基于DQN的UUV辅助水下无线光通信轨迹规划系统

无人水下航行器（unmanned underwater vehicle,UUV）作为重要潜基通信平台可以辅助水下无线光通信（underwater wireless optical communication,UWOC）。然而，在实际应用中，水体波动特性、不同水质环境、多用户接入等给UUV辅助UWOC系统带来很大挑战，因而适当的路径规划策略可以应对上述挑战并最大限度地提升系统整体和每一个用户的性能。将深度强化学习（deep reinforcement learning,DRL）用于无人载具路径规划中，提出了一种UUV辅助UWOC系统的轨迹规划方案。通过DRL中深度Q网络（deep Q-network,DQN）方法让UUV自动决策航行方向，从而提升系统和用户的链路通信容量。同时，研究了不同水质对容量提升效果的影响。仿真实验表明，DQN输出策略可以在一定程度上提升系统整体和各个用户的链路通信容量，并且UUV在清澈海水中的容量提升效果优于纯净海水但低于沿岸水。