[논문 리뷰] Deep Learning for Optimal Deployment of UAVs with Visible Light Communications

Yining Wang, Mingzhe Chen외 3명|arXiv (Cornell University)|2019. 11. 28.

UAV Applications and Optimization참고 문헌 35인용 수 10

한 줄 요약

이 논문은 깊이 학습 프레임워크를 제안하여 게이트드 순환 단위(GRUs)와 합성곱 신경망(CNNs)을 조합하여 가시광선 통신(VLC) 기반 네트워크의 조명 분포를 예측하고 UAV 배치를 최적화한다. 예측된 조명을 활용해 UAV 위치, 사용자 할당, 전력 할당을 종합적으로 최적화함으로써, 조명 동적 특성을 忽시하는 전통적 접근 방식에 비해 총 전송 전력이 최대 68.9% 감소한다.

ABSTRACT

In this paper, the problem of dynamical deployment of unmanned aerial vehicles (UAVs) equipped with visible light communication (VLC) capabilities for optimizing the energy efficiency of UAV-enabled networks is studied. In the studied model, the UAVs can simultaneously provide communications and illumination to service ground users. Since ambient illumination increases the interference over VLC links while reducing the illumination threshold of the UAVs, it is necessary to consider the illumination distribution of the target area for UAV deployment optimization. This problem is formulated as an optimization problem which jointly optimizes UAV deployment, user association, and power efficiency while meeting the illumination and communication requirements of users. To solve this problem, an algorithm that combines the machine learning framework of gated recurrent units (GRUs) with convolutional neural networks (CNNs) is proposed. Using GRUs and CNNs, the UAVs can model the long-term historical illumination distribution and predict the future illumination distribution. Given the prediction of illumination distribution, the original nonconvex optimization problem can be divided into two sub-problems and is then solved using a low-complexity, iterative algorithm. Then, the proposed algorithm enables UAVs to determine the their deployment and user association to minimize the total transmit power. Simulation results using real data from the Earth observations group (EOG) at NOAA/NCEI show that the proposed approach can achieve up to 68.9% reduction in total transmit power compared to a conventional optimal UAV deployment that does not consider the illumination distribution and user association.

연구 동기 및 목표

• 가시광선 통신(VLC) 기반 UAV 네트워크의 에너지 효율성 문제를 UAV 배치, 사용자 할당, 전력 할당을 종합적으로 최적화함으로써 해결하고자 한다.
• VLC 링크 품질과 간섭 수준에 영향을 주는 동적인 주변 조명(예: 도로 조명, 차량 조명)을 고려하고자 한다.
• 실시간 및 예측된 조명 분포를 UAV 배치 결정에 통합함으로써 에너지 효율성을 향상시키고자 한다.
• 비볼록 최적화 문제를 해결하는 데 있어 계산 복잡도를 낮추기 위해 분해 기반 반복 알고리즘을 도입하고자 한다.
• 기계 학습 기반의 조명 예측을 통해 UAV가 자율적으로 최적의 위치와 사용자 할당을 결정할 수 있도록 하고자 한다.

제안 방법

• 하이브리드 딥 러닝 모델은 공간적 조명 패턴을 인코딩하기 위해 CNN을, 역학적 시간적 상관관계를 모델링하기 위해 GRU를 활용한다.
• CNN 기반 인코더는 2차원 조명 맵을 압축된 표현으로 처리하고, GRU 기반 예측기는 이력 시계열 기반으로 향후 조명 분포를 예측한다.
• 예측된 조명 분포를 활용해 원래의 비볼록 최적화 문제를 두 개의 하위 문제로 분해한다: UAV 배치 및 사용자 할당과 전력 제어.
• 반복적이고 저복잡도인 알고리즘이 조명 및 서비스 품질 제약 조건 하에 UAV 위치와 사용자 할당을 번갈아 가며 최적화함으로써 하위 문제를 해결한다.
• 최적화 프레임워크는 총 전송 전력의 최소화를 보장하면서도 조명 임계치를 충족시킨다.
• 전력 할당에 대해 이중 분해와 라그랑주 승수 방법을 사용해 닫힌 형태의 해를 유도함으로써 수렴성과 안정성을 확보한다.

실험 결과

연구 질문

• RQ1 주변 조명원에서 유래하는 조명 역학을 효과적으로 모델링하고 예측함으로써 VLC 네트워크에서 UAV의 최적화를 어떻게 향상시킬 수 있는가?
• RQ2 주변 조명을 忽시할 경우 UAV 기반 VLC 시스템의 에너지 효율성에 어떤 영향을 미치는가?
• RQ3 CNN과 GRU를 융합한 하이브리드 딥 러닝 아키텍처가 UAV 최적화를 위해 공간-시간적 조명 패턴을 정확히 예측할 수 있는가?
• RQ4 UAV 배치, 사용자 할당, 전력 할당을 종합적으로 최적화함으로써 VLC 네트워크의 에너지 효율성이 어떻게 향상되는가?
• RQ5 조명 예측을 UAV 배치 알고리즘에 통합할 경우 전송 전력 감소의 실현 가능한 이득은 얼마인가?

주요 결과

• 제안된 방법은 조명 분포를 고려하지 않는 전통적 UAV 배치 전략에 비해 총 전송 전력 최대 68.9% 감소를 달성한다.
• 조명 예측을 통합함으로써 간섭을 줄이고 더 스마트한 UAV 위치 결정을 가능하게 하여 에너지 효율성이 크게 향상된다.
• GRU-CNN 하이브리드 모델은 조명 데이터의 공간적 및 시간적 상관관계를 효과적으로 포착하여 정확한 향후 예측이 가능하다.
• 반복 알고리즘이 신속하게 수렴하고 저복잡도를 유지하므로 실시간 UAV 배치에 적합하다.
• 실제 NOAA/NCEI 지구 관측 데이터를 활용한 시뮬레이션 결과는 제안된 방법의 강건성과 확장성을 입증한다.
• 모든 시험 환경에서 기준 대비 성능이 뛰어나며, 특히 간섭이 가장 심각한 고주변 조명 조건에서 두드러진 성능 향상을 보였다.