DOI: https://doi.org/10.1109/twc.2026.3657387
تاريخ النشر: 2026-01-01
المؤلف: Chen Wang وآخرون
الموضوع الرئيسي: تطبيقات الطائرات بدون طيار وتحسينها
نظرة عامة
استجابةً للتحديات التي تطرحها أنظمة الاتصال التقليدية في تطبيقات الحافة، لا سيما فيما يتعلق بالمعالجة في الوقت الحقيقي، وقيود النطاق الترددي، وقيود الطاقة، يقدم هذا البحث شبكة حوسبة حافة دلالية مدعومة بالطائرات بدون طيار. يستخدم الإطار المقترح حركة الطائرات بدون طيار والاتصال الدلالي لتحسين الأداء. يتم صياغة مشكلة تحسين مشتركة، تشمل مسار الطائرات بدون طيار، وتخصيص البيانات، والاستخراج الدلالي، بهدف زيادة معدل المعالجة الدلالية.
لمعالجة هذه المشكلة، يطور المؤلفون خوارزمية مزيج عميق لتدرج السياسة الحتمية (H-DDPG) التي تجمع بين التعلم المعزز العميق (DRL) وتقنيات التحسين المحدب من خلال الانحدار التناسبي الكتلي (BCD). بالإضافة إلى ذلك، يقدمون خوارزمية مزيج عميق لتدرج السياسة الحتمية (H-D3PG) التي تعزز من قابلية التكيف والاستقرار للسياسة من خلال دمج نماذج إزالة الضوضاء في إطار DRL. يسمح هذا النهج المبتكر بالتحكم التكيفي في المسار استجابةً للمهام الدلالية الديناميكية وظروف القناة اللاسلكية المتغيرة. تظهر نتائج المحاكاة أن خوارزمية H-D3PG تحسن بشكل كبير معدل المعالجة الدلالية بنسبة تصل إلى 38.8% بينما تقلل في الوقت نفسه من استهلاك الطاقة مقارنةً بأساليب نقل البيانات الخام التقليدية.
مقدمة
تتناول مقدمة هذه الورقة البحثية الطلب المتزايد على الاتصال الفعال في سيناريوهات البيانات الكبيرة، المدفوعة بتطبيقات مثل القيادة الذاتية والمدن الذكية. تكافح الشبكات الخلوية التقليدية لتلبية هذه الطلبات بسبب هياكلها المركزية، مما يدفع إلى اعتماد الحوسبة متعددة الوصول إلى الحافة (MEC) التي تقرب الحوسبة من مصادر البيانات. ومع ذلك، غالبًا ما تكون أنظمة MEC التقليدية ثابتة ومحدودة في التغطية، مما يؤثر بشكل خاص على الأجهزة في المناطق النائية. لتعزيز المرونة والوصول، تقترح الطائرات بدون طيار (UAVs) كمنصات متنقلة يمكن أن تعمل كأجهزة إعادة إرسال للاتصال أو خوادم حافة جوية.
على الرغم من مزايا الطائرات بدون طيار، تبقى التحديات في نقل المعلومات ذات الصلة بالمهام بكفاءة، حيث غالبًا ما ترسل الأجهزة الطرفية كميات كبيرة من البيانات الزائدة. تبرز هذه الورقة إمكانيات الاتصال الدلالي، الذي يركز على نقل المعلومات ذات المعنى بدلاً من البيانات الخام، لتحسين كفاءة الاتصال. يقترح المؤلفون إطارًا موحدًا يدمج تحسين مسار الطائرات بدون طيار، والاستخراج الدلالي، وتخصيص البيانات لزيادة معدل المعالجة الدلالية. يقدمون خوارزميتين للتعلم المدمج، H-DDPG و H-D3PG، اللتين تجمعان بين التعلم المعزز العميق مع التحسين المحدب ونماذج الانتشار، على التوالي. تهدف هذه الخوارزميات إلى تعزيز تعبير السياسة وقابلية التكيف في سياق الحوسبة الحافة الدلالية المدعومة بالطائرات بدون طيار، مما يظهر تحسينات كبيرة في الأداء مقارنة بالطرق التقليدية.
