arXiv cs.AI· Minh Tran·· 10 天前AI 评分12
LiLib：面向无人机空对地路径损耗预测的漂移触发模型库持续学习方案
LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library
AI 导读
LiLib 是一种面向无人机的轻量级持续学习方案，通过维护一个由递归最小二乘专家组成的小型模型库来应对空对地路径损耗预测中的环境漂移。
正文 · AI 翻译
摘要：作为中继或基站的无人机需要准确的空对地路径损耗预测，以进行速率自适应和部署，但传播条件会随着无人机在郊区、城市和高层建筑区域之间移动而变化，而且同一区域往往会被反复访问。通过遗忘来适应的在线回归器必须从头重新学习每个环境，而在所有数据上训练的单一模型则会在不兼容的状态之间取平均。我们提出 LiLib，一种轻量级持续学习方案，其中无人机维护一个小型递归最小二乘专家库。加窗残差检验检测漂移；随后一个简短的探测阶段要么复用存储的最佳专家，要么创建一个新专家。在基于四种标准城市化配置的仿真中，LiLib 将预测 RMSE 从 5.89 dB（最佳滑动窗口基线）降至 4.03 dB（p < 0.001），将返回已知环境后不久的误差从 12.3 dB 降至 5.7 dB，并在速率自适应中恢复了状态感知预言机 99% 的吞吐量。该库以不到 0.5 KB 存储四个专家，并在无标签情况下以 92% 的纯度识别状态。当第二个无人机用同伴的库初始化时，其在环境变化后的误差减半。LiLib 未达到预言机水平，且当阴影效应强烈时，相似状态可能会被合并。结果表明，对于反复出现的漂移，记忆比重新适应更有效。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.07111 [cs.LG] |
| （或 arXiv:2610.07111v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07111 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Minh Tran Binh [查看电子邮件]
[v1]
2026年10月5日星期一 15:53:19 UTC（124 KB）
来源：arXiv cs.AI · arxiv.org