[論文レビュー] Low-altitude Multi-UAV-assisted Data Collection and Semantic Forwarding for Post-Disaster Relief

Xiaoya Zheng, Geng Sun+6 more|arXiv (Cornell University)|Jan 22, 2026

UAV Applications and Optimization被引用数 0

ひとこと要約

本論文は、地上ユーザからデータを収集し、クラスター内の意味情報抽出を行い、協調ビームフォーミングを介してリモート基地局へセマンティック情報を転送する低高度多UAVネットワークを提案し、LLM対応の交互最適化アプローチ（LLM-AOA）で解決する。

ABSTRACT

The low-altitude economy (LAE) is an emerging economic paradigm which fosters integrated development across multiple fields. As a pivotal component of the LAE, low-altitude uncrewed aerial vehicles (UAVs) can restore communication by serving as aerial relays between the post-disaster areas and remote base stations (BSs). However, conventional approaches face challenges from vulnerable long-distance links between the UAVs and remote BSs, and data bottlenecks arising from massive data volumes and limited onboard UAV resources. In this work, we investigate a low-altitude multi-UAV-assisted data collection and semantic forwarding network, in which multiple UAVs collect data from ground users, form clusters, perform intra-cluster data aggregation with semantic extraction, and then cooperate as virtual antenna array (VAAs) to transmit the extracted semantic information to a remote BS via collaborative beamforming (CB). We formulate a data collection and semantic forwarding multi-objective optimization problem (DCSFMOP) that jointly maximizes both the user and semantic transmission rates while minimizing UAV energy consumption. The formulated DCSFMOP is a mixed-integer nonlinear programming (MINLP) problem that is inherently NP-hard and characterized by dynamically varying decision variable dimensionality. To address these challenges, we propose a large language model-enabled alternating optimization approach (LLM-AOA), which effectively handles the complex search space and variable dimensionality by optimizing different subsets of decision variables through tailored optimization strategies. Simulation results demonstrate that LLM-AOA outperforms AOA by approximately 26.8\% and 22.9\% in transmission rate and semantic rate, respectively.

研究の動機と目的

• 地上ネットワークが機能停止した際の堅牢な災害後通信を動機づける。
• エネルギー制約下で効率的なデータ収集とセマンティック伝送を実現する。
• データとセマンティック伝送速度を最大化しつつエネルギー使用を削減するため、クラスタリング、3D UAV配置、セマンティック記号最適化を協調させる。

提案手法

• 地上ユーザが近隣のUAVへデータを送信する災害後LAEネットワークをモデル化し、UAVがクラスタリングしてデータを意味的に圧縮し、CBを介してリモートBSへ転送する。
• ユーザデータ速度とセマンティック速度を最大化し、UAVエネルギー消費を最小化する多目的最適化問題（DCSFMOP）を定式化する。
• LLM対応の交互最適化アプローチ（LLM-AOA）を開発し、貪欲クラスタリング（GCA）、位置と重みのLLMガイドNSGA-II、セマンティック記号の貪欲最適化（GSO）を統合する。
• データ伝送量とセマンティック伝送利益を定量化するため、VAAベースのビームフォーミングモデルとセマンティック通信モデル（DeepSC）を利用する。
• シミュレーションを通じて、LLM-AOAが伝送率でAOAより約26.8%、セマンティック率で約22.9%優れていることを示す。

実験結果

リサーチクエスチョン

• RQ1 低高度の多UAVネットワークは地上ユーザからのデータを効率的に収集し、意味圧縮情報をリモートBSへ転送できるか？
• RQ2 UAVのクラスタリング・配置・セマンティック記号設定がデータとセマンティック伝送性能およびUAVのエネルギー消費に与える影響は？
• RQ3 LLMガイド付き交互最適化フレームワークはこの文脈で動的次元MINLPを効果的に解けるか？

主な発見

• LLM-AOAは伝送率を基準AOより約26.8%、セマンティック率を約22.9%改善。
• UAV配置は過度な密度を避けつつ、監視領域の中心近傍でクラスタを形成する傾向があり、地上ユーザへのサービス品質とクラスタ伝送効率のバランスを取る。
• DeepSCによるセマンティック転送は、制約されたリンク容量下で意味に関連する情報の伝送を可能にし、災害後の対応を支援する。
• リモートBSへ向けた協調ビームフォーミングはVAAsを通じてリンク信頼性とエネルギー効率を向上させる。
• 本アプローチは各クラスタごとにクラスタリング、UAV位置、励振重み、セマンティック記号を共に最適化する。