النتائج
تظهر نتائج المحاكاة المقدمة في هذا القسم أداء خوارزميتين، H-DDPG و H-D3PG، في شبكة حوسبة حافة دلالية مدعومة بالطائرات بدون طيار. تشير منحنيات التقارب إلى أن كلا الخوارزميتين تحققان قيم مكافآت أعلى مع معدلات تعلم محددة، لا سيما عندما يتم تعيين معدل تعلم الممثل إلى $5 \times 10^{-4}$ ومعدل تعلم الناقد إلى $5 \times 10^{-3}$. تتفوق H-D3PG باستمرار على H-DDPG عبر تكوينات مختلفة، مما يبرز قدرتها الفائقة على التكيف بسبب دمج عملية الانتشار. تتماشى مسارات الطائرات بدون طيار التي تم تحسينها بواسطة كلا الخوارزميتين مع توزيعات الأجهزة الطرفية، حيث تحافظ H-D3PG على ملف سرعة أكثر اتساقًا مقارنةً بـ H-DDPG، التي تظهر انخفاضًا حادًا في السرعة في المناطق ذات الكثافة السكانية العالية.
تكشف التحليلات الإضافية أن التشابه الدلالي يتغير مع المسافة ونسبة الإشارة إلى الضوضاء (SNR)، متبعًا منحنى على شكل S، وأن الإجراءات الناتجة خلال عملية الانتشار تنتقل من عشوائية عالية إلى توزيع منظم مع تقدم إزالة الضوضاء. تشير النتائج أيضًا إلى وجود علاقة قوية بين وقت المعالجة الدلالية واستهلاك الطاقة، حيث تحقق H-D3PG معدل معالجة دلالية أعلى بنسبة 38.8% مقارنةً بنقل البيانات الخام. تؤكد النتائج على أهمية التحسين المشترك في تحقيق التوازن بين الموارد الحاسوبية وموارد الاتصال، لا سيما تحت قيود الطاقة، وتقترح أن H-D3PG توزع الموارد بشكل فعال للحفاظ على كفاءة عالية حتى مع زيادة الطلبات الحاسوبية.
المناقشة
في قسم “المناقشة” من الورقة، يستعرض المؤلفون الأدبيات الحالية عبر ثلاثة مجالات رئيسية: الحوسبة الحافة المدعومة بالطائرات بدون طيار، الاتصال الدلالي، ونماذج الانتشار لتحسين الشبكات اللاسلكية. يحددون قيودًا كبيرة في الأبحاث الحالية، لا سيما فيما يتعلق بكفاءة معالجة البيانات في شبكات MEC المدعومة بالطائرات بدون طيار، حيث تشكل توليد البيانات الزائدة وموارد الطائرات بدون طيار المحدودة تحديات. بينما استكشفت الدراسات السابقة استراتيجيات تحسين متنوعة، غالبًا ما تركز على جوانب فردية دون إطار شامل يدمج الاستخراج الدلالي والنقل.
كما يبرز المؤلفون التقدم في الاتصال الدلالي، الذي يعزز كفاءة النقل من خلال التركيز على معنى البيانات بدلاً من شكلها الخام. ومع ذلك، تميل الأطر الحالية إلى تحسين المكونات الفردية بدلاً من اعتماد نهج شامل. في مجال نماذج الانتشار، بينما تم تحقيق نتائج واعدة في تحسين مهام محددة، لا يزال هناك فجوة في معالجة المتغيرات المعقدة والمتداخلة في البيئات الديناميكية. يجادل المؤلفون بأن عملهم يهدف إلى سد هذه الفجوات من خلال اقتراح إطار تحسين مشترك يأخذ في الاعتبار تخصيص البيانات، ومسار الطائرات بدون طيار، والاستخراج الدلالي، مما يزيد من معدل المعالجة الدلالية المتوسطة تحت قيود الوقت والطاقة.
DOI: https://doi.org/10.1109/twc.2026.3657387
Publication Date: 2026-01-01
Author(s): Chen Wang et al.
Primary Topic: UAV Applications and Optimization
Overview
In response to the challenges posed by traditional communication systems in edge applications, particularly regarding real-time processing, bandwidth limitations, and energy constraints, this research introduces a UAV-assisted semantic edge computing network. The proposed framework utilizes UAV mobility and semantic communication to optimize performance. A joint optimization problem is formulated, encompassing UAV trajectory, data allocation, and semantic extraction, aimed at maximizing the semantic processing rate.
