[논문 리뷰] Sensing and Communication Tradeoff Design for AoI Minimization in a Cellular Internet of UAVs

Shuhang Zhang, Hongliang Zhang외 3명|arXiv (Cornell University)|2020. 02. 01.

Age of Information Optimization참고 문헌 8인용 수 4

한 줄 요약

이 논문은 셀룰러 드론 인터넷에서 UAV 센싱 및 통신을 위한 공동 최적화 프레임워크를 제안하여, 센싱 시간, 전송 시간, 궤도, 작업 스케줄링을 균형 있게 조정함으로써 정보의 나이(AoI)를 최소화한다. 경사 하강법과 동적 프로그래밍을 사용한 방법은 시뮬레이션에서 탐욕적 및 무작위 스케줄링 대비 각각 15%와 40% 이상 낮은 AoI를 달성하여 센싱과 전송 시간 간의 고유한 최적 트레이드오프를 입증한다.

ABSTRACT

In this paper, we consider the cellular Internet of unmanned aerial vehicles (UAVs), where UAVs sense data for multiple tasks and transmit the data to the base station (BS). To quantify the "freshness" of the data at the BS, we bring in the concept of the age of information (AoI). The AoI is determined by the time for UAV sensing and that for UAV transmission, and gives rise to a trade-off within a given period. To minimize the AoI, we formulate a joint sensing time, transmission time, UAV trajectory, and task scheduling optimization problem. To solve this problem, we first propose an iterative algorithm to optimize the sensing time, transmission time, and UAV trajectory for completing a specific task. Afterwards, we design the order in which the UAV performs data updates for multiple sensing tasks. The convergence and complexity of the proposed algorithm, together with the trade-off between UAV sensing and UAV transmission, are analyzed. Simulation results verify the effectiveness of our proposed algorithm.

연구 동기 및 목표

• 셀룰러 드론 인터넷에서 정보의 나이(AoI)를 최소화하기 위해 UAV 센싱 시간과 전송 시간 간의 트레이드오프를 해결한다.
• AoI 최소화를 위한 센싱 시간, 전송 시간, UAV 궤도, 작업 스케줄링을 포함하는 공동 최적화 문제를 수립한다.
• 단일 작업 업데이트를 위한 센싱 시간, 전송 시간, UAV 궤도를 공동으로 최적화하기 위한 반복 알고리즘을 설계한다.
• 다중 센싱 작업을 위한 최적의 업데이트 순서를 결정하기 위해 동적 프로그래밍 기반의 작업 스케줄링 알고리즘을 개발한다.
• 제안된 알고리즘의 수렴성, 복잡도, 트레이드오프 특성을 분석하여 그 효과성을 검증한다.

제안 방법

• 유한 시간 영역 동안 센싱 시간, 전송 시간, UAV 궤도, 작업 스케줄링을 공동으로 최적화하여 AoI 최소화 문제를 수립한다.
• 이동성 및 에너지 제약 조건 하에서 단일 작업 업데이트에 대해 경사 하강법을 적용하여 센싱 시간, 전송 시간, UAV 궤도를 반복적으로 최적화한다.
• 작업 업데이트를 보상 기반 행동으로 모델링하여 동적 프로그래밍(DP)을 사용해 작업 스케줄링 문제를 해결한다.
• 보상 함수를 평균 AoI 감소로 정의하고, 시간에 걸쳐 누적 보상을 최대화함으로써 최적의 스케줄링 정책을 도출한다.
• 보상 함수에 대한 재귀 관계를 수립한다: $\mathcal{G}(\mathcal{P}_i(t+1)) = \max\{\mathcal{G}(\mathcal{P}_i(t)), \mathcal{G}(\mathcal{P}_i(t)\setminus\mathcal{C}_i(t)) + g_i(t+1)\}$, 이는 최적의 작업 순서 선택을 가능하게 한다.
• 최적의 센싱-전송 시간 간 트레이드오프가 유일하며, 성공적인 센싱 및 신호 대 잡음비(SNR) 임계값에 의해 분석적으로 특성화됨을 증명한다.

실험 결과

연구 질문

• RQ1 시스템 전체 AoI를 최소화하기 위해 UAV 센싱 시간과 전송 시간 간 최적의 트레이드오프는 무엇인가?
• RQ2 센싱 및 전송 시간과 함께 UAV 궤도와 작업 스케줄링을 어떻게 공동으로 최적화하여 AoI를 최소화할 수 있는가?
• RQ3 성공적인 센싱 확률과 SNR 임계값을 변화시킬 경우 최적의 센싱-전송 시간 비율에 어떤 영향을 미치는가?
• RQ4 제안된 작업 스케줄링 알고리즘이 탐욕적 및 무작위 스케줄링 대비 AoI 감소 측면에서 어떻게 성능을 발휘하는가?
• RQ5 제안된 최적화 프레임워크의 계산 복잡도는 얼마이며, 최적 해에 수렴하는가?

주요 결과

• 제안된 알고리즘은 시뮬레이션에서 탐욕적 스케줄링 알고리즘 대비 약 15% 낮은 총 AoI를 달성하고, 무작위 스케줄링 대비 40% 이상 낮춘다.
• 최적의 센싱-전송 시간 간 트레이드오프는 유일하며 주로 성공적인 센싱 임계값 $p_{th}$ 와 전송 SNR 임계값 $\gamma_{th}$ 에 따라 달라진다.
• 만약 $p_{th} < 1 - 10^{-2}$ 이면 센싱-전송 시간 비율은 $p_{th}$ 에 매우 민감하지만, $p_{th} > 1 - 10^{-2}$ 가 되면 민감도가 감소한다.
• 동적 프로그래밍 기반의 작업 스케줄링 알고리즘은 $O(NT)$의 복잡도를 가지며, 실용적 구현에 있어 확장 가능성을 확보한다.
• 반복적 경사 하강법 알고리즘은 안정된 해에 수렴함을 확인하여 공동 최적화 프레임워크의 강건성을 입증한다.
• 시뮬레이션 결과는 UAV 속도, 고도, 데이터 전송 속도 제약 조건을 포함한 실제 3GPP 기반 파rameter 하에서 제안된 방법의 효과성을 검증한다.