The Internet of Senses (IoS) holds the promise of flawless telepresence-style communication for all human `receptors' and therefore blurs the difference of virtual and real environments. We commence by highlighting the compelling use cases empowered by the IoS and also the key network requirements. We then elaborate on how the emerging semantic communications and Artificial Intelligence (AI)/Machine Learning (ML) paradigms along with 6G technologies may satisfy the requirements of IoS use cases. On one hand, semantic communications can be applied for extracting meaningful and significant information and hence efficiently exploit the resources and for harnessing a priori information at the receiver to satisfy IoS requirements. On the other hand, AI/ML facilitates frugal network resource management by making use of the enormous amount of data generated in IoS edge nodes and devices, as well as by optimizing the IoS performance via intelligent agents. However, the intelligent agents deployed at the edge are not completely aware of each others' decisions and the environments of each other, hence they operate in a partially rather than fully observable environment. Therefore, we present a case study of Partially Observable Markov Decision Processes (POMDP) for improving the User Equipment (UE) throughput and energy consumption, as they are imperative for IoS use cases, using Reinforcement Learning for astutely activating and deactivating the component carriers in carrier aggregation. Finally, we outline the challenges and open issues of IoS implementations and employing semantic communications, edge intelligence as well as learning under partial observability in the IoS context.

航空基站（ABS）允许智能农场从物联网（IoT）设备的ABS卸载复杂任务的处理责任。 IoT设备的能源和计算资源有限，因此需要为需要ABS支持的系统提供高级解决方案。本文介绍了一种新型的基于多进取的风险敏感的增强学习方法，用于用于智能农业的ABS任务计划。该问题被定义为任务卸载，并在其截止日期之前完成IoT任务的严格条件。此外，该算法还必须考虑ABS的能量能力有限。结果表明，我们提出的方法的表现优于几种启发式方法和经典的Q学习方法。此外，我们提供了混合整数线性编程解决方案，以确定性能的下限，并阐明我们的风险敏感解决方案与最佳解决方案之间的差距。比较证明了我们的广泛仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供保证的任务处理服务，同时增加了该农场中ABS的悬停时间。

第五世代和第六代无线通信网络正在启用工具，例如物联网设备，无人驾驶汽车（UAV）和人工智能，以使用设备网络来改善农业景观，以自动监视农田。对大面积进行调查需要在特定时间段内执行许多图像分类任务，以防止发生事件发生的情况，例如火灾或洪水。无人机具有有限的能量和计算能力，并且可能无法在本地和适当的时间内执行所有强烈的图像分类任务。因此，假定无人机能够部分将其工作量分开到附近的多访问边缘计算设备。无人机需要一种决策算法，该算法将决定将执行任务的位置，同时还考虑网络中其他无人机的时间限制和能量级别。在本文中，我们介绍了一种深入的Q学习方法（DQL）来解决这个多目标问题。将所提出的方法与Q学习和三个启发式基线进行了比较，模拟结果表明，我们提出的基于DQL的方法在涉及无人机的剩余电池电量和违规截止日期的百分比时可相当。此外，我们的方法能够比Q学习快13倍。

Microgrids（MGS）是未来的缩小能量系统的重要参与者，其中许多智能的东西（物联网）设备在智能电网中的能量管理中相互作用。虽然MG能源管理有许多作品，但大多数研究都假设了一个完美的通信环境，其中不考虑通信故障。在本文中，我们将MG视为具有IOT设备的多智能传播环境，其中AI代理与其同行交换信息以进行协作。但是，由于通信故障或分组丢失，协作信息可能会丢失。这些事件可能会影响整个MG的操作。为此，我们提出了一种多种子体贝叶斯深增强学习（BA-DRL）方法，用于MG能量管理下的通信故障。我们首先定义多个代理部分观察到的马尔可夫决策过程（MA-POMDP）来描述在通信失败下的代理商，其中每个代理人可以更新其对同龄人的行动的信念。然后，我们在BA-DRL中应用用于Q值估计的双深度Q学习（DDQN）架构，并提出了基于信念的相关性平衡，用于多助剂BA-DRL的关节动作选择。最后，仿真结果表明，BA-DRL对供电不确定度和通信故障不确定性强大。 BA-DRL的奖励比NASH Deep Q-Learning（NASH-DQN）和乘法器（ADMM）的交替方向方法分别在1％的通信失效概率下进行4.1％和10.3％。