[论文解读] Artificial Intelligence Aided Next-Generation Networks Relying on UAVs

Xiao Liu, Mingzhe Chen+4 more|arXiv (Cornell University)|Jan 28, 2020

UAV Applications and Optimization参考文献 14被引用 7

一句话总结

本文提出了一种AI辅助的无人机（UAV）增强型下一代无线网络，利用机器学习实现动态轨迹设计、资源分配及协同蜂群优化。通过整合AI实现实时适应用户移动性和流量需求，该系统在动态城市环境中显著提升了网络性能、可靠性和能效。

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.

研究动机与目标

• 解决传统无人机辅助无线网络（UAWN）的局限性，包括静态用户假设、视距链路阻塞以及缺乏适应性。
• 克服城市场景中高动态随机环境带来的挑战，传统优化方法在该环境下失效。
• 通过AI驱动的学习与反馈机制，实现多架无人机间的协同优化。
• 通过整合AI于无人机部署、轨迹规划与资源分配，提升网络性能、可靠性和能效。
• 探索未来研究方向，如非正交多址接入（NOMA）、车联网、无线充电、多层无人机系统以及智能反射面（IRS）辅助系统。

提出的方法

• 采用AI技术，包括深度强化学习（DRL）、Q-learning及进化算法，实现无人机网络中的动态决策。
• 整合大数据分析与特征提取技术，从收集的用户信息中预测用户移动性和流量需求。
• 将无人机轨迹与资源分配建模为马尔可夫决策过程（MDPs），以优化长期性能。
• 采用多智能体强化学习（MARL）实现无人机蜂群的协同运行，同时最小化无人机间通信开销。
• 应用能效设计，并探索无线功率传输（WPT）或激光充电技术，以延长无人机续航时间。
• 集成智能反射面（IRS）以构建虚拟视距链路，并在非视距环境中提升信号干扰加噪声比（SINR）。

实验结果

研究问题

• RQ1 在高移动性和随机流量条件下，AI如何提升无人机辅助无线网络中的动态轨迹规划与资源分配？
• RQ2 无人机蜂群间的协同学习在提升网络可靠性与降低干扰方面发挥何种作用？
• RQ3 AI驱动的特征提取与预测建模如何提升网络对用户移动性与流量需求的适应能力？
• RQ4 将AI与非正交多址接入（NOMA）结合后，网络性能的提升体现在哪些方面？
• RQ5 AI如何优化无线充电基础设施与无人机充电轨迹，以实现不间断运行？

主要发现

• AI赋能的无人机网络通过动态适应用户移动性与流量需求，显著提升了网络性能与可靠性。
• 基于机器学习的解决方案，如DQN、DDPG与Q-learning，能有效解决无人机轨迹与资源分配中的复杂非凸优化问题。
• 采用AI的多无人机协同系统相比独立无人机运行，展现出更优的干扰协调能力与系统吞吐量。
• 经AI优化的无线功率传输与激光充电方案，可显著延长无人机飞行时间并减少着陆频率。
• 智能反射面（IRS）通过构建虚拟视距链路，显著提升了网络性能，尤其在存在遮挡的城市环境中。
• AI与NOMA的集成可实现更高的频谱效率，并在无人机辅助宏蜂窝回传与物联网场景中支持大规模连接。