Resumen: con la aparición de la economía de baja altitud, los mapas de radio se han vuelto esenciales para garantizar una conectividad inalámbrica confiable a las plataformas aéreas. Los agentes aéreos autónomos se implementan comúnmente para la recopilación de datos utilizando la navegación basada en Waypoint; Sin embargo, su capacidad limitada de la batería limita significativamente la cobertura y la eficiencia. Para abordar esto, proponemos un marco de reconstrucción de mapa de radio consciente de la incertidumbre (URAM) que aprovecha explícitamente el razonamiento basado en gráficos adaptado para la navegación de Waypoint. Nuestro enfoque integra dos componentes clave de aprendizaje profundo: (1) una red neuronal bayesiana que estima la incertidumbre espacial en tiempo real, y (2) una política de aprendizaje de refuerzo basada en la atención que realiza un razonamiento global sobre una hoja de ruta probabilística, utilizando estimaciones de incertidumbre para planificar trayectorias informativas y eficientes en energía. Este razonamiento basado en gráficos permite la planificación inteligente de trayectoria no miopic, los agentes que guían hacia las regiones más informativas mientras satisfacen las limitaciones de seguridad. Los resultados experimentales muestran que URAM mejora la precisión de la reconstrucción en hasta un 34% sobre las líneas de base existentes.
Publicado Originalme en export.arxiv.org El 13 de agosto de 2025.
Ver Fuente Original
