[论文解读] Distributed Conditional Generative Adversarial Networks (GANs) for Data-Driven Millimeter Wave Communications in UAV Networks

Qianqian Zhang, Aidin Ferdowsi+2 more|arXiv (Cornell University)|Feb 2, 2021

Millimeter-Wave Propagation and Modeling参考文献 34被引用 13

一句话总结

该论文提出了一种用于无人机（UAV）网络中数据驱动的毫米波（mmWave）信道估计算法的分布式条件生成对抗网络（CGAN）框架。每架无人机针对每个波束方向独立训练一个CGAN，随后通过完全分布式的CGAN架构协作学习空时域mmWave信道分布，相较于独立训练或其它分布式方法，实现了更高的建模精度和数据速率。

ABSTRACT

In this paper, a novel framework is proposed to perform data-driven air-to-ground (A2G) channel estimation for millimeter wave (mmWave) communications in an unmanned aerial vehicle (UAV) wireless network. First, an effective channel estimation approach is developed to collect mmWave channel information, allowing each UAV to train a stand-alone channel model via a conditional generative adversarial network (CGAN) along each beamforming direction. Next, in order to expand the application scenarios of the trained channel model into a broader spatial-temporal domain, a cooperative framework, based on a distributed CGAN architecture, is developed, allowing each UAV to collaboratively learn the mmWave channel distribution in a fully-distributed manner. To guarantee an efficient learning process, necessary and sufficient conditions for the optimal UAV network topology that maximizes the learning rate for cooperative channel modeling are derived, and the optimal CGAN learning solution per UAV is subsequently characterized, based on the distributed network structure. Simulation results show that the proposed distributed CGAN approach is robust to the local training error at each UAV. Meanwhile, a larger airborne network size requires more communication resources per UAV to guarantee an efficient learning rate. The results also show that, compared with a stand-alone CGAN without information sharing and two other distributed schemes, namely: A multi-discriminator CGAN and a federated CGAN method, the proposed distributed CGAN approach yields a higher modeling accuracy while learning the environment, and it achieves a larger average data rate in the online performance of UAV downlink mmWave communications.

研究动机与目标

• 解决由于高路径损耗和信道快速变化导致的无人机网络中精确、实时的mmWave空对地（A2G）信道估计算法挑战。
• 克服传统模型在动态无人机环境中缺乏时间与空间泛化能力的局限性。
• 设计一种协作式、完全分布式的学习框架，使无人机无需集中协调即可共享信道知识。
• 推导最优网络拓扑结构与学习条件，以最大化协作CGAN训练中的学习速率与建模效率。
• 通过实现跨无人机网络的精确、泛化性强的mmWave信道建模，提升下行链路频谱效率并降低 pilot 开销。

提出的方法

• 每架无人机基于本地采集的mmWave信道数据，针对每个波束成形方向独立训练一个条件生成对抗网络（CGAN），以建模波束方向的信道特性。
• 设计了一种分布式CGAN架构，使无人机能够协作学习跨空间与时间的全局mmWave信道分布。
• 推导出最优的UAV网络拓扑结构为环形结构，以确保强连通性并最大化学习速率，满足收敛性的必要与充分条件。
• 该框架确保每架无人机至少具有一条入通信链路与一条出通信链路，所有无人机通过同构的环形拓扑参与信息交换。
• 利用马尔可夫链对学习过程进行建模，以分析收敛概率与学习时间，推导出学习速率与成功概率的闭式表达式。
• 通信链路由可行的UAV集合建立，确保所有关于入度、出度与边数的约束均被满足，以实现最优性能。

实验结果

研究问题

• RQ1 在无集中协调的分布式mmWave网络中，无人机如何协作学习空时域空对地信道的泛化模型？
• RQ2 在协作式分布式CGAN框架中，用于mmWave信道建模的最优网络拓扑结构是什么，能够最大化学习速率？
• RQ3 所提出的分布式CGAN在建模精度与系统性能方面，相较于独立CGAN、多判别器CGAN及基于联邦学习的方法有何差异？
• RQ4 无人机网络在分布式CGAN设置中实现强连通性与高效学习的必要与充分条件是什么？
• RQ5 UAV数量如何影响分布式框架中所需的通信资源与学习效率？

主要发现

• 所提出的分布式CGAN在估计mmWave A2G信道方面，建模精度高于独立CGAN、多判别器CGAN及基于联邦学习的方法。
• 环形结构的UAV网络拓扑被证明为最优，因其能最大化学习速率，并确保每架无人机具有相等的入度与出度，实现强连通性。
• 仿真结果表明，该框架对单个UAV的本地训练误差具有鲁棒性，在多种网络条件下均能保持高性能。
• 更大的UAV网络需要每架无人机更多的通信资源以维持高效的学习速率，凸显了可扩展性与资源成本之间的权衡。
• 与基线方法相比，分布式CGAN框架在在线UAV mmWave通信中实现了更高的平均下行链路数据速率。
• 学习成功率的闭式表达式证实，环形拓扑可确保所有UAV的收敛速率稳定且可预测。