研究动机：
• 解决无人机(UAV)在资源受限和需要实时决策条件下，从物联网(IoT)设备高效收集数据（特别是图像数据）的挑战。
• 研究背景是无人机作为物联网数据收集的关键使能技术，但面临通信资源有限、控制信号延迟以及需要在固定时间内最大化数据收集质量的难题。
核心方法：
• 提出一个将语义通信(semantic communication)与无人机指挥控制(command-and-control, C&C)相结合的新框架。
• 物联网设备端：使用深度联合信源信道编码(Deep Joint Source-Channel Coding, DeepJSCC)将图像压缩为紧凑的语义潜在表示(semantic latent representation)，支持即使在部分传输情况下也能进行图像重建。
• 基站(BS)端：通过向无人机发送加速度指令来控制其飞行轨迹。
• 将问题建模为马尔可夫决策过程(Markov Decision Process, MDP)，并采用双深度Q网络(Double Deep Q-Network, DDQN)来学习一种自适应的无人机飞行策略，以应对延迟的C&C信号和复杂的权衡问题。
核心创新点：
• **框架创新**：首次将语义通信(semantic communication)深度集成到无人机指挥控制(C&C)框架中，用于物联网数据收集，实现了从“传输比特”到“传输语义”的范式转变。
• **方法融合**：将面向图像高效传输的深度联合信源信道编码(DeepJSCC)与面向轨迹优化的深度强化学习(deep reinforcement learning)方法（DDQN）在同一个优化目标（最大化平均重建图像质量）下进行协同设计。
• **问题建模**：明确考虑了指挥控制信号的延迟(delayed C&C signals)这一现实约束，并将其纳入马尔可夫决策过程(MDP)的建模中，使学习到的自适应飞行策略更具鲁棒性和实用性。
• **优化目标**：以“在足够持续时间内靠近设备”来保障语义传输质量，从而直接优化最终任务效用（图像重建质量），而非传统的通信指标（如吞吐量、误码率）。
总体贡献：
• 提出了一个语义感知的(semantic-aware)无人机物联网数据收集新范式，为资源受限的边缘智能数据收集提供了高效解决方案。
• 开发了一个基于深度强化学习(deep reinforcement learning)的联合优化框架，能够智能地权衡无人机轨迹、通信资源与语义信息保真度。
• 通过仿真验证，所提方法在设备覆盖率和语义重建质量方面均优于贪婪算法(greedy algorithm)和旅行商问题(Traveling Salesman Problem, TSP)算法等基线方法，证明了其有效性。
• 推动了语义通信与自主移动系统控制相结合的交叉研究，为未来智能、高效的物联网感知网络提供了理论和方法参考。