[논문 리뷰] Artificial Intelligence Aided Next-Generation Networks Relying on UAVs

Xiao Liu, Mingzhe Chen외 4명|arXiv (Cornell University)|2020. 01. 28.

UAV Applications and Optimization참고 문헌 14인용 수 7

한 줄 요약

이 논문은 기계학습을 활용하여 동적 궤적 설계, 자원 할당 및 협동 스웜 최적화를 수행하는 AI 지원 무인 항공기(UAV) 기반 차세대 무선 네트워크를 제안한다. 사용자 이동성과 트래픽 수요에 실시간으로 적응할 수 있도록 AI를 통합함으로써, 동적인 도시 환경에서 네트워크 성능, 신뢰성 및 에너지 효율성을 향상시킨다.

ABSTRACT

Artificial intelligence (AI) assisted unmanned aerial vehicle (UAV) aided next-generation networking is proposed for dynamic environments. In the AI-enabled UAV-aided wireless networks (UAWN), multiple UAVs are employed as aerial base stations, which are capable of rapidly adapting to the dynamic environment by collecting information about the users' position and tele-traffic demands, learning from the environment and acting upon the feedback received from the users. Moreover, AI enables the interaction amongst a swarm of UAVs for cooperative optimization of the system. As a benefit of the AI framework, several challenges of conventional UAWN may be circumvented, leading to enhanced network performance, improved reliability and agile adaptivity. As a further benefit, dynamic trajectory design and resource allocation are demonstrated. Finally, potential research challenges and opportunities are discussed.

연구 동기 및 목표

• 정적 사용자 가정, 차단된 라인오브사이트(LoS) 링크, 적응 가능성 부족 등의 문제를 겪는 기존 UAV 기반 무선 네트워크(UAWN)의 한계를 해결한다.
• 기존 최적화 기법이 실패하는 고동적 확률적 환경에서의 도시 환경에서의 도전 과제를 극복한다.
• AI 기반 학습 및 피드백 메커니즘을 통해 다수의 UAV 간 협동 최적화를 가능하게 한다.
• UAV 배치, 궤적 계획 및 자원 할당에 AI를 통합함으로써 네트워크 성능, 신뢰성 및 에너지 효율성을 향상시킨다.
• NOMA, 차량 통신 네트워크, 무선 충전, 다중 계층 UAV, IRS 보조 시스템과 같은 향후 연구 방향을 탐색한다.

제안 방법

• UAV 네트워크에서의 동적 의사결정을 위해 딥 강화학습(DRL), Q-학습 및 진화 알고리즘과 같은 AI 기법을 활용한다.
• 수집된 사용자 정보로부터 사용자 이동성과 트래픽 수요를 예측하기 위해 빅데이터 분석 및 특징 추출을 통합한다.
• UAV 궤적과 자원 할당을 마르코프 결정 과정(MDPs)으로 모델링하여 장기적인 성능을 최적화한다.
• 최소한의 UAV 간 통신으로도 협동 UAV 스웜 운영을 가능하게 하기 위해 다중 에이전트 강화학습(MARL)을 사용한다.
• 에너지 효율적 설계를 적용하고, 무선 전력 전송(WPT) 또는 레이저 충전을 탐색하여 UAV의 비행 지속 시간을 연장한다.
• 지능형 반사 표면(IRS)을 통합하여 가상의 라인오브사이트(LoS) 링크를 생성하고, 비라인오브사이트 환경에서 신호 대 간섭 및 노이즈 비율(SINR)을 향상시킨다.

실험 결과

연구 질문

• RQ1 고속 이동성과 확률적 트래픽 환경에서 AI는 UAV 기반 무선 네트워크의 동적 궤적 계획 및 자원 할당을 어떻게 향상시킬 수 있는가?
• RQ2 UAV 스웜 간의 협동 학습은 네트워크 신뢰성 향상과 간섭 감소에 어떤 역할을 하는가?
• RQ3 AI 기반 특징 추출 및 예측 모델링은 사용자 이동성과 트래픽 수요에 대한 네트워크 적응성을 어떻게 향상시킬 수 있는가?
• RQ4 AI를 UAV 네트워크의 비직렬 다중접근(NOMA)과 통합했을 때의 성능 향상은 무엇인가?
• RQ5 AI는 무선 충전 인프라와 UAV 충전 궤적을 어떻게 최적화하여 지속적인 운영을 가능하게 하는가?

주요 결과

• AI 기반 UAV 네트워크는 사용자 이동성과 트래픽 수요의 동적 변화에 적응함으로써 네트워크 성능과 신뢰성을 크게 향상시킨다.
• DQN, DDPG 및 Q-학습과 같은 기계학습 기반 솔루션은 UAV 궤적 및 자원 할당의 복잡한 비凸 최적화 문제를 효과적으로 해결한다.
• AI를 활용한 협동 다중 UAV 시스템은 고립된 UAV 운영에 비해 간섭 조율과 시스템 스루풋 측면에서 더 우수한 성능을 달성한다.
• AI로 최적화된 무선 전력 전송 및 레이저 충전 솔루션은 UAV의 비행 시간을 연장하고 착륙 빈도를 감소시킨다.
• 지능형 반사 표면(IRS)은 특히 장애물이 많은 도시 환경에서 가상의 라인오브사이트(LoS) 링크를 생성함으로써 네트워크 성능을 향상시킨다.
• AI와 NOMA의 통합은 더 높은 스펙트럼 효율성을 가능하게 하고, UAV 보조 셀룰러 오프로딩 및 IoT 환경에서의 대량 연결을 지원한다.