[논문 리뷰] Channel Modeling for UAV Communications: State of the Art, Case Studies, and Future Directions

Zhuangzhuang Cui, Ke Guan외 4명|arXiv (Cornell University)|2020. 12. 12.

UAV Applications and Optimization참고 문헌 13인용 수 9

한 줄 요약

이 논문은 무인항공기(UAV) 통신을 위한 공중에서 공중으로(A2A) 및 공중에서 지상으로(A2G)의 채널 모델링에 대한 종합적인 설문 조사로, 측정 기반 사례 연구와 기계학습을 통한 path loss 예측을 통합한다. 주파수, 환경, UAV 이동성, 물리적 구조와 관련된 핵심 과제를 규명하고, 정확하고 확장 가능하며 물리학을 반영한 채널 모델을 위한 향후 방향을 제안한다.

ABSTRACT

As essential aerial platforms, unmanned aerial vehicles (UAVs) play an increasingly important role in broad wireless connectivity and high-data-rate transmission for future communication systems. Notably, various communication scenarios are involved in UAV communications, such as intercommunications between UAVs and communications with the ground user equipment, the cellular base station, and the ground station, to name a few. However, existing works mostly focus on a single communication scenario, a designated channel type, and a specific operating frequency, thus urgently requiring a comprehensive understanding of multi-scenario, multi-frequency, and multi-type UAV channels. This article pours attention into the essentials of corresponding air-to-air (A2A) and air-to-ground (A2G) channels in UAV communications. We first identify the latest key challenges of channel modeling for UAV communications. We then provide the state of the art for A2A and A2G channel properties and models based on extensive measurement campaigns. In particular, we conduct realistic case studies to further demonstrate critical channel characterizations and machine learning-based modeling methods. Last but not least, potential directions are widely discussed for paving the way towards more accurate and effective channel models for UAV communications.

연구 동기 및 목표

• 다양한 UAV 통신 시나리오, 주파수 대역 및 환경를 아우르는 종합적인 채널 모델링의 부족을 해결하기 위해.
• UAV 이동성, 고도 변화 및 환경 요인으로 인해 발생하는 UAV 채널 모델링의 핵심 과제를 규명하기 위해.
• 광범위한 측정 기반 데이터를 바탕으로 대규모 및 소규모 A2A 및 A2G 채널 특성의 최신 동향을 종합적으로 제시하기 위해.
• 기계학습이 UAV 채널의 path loss 예측 및 다중 경로 성분(MPC) 군집화에 효과적으로 기여할 수 있는지 평가하기 위해.
• UAV 내부 요소(크기, 구조, 비행 동역학) 모델링 및 UAV를 공간-공중-지상 통합 네트워크에 통합하는 데 필요한 향후 연구 방향 탐색하기 위해.

제안 방법

• 다양한 주파수 대역(6GHz 이하에서 mmWave까지), 환경(도시, 근교, 농촌) 및 UAV 고도에서 측정 캠프이건을 수행하여 실측 채널 데이터를 수집한다.
• 통계적 및 기하학 기반의 확률적 채널 모델링 기법을 적용하며, 주로 log-distance path loss 및 Rician fading 분포에 중점을 둔다.
• 측정된 데이터를 기반으로 인공신경망(ANN)을 사용하여 A2A path loss를 예측하고, 전파 매개변수에서 특징 공학을 수행한다.
• 기계학습을 활용해 다중 경로 성분(MPC) 군집화 및 시나리오 분류를 수행하여 모델 정확도 및 효율성을 향상시킨다.
• 시뮬레이션과 측정 결과의 상관관계를 분석하여 UAV의 물리적 크기, 비행 진동, 엔진 성능이 채널 특성에 미치는 영향을 분석한다.
• 공간-공중-지상 통합 네트워크 내에서 S2A 및 A2G 링크를 연구하며, 빔포밍, 간섭 및 대기 영향에 중점을 둔다.

실험 결과

연구 질문

• RQ1 UAV 이동성, 고도, 환경 변화에 기인한 A2A 및 A2G 채널 모델링의 핵심 과제는 무엇인가요?
• RQ2 주파수 및 환경는 A2G 채널의 대규모 및 소규모 fading 특성에 어떻게 영향을 미치나요?
• RQ3 기계학습은 UAV 채널 모델에서 path loss 예측 및 다중 경로 성분 군집화에 효과적으로 기여할 수 있나요?
• RQ4 UAV 내부 요소(크기, 구조, 비행 동역학 등)가 지연 스프레드 및 쉐이딩과 같은 채널 특성에 미치는 영향은 무엇인가요?
• RQ5 정확하고 확장 가능하며 일반화 가능한 UAV 채널 모델을 개발하기 위해 필요한 향후 연구 방향은 무엇인가요?

주요 결과

• 대규모 및 소규모 fading에 대해 log-distance path loss 모델과 Rician 분포가 가장 널리 사용되는 모델이다.
• 측정 캠프이건 결과, A2G 링크의 path loss는 주파수 증가에 따라 증가하며, 환경 유형(예: 도시 대비 농촌)에 의해 크게 영향을 받는다.
• ANN 기반 기계학습을 통한 path loss 예측은 높은 정확도를 달성하여 데이터 기반 방법의 UAV 채널 모델링 잠재력을 입증한다.
• UAV의 비행 유도 진동은 A2G 채널의 지연 스프레드에 영향을 미치며, 이는 채널 모델링 시 동적 비행 상태를 고려해야 함을 시사한다.
• 지상 기반 기지국의 방향성 빔포밍과 고고도 UAV의 강한 LOS 확률은 특히 CC-UAV 시나리오에서 강한 이웃셀 간섭을 유도한다.
• UAV 크기, 구조 및 비행 안정성의 채널 행동에 대한 영향을 정량화하기 위해 더 포괄적인 측정과 물리학을 반영한 모델링이 절실하게 필요하다.