To tackle this optimization problem, the authors develop a hybrid deep deterministic policy gradient (H-DDPG) algorithm that combines deep reinforcement learning (DRL) with convex optimization techniques through block coordinate descent (BCD). Additionally, they introduce a hybrid diffusion deep deterministic policy gradient (H-D3PG) algorithm, which enhances the adaptability and stability of the policy by integrating denoising diffusion models into the DRL framework. This innovative approach allows for adaptive trajectory control in response to dynamic semantic tasks and varying wireless channel conditions. Simulation results demonstrate that the H-D3PG algorithm significantly improves the semantic processing rate by up to 38.8% while concurrently reducing energy consumption compared to traditional raw data transmission methods.
Introduction
The introduction of this research paper addresses the increasing demand for efficient communication in large-scale uplink data scenarios, driven by applications such as autonomous driving and smart cities. Traditional cellular networks struggle to meet these demands due to their centralized architectures, prompting the adoption of multi-access edge computing (MEC) which brings computation closer to data sources. However, conventional MEC systems are often static and limited in coverage, particularly affecting devices in remote areas. To enhance flexibility and accessibility, unmanned aerial vehicles (UAVs) are proposed as mobile platforms that can serve as communication relays or aerial edge servers.
Despite the advantages of UAVs, the challenge remains in efficiently transmitting task-relevant information, as terminal devices often send large amounts of redundant data. This paper highlights the potential of semantic communication, which focuses on transmitting meaningful information rather than raw data, to improve communication efficiency. The authors propose a unified framework that integrates UAV trajectory optimization, semantic extraction, and data allocation to maximize the semantic processing rate. They introduce two hybrid learning algorithms, H-DDPG and H-D3PG, which combine deep reinforcement learning with convex optimization and diffusion models, respectively. These algorithms aim to enhance policy expressiveness and adaptability in the context of UAV-assisted semantic edge computing, demonstrating significant improvements in performance over traditional methods.
Results
The simulation results presented in this section demonstrate the performance of two algorithms, H-DDPG and H-D3PG, in a UAV-assisted semantic edge computing network. The convergence curves indicate that both algorithms achieve higher reward values with specific learning rates, particularly when the actor learning rate is set to $5 \times 10^{-4}$ and the critic learning rate to $5 \times 10^{-3}$. H-D3PG consistently outperforms H-DDPG across various configurations, highlighting its superior adaptability due to the incorporation of a diffusion process. The UAV trajectories optimized by both algorithms align with edge device distributions, with H-D3PG maintaining a more consistent speed profile compared to H-DDPG, which exhibits a sharper speed reduction in densely populated areas.
Further analysis reveals that the semantic similarity varies with distance and signal-to-noise ratio (SNR), following an S-shaped curve, and that the actions generated during the diffusion process transition from high randomness to a structured distribution as denoising progresses. The results also indicate a strong correlation between semantic processing time and energy consumption, with H-D3PG achieving a 38.8% higher semantic processing rate compared to raw data transmission. The findings underscore the importance of joint optimization in balancing computational and communication resources, particularly under energy constraints, and suggest that H-D3PG effectively allocates resources to maintain high efficiency even with increased computational demands.
Discussion
In the “Discussion” section of the paper, the authors review existing literature across three key areas: UAV-assisted edge computing, semantic communication, and diffusion models for wireless network optimization. They identify significant limitations in current research, particularly regarding the efficiency of data processing in UAV-assisted MEC networks, where redundant data generation and limited UAV resources pose challenges. While previous studies have explored various optimization strategies, they often focus on singular aspects without a comprehensive framework that integrates semantic extraction and transmission.
The authors also highlight advancements in semantic communication, which enhances transmission efficiency by focusing on the meaning of data rather than its raw form. However, existing frameworks tend to optimize individual components rather than adopting a holistic approach. In the realm of diffusion models, while promising results have been achieved in optimizing specific tasks, there remains a gap in addressing complex, interdependent variables in dynamic environments. The authors argue that their work aims to bridge these gaps by proposing a joint optimization framework that considers data allocation, UAV trajectory, and semantic extraction, thereby maximizing the average semantic processing rate under time and energy constraints.