在低空无线网络中存在不确定性的情况下，基于变压器的协作无人机包围策略

《IEEE Transactions on Cognitive Communications and Networking》：Transformer-Based Cooperative UAV Encirclement Policies under Uncertainty in Low-Altitude Wireless Networks

无人机群协同包抄中集成感知与通信（ISAC）技术面临通信不稳定问题，提出基于多智能体Transformer的框架，通过隐式表示学习捕捉噪声轨迹中的时空语义与智能体关联，结合预测-规划模块化决策架构和离线预训练-在线微调范式提升鲁棒性。实验表明该方法在通信中断场景下仍保持高包抄成功率，优于传统DRL基线。

　　

摘要：

集成感知与通信（ISAC）技术使无人机（UAV）集群能够通过无线网络协调策略并获取环境信息。这一能力对于协作式多无人机包围作战至关重要，因为这是一种精确有效的威胁消除策略，也是安全有序管理低空空域的关键。然而，在某些情况下，ISAC服务的稳定性可能会受到影响，因此需要具备弹性和高效性的包围策略来确保在网络条件不稳定的情况下任务能够顺利完成。我们提出了一种基于多智能体的Transformer框架，该框架能够在噪声较大或历史数据不完整的情况下建模智能体之间的依赖关系。通过从部分观测数据中提取联合状态的潜在表示，该模型能够捕捉时间语义和智能体间的相关性，从而实现对不确定环境的可靠理解。为了提高系统的弹性，设计了一种模块化的决策架构，包括用于状态预测和行动规划的网络。这使得智能体即使在观测错误或通信中断的情况下也能推断出全局状态并做出可靠的决策。此外，还采用了离线到在线的训练方法：模型首先在干净的离线数据上进行预训练，然后通过实时交互进行微调，从而提高其对动态和受干扰环境的适应能力。实验结果表明，所提出的方法比传统的强化学习（DRL）基线方法具有更高的捕获成功率，尤其是在观测和通信受到干扰的情况下仍能保持良好的性能。