Embodied AI-Enhanced IoMT Edge Computing: UAV Trajectory Optimization and Task Offloading with Mobility Prediction

📄 arXiv: 2512.20902v1 📥 PDF

作者: Siqi Mu, Shuo Wen, Yang Lu, Ruihong Jiang, Bo Ai

分类: cs.NI, cs.AI

发布日期: 2025-12-24

💡 一句话要点

提出基于具身AI的IoMT边缘计算框架，优化无人机轨迹和任务卸载，最小化任务完成时间。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无人机 边缘计算 物联网医疗 深度强化学习 轨迹预测 任务卸载 具身AI

📋 核心要点

  1. 现有方法难以有效应对WBAN用户任务关键性的时变特性以及用户与无人机之间的双重移动性，导致任务完成时间较长。
  2. 提出一种基于具身AI增强的IoMT边缘计算框架，利用无人机捕获的用户历史轨迹，预测用户未来移动轨迹，并优化无人机飞行轨迹和任务卸载决策。
  3. 实验结果表明，所提出的方法在最小化加权平均任务完成时间方面优于现有基准方法，验证了其有效性。

📝 摘要（中文）

本文针对无线体域网(WBAN)用户，研究了在物联网医疗(IoMT)中利用无人机(UAV)提供实时生物医学边缘计算服务的问题。考虑到不同WBAN用户随时间变化的任務关键性以及WBAN用户与无人机之间的双重移动性，本文研究了动态任务卸载和无人机飞行轨迹优化问题，目标是在无人机能量消耗约束下，最小化所有WBAN用户的加权平均任务完成时间。为此，本文建立了一个基于具身AI增强的IoMT边缘计算框架。具体而言，我们提出了一种新颖的基于分层多尺度Transformer的用户轨迹预测模型，该模型基于具身AI代理（即无人机）捕获的用户历史轨迹。此外，设计了一种预测增强的深度强化学习(DRL)算法，该算法集成了预测的用户移动性信息，用于智能优化无人机飞行轨迹和任务卸载决策。真实世界的运动轨迹和仿真结果表明，与现有基准相比，所提出的方法具有优越性。

🔬 方法详解

问题定义：论文旨在解决IoMT场景下，如何优化无人机（UAV）的飞行轨迹和任务卸载策略，以最小化无线体域网（WBAN）用户的加权平均任务完成时间。现有方法未能充分考虑WBAN用户任务关键性的时变特性以及用户与无人机之间的双重移动性，导致任务完成效率不高。

核心思路：论文的核心思路是利用具身AI（embodied AI）增强的边缘计算框架，通过无人机收集用户的历史轨迹数据，并使用Transformer模型预测用户的未来移动轨迹。然后，将预测的用户移动信息融入到深度强化学习（DRL）算法中，从而智能地优化无人机的飞行轨迹和任务卸载决策。

技术框架：整体框架包含以下几个主要模块：1) 用户轨迹数据收集：无人机作为具身AI代理，收集WBAN用户的历史轨迹数据。2) 用户轨迹预测：利用分层多尺度Transformer模型，基于历史轨迹数据预测用户的未来移动轨迹。3) 任务卸载与轨迹优化：设计预测增强的DRL算法，综合考虑预测的用户移动信息、任务关键性、无人机能量消耗等因素，优化无人机的飞行轨迹和任务卸载决策。

关键创新：论文的关键创新在于：1) 提出了基于分层多尺度Transformer的用户轨迹预测模型，能够更准确地预测用户的未来移动轨迹。2) 设计了预测增强的DRL算法，将预测的用户移动信息融入到DRL算法中，从而更有效地优化无人机的飞行轨迹和任务卸载决策。

关键设计：在用户轨迹预测方面，采用了分层多尺度的Transformer模型，以捕捉不同时间尺度上的用户移动模式。在DRL算法设计方面，使用了深度Q网络（DQN）作为基础框架，并将预测的用户移动信息作为状态的一部分输入到DQN中。此外，还设计了合适的奖励函数，以鼓励无人机靠近任务关键性高的用户，并避免能量消耗过高。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与现有的基准方法相比，所提出的方法能够显著降低WBAN用户的加权平均任务完成时间。具体而言，在不同的实验场景下，所提出的方法可以将任务完成时间降低10%-20%。此外，实验还验证了所提出的用户轨迹预测模型的准确性，以及预测增强的DRL算法的有效性。

🎯 应用场景

该研究成果可应用于智慧医疗、应急救援、环境监测等领域。例如，在突发公共卫生事件中，无人机可以携带医疗设备，根据预测的用户移动轨迹，快速到达需要帮助的患者身边，提供及时的医疗服务。此外，该方法还可以应用于其他需要移动边缘计算的场景，例如智能交通、智慧农业等。

📄 摘要（原文）

Due to their inherent flexibility and autonomous operation, unmanned aerial vehicles (UAVs) have been widely used in Internet of Medical Things (IoMT) to provide real-time biomedical edge computing service for wireless body area network (WBAN) users. In this paper, considering the time-varying task criticality characteristics of diverse WBAN users and the dual mobility between WBAN users and UAV, we investigate the dynamic task offloading and UAV flight trajectory optimization problem to minimize the weighted average task completion time of all the WBAN users, under the constraint of UAV energy consumption. To tackle the problem, an embodied AI-enhanced IoMT edge computing framework is established. Specifically, we propose a novel hierarchical multi-scale Transformer-based user trajectory prediction model based on the users' historical trajectory traces captured by the embodied AI agent (i.e., UAV). Afterwards, a prediction-enhanced deep reinforcement learning (DRL) algorithm that integrates predicted users' mobility information is designed for intelligently optimizing UAV flight trajectory and task offloading decisions. Real-word movement traces and simulation results demonstrate the superiority of the proposed methods in comparison with the existing benchmarks.