[論文レビュー] Deep Learning for Optimal Deployment of UAVs with Visible Light Communications

Yining Wang, Mingzhe Chen+3 more|arXiv (Cornell University)|Nov 28, 2019

UAV Applications and Optimization参考文献 35被引用数 10

ひとこと要約

本稿では、可視光通信（VLC）を支援するネットワークにおける照度分布の予測とUAV配置最適化を目的とした、ゲート付き再帰ユニット（GRUs）と畳み込みニューラルネットワーク（CNNs）を組み合わせた深層学習フレームワークを提案する。予測された照度を活用してUAVの配置、ユーザーの割り当て、電力割り当てを統合最適化することで、照度の動的変化を無視する従来手法と比較して、合計送信電力が最大68.9％削減される。

ABSTRACT

In this paper, the problem of dynamical deployment of unmanned aerial vehicles (UAVs) equipped with visible light communication (VLC) capabilities for optimizing the energy efficiency of UAV-enabled networks is studied. In the studied model, the UAVs can simultaneously provide communications and illumination to service ground users. Since ambient illumination increases the interference over VLC links while reducing the illumination threshold of the UAVs, it is necessary to consider the illumination distribution of the target area for UAV deployment optimization. This problem is formulated as an optimization problem which jointly optimizes UAV deployment, user association, and power efficiency while meeting the illumination and communication requirements of users. To solve this problem, an algorithm that combines the machine learning framework of gated recurrent units (GRUs) with convolutional neural networks (CNNs) is proposed. Using GRUs and CNNs, the UAVs can model the long-term historical illumination distribution and predict the future illumination distribution. Given the prediction of illumination distribution, the original nonconvex optimization problem can be divided into two sub-problems and is then solved using a low-complexity, iterative algorithm. Then, the proposed algorithm enables UAVs to determine the their deployment and user association to minimize the total transmit power. Simulation results using real data from the Earth observations group (EOG) at NOAA/NCEI show that the proposed approach can achieve up to 68.9% reduction in total transmit power compared to a conventional optimal UAV deployment that does not consider the illumination distribution and user association.

研究の動機と目的

• 可視光通信（VLC）を支援するUAVネットワークにおけるエネルギー効率の向上を目的とし、UAVの配置、ユーザーの割り当て、電力割り当てを統合最適化する。
• VLCリンク品質や干渉レベルに影響を与える動的環境照度（街灯や車両のライトなど）を考慮する。
• リアルタイムおよび予測された照度分布をUAV配置意思決定に組み込むことで、エネルギー効率を向上させる。
• 非凸最適化問題を解く際の計算複雑度を低減するため、分解に基づく反復的アルゴリズムを採用する。
• 機械学習駆動の照度予測を用いて、UAVが自律的かつ最適な位置とユーザー割り当てを決定できるようにする。

提案手法

• CNNとGRUを統合したハイブリッド深層学習モデルを採用し、空間的照度パターンの符号化にCNN、歴史的照度データの長期的時間的相関のモデル化にGRUを用いる。
• CNNベースのエンコーダは2次元照度マップをコンact表現に変換し、GRUベースの予測器は歴史的時系列に基づいて将来の照度分布を予測する。
• 予測された照度分布を用いて、元の非凸最適化問題を2つの部分問題に分解する：UAV配置とユーザー割り当てに伴う電力制御。
• 反復的かつ低複雑度のアルゴリズムにより、照度およびサービス品質制約のもとで、UAV位置とユーザー割り当てを交互に最適化する。
• 最適化フレームワークは、照度のしきい値を満たしつつ、すべてのUAVの合計送信電力を最小化することを保証する。
• 電力割り当ての閉形式解を導出するために、二重分解とラグランジュ緩和を用い、収束性と安定性を確保する。

実験結果

リサーチクエスチョン

• RQ1 環境由来の照度変動（街灯や車両のライトなど）を効果的にモデル化・予測することで、VLCネットワークにおけるUAV配置最適化をどのように向上できるか？
• RQ2 環境照度を無視した場合、UAVを用いたVLCシステムのエネルギー効率にどのような影響が生じるか？
• RQ3 CNNとGRUを統合したハイブリッド深層学習アーキテクチャが、UAV最適化に適した空間時間的照度パターンを正確に予測できるか？
• RQ4 UAV配置、ユーザー割り当て、電力割り当ての統合最適化は、VLCネットワークにおけるエネルギー効率をどのように向上させるか？
• RQ5 照度予測をUAV配置アルゴリズムに統合した場合、送信電力削減の実現可能な利得はどの程度か？

主な発見

• 提案手法は、照度分布を考慮しない従来のUAV配置戦略と比較して、合計送信電力を最大68.9％削減する。
• 照度予測を組み込むことで、干渉を低減し、より知的かつスマートなUAV配置が可能になり、エネルギー効率が顕著に向上する。
• GRU-CNNハイブリッドモデルは、照度データの空間的および時間的相関を効果的に捉え、将来の照度を正確に予測できる。
• 反復アルゴリズムは高速に収束し、計算複雑度が低いため、リアルタイムのUAV配置に適している。
• 実際のNOAA/NCEI地球観測データを用いたシミュレーションにより、本手法のロバスト性とスケーラビリティが検証された。
• すべてのテスト環境でベースライン手法を上回り、特に干渉が最も深刻な高照度条件下で顕著な性能向上を示した。