Este artículo presenta un marco novedoso para optimizar las trayectorias de vehículos aéreos no tripulados (UAV) en sistemas celulares 6G, integrando aprendizaje continuo mejorado dentro de la arquitectura O-RAN. El sistema utiliza una biblioteca de modelos preentrenados y un mecanismo de selección para minimizar el tiempo de adaptación al operar en entornos dinámicos.
- Mantiene una biblioteca de modelos preentrenados y emplea un mecanismo de selección de modelos para identificar entornos relevantes para la transferencia de conocimiento.
- Utiliza un modelo de respaldo con refinamientos continuos para garantizar el rendimiento base cuando no hay un modelo suficientemente similar disponible.
- Aprovecha mapas urbanos del mundo real y técnicas de trazado de rayos para mejorar la fiabilidad del aprendizaje y la planificación de trayectorias.
- Reduce el tiempo de convergencia entre un 44% y un 56% en comparación con el entrenamiento desde cero, y hasta un 40% en comparación con el aprendizaje por transferencia tradicional sin selección de modelos.