission situation, ocean currents and underwater obstacles, to maximize collection rate and energy efficiency. In addition, we joint transmission and trajectory planning in a protocol to improve collection efficiency. Extensive experimental results show that DCMD achieves better performance on efficiency and reliability than four state-of-the-art methods, demonstrating its great advantage on collecting data for USNs.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
11完成签到,获得积分10
7秒前
keyan完成签到,获得积分10
10秒前
Jasper应助科研通管家采纳,获得10
11秒前
15秒前
文艺的初南完成签到 ,获得积分10
23秒前
愉快西牛完成签到 ,获得积分10
24秒前
秋夜临完成签到,获得积分0
26秒前
31秒前
AKi233发布了新的文献求助10
34秒前
阿尔法贝塔完成签到 ,获得积分10
35秒前
Lucas应助AKi233采纳,获得10
40秒前
sweet雪儿妞妞完成签到 ,获得积分10
57秒前
脑洞疼应助无限的以亦采纳,获得30
1分钟前
CodeCraft应助无限的以亦采纳,获得10
1分钟前
小背包完成签到 ,获得积分10
1分钟前
龙弟弟完成签到 ,获得积分10
1分钟前
小蘑菇应助百宝采纳,获得10
1分钟前
1分钟前
百宝发布了新的文献求助10
1分钟前
科研狗完成签到 ,获得积分10
1分钟前
握瑾怀瑜完成签到 ,获得积分0
1分钟前
迈克老狼完成签到 ,获得积分10
1分钟前
1分钟前
AKi233发布了新的文献求助10
2分钟前
lzq完成签到 ,获得积分10
2分钟前
852应助AKi233采纳,获得10
2分钟前
科研通AI2S应助科研通管家采纳,获得10
2分钟前
zz完成签到 ,获得积分0
2分钟前
科研通AI2S应助摇不滚摇滚采纳,获得30
2分钟前
负责之柔完成签到,获得积分10
2分钟前
希望天下0贩的0应助百宝采纳,获得10
2分钟前
wayne完成签到 ,获得积分10
2分钟前
2分钟前
huiluowork完成签到 ,获得积分10
2分钟前
百宝发布了新的文献求助10
2分钟前
xiao完成签到 ,获得积分10
2分钟前
chcmy完成签到 ,获得积分0
2分钟前
wenbinvan完成签到,获得积分0
2分钟前
百宝完成签到,获得积分10
3分钟前
luckygirl完成签到 ,获得积分10
3分钟前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Cognitive Neuroscience: The Biology of the Mind 1000
Technical Brochure TB 814: LPIT applications in HV gas insulated switchgear 1000
Immigrant Incorporation in East Asian Democracies 600
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
A Preliminary Study on Correlation Between Independent Components of Facial Thermal Images and Subjective Assessment of Chronic Stress 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3968521
求助须知:如何正确求助?哪些是违规求助? 3513358
关于积分的说明 11167301
捐赠科研通 3248700
什么是DOI,文献DOI怎么找? 1794453
邀请新用户注册赠送积分活动 875030
科研通“疑难数据库(出版商)”最低求助积分说明 804664