# Attention-based UAV Trajectory Optimization for Wireless Power Transfer-assisted IoT Systems

### 저자

Li Dong, Feibo Jiang, Yubo Peng

### 개요

무선 전력 전송(WPT) 지원 사물 인터넷(IoT) 시스템에서 무인 항공기(UAV)는 제한된 자원과 최적이 아닌 궤적 계획이라는 문제에 직면합니다. 강화 학습 기반 궤적 계획 방식은 대규모 시스템을 최적화할 때 낮은 검색 효율성과 학습 불안정성 문제를 겪습니다. 이러한 문제를 해결하기 위해 본 논문에서는 그래프 변환기를 기반으로 한 주의 기반 UAV 궤적 최적화(AUTO) 프레임워크를 제시합니다. 이 프레임워크는 주의 궤적 최적화 모델(ATOM)과 행위자-비평가 기반 궤적 학습 방법(TENMA)으로 구성됩니다. ATOM에서는 그래프 인코더를 사용하여 모든 IoTD의 자기 주의 특성을 계산하고, 궤적 디코더를 개발하여 UAV의 수와 궤적을 최적화합니다. TENMA는 개선된 행위자-비평가 방법을 사용하여 ATOM을 훈련하는데, 여기서 시스템의 실제 보상을 기준선으로 적용하여 비평가 네트워크의 분산을 줄입니다. 이 방법은 고품질의 대규모 다중 UAV 궤적 계획에 적합합니다. 마지막으로 현장 사례의 하드웨어 실험을 포함한 수많은 실험을 통해 AUTO 프레임워크의 실현 가능성과 효율성을 검증합니다.

### 시사점, 한계점

- **시사점:**

    - 그래프 변환기를 이용한 주의 기반 UAV 궤적 최적화 프레임워크(AUTO)를 제시하여 WPT 지원 IoT 시스템의 효율성을 향상시켰습니다.

    - 개선된 행위자-비평가 방법(TENMA)을 통해 대규모 시스템 최적화 시 발생하는 강화 학습의 낮은 검색 효율성과 학습 불안정성 문제를 해결했습니다.

    - 현장 실험을 포함한 다양한 실험을 통해 AUTO 프레임워크의 실현 가능성과 효율성을 검증했습니다.

    - 고품질의 대규모 다중 UAV 궤적 계획에 적합한 방법을 제시했습니다.

- **한계점:**

    - 본 논문에서 제시된 AUTO 프레임워크의 성능은 특정 환경 설정에 의존적일 수 있으며, 다른 환경에서는 성능 저하가 발생할 수 있습니다.

    - 실험 환경의 제한으로 인해, 더욱 다양하고 복잡한 실제 환경에서의 일반화 성능에 대한 추가적인 연구가 필요합니다.

    - 에너지 소모량에 대한 분석이 부족합니다.  실제 배터리 수명과의 연관성에 대한 추가 연구가 필요합니다.

    - 알고리즘의 복잡도와 계산 비용에 대한 자세한 분석이 필요합니다.

[PDF 보기](https://arxiv.org/pdf/2502.17517)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).