[论文解读] Sensing and Communication Tradeoff Design for AoI Minimization in a Cellular Internet of UAVs

Shuhang Zhang, Hongliang Zhang+3 more|arXiv (Cornell University)|Feb 1, 2020

Age of Information Optimization参考文献 8被引用 4

一句话总结

该论文提出了一种在蜂窝式无人机物联网中联合优化无人机感知与通信的框架，通过平衡感知时间、传输时间、轨迹和任务调度，以最小化信息年龄（Age of Information, AoI）。采用梯度下降与动态规划方法，仿真结果表明，该方法相比贪婪策略降低15%的AoI，相比随机调度降低40%以上，证明了感知与传输时间之间存在唯一最优权衡。

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.

研究动机与目标

• 解决无人机感知与传输时间之间的权衡，以最小化蜂窝式无人机物联网中的信息年龄（AoI）。
• 建立一个联合优化问题，涉及感知时间、传输时间、无人机轨迹与任务调度，以实现AoI最小化。
• 设计一种迭代算法，联合优化单个任务更新的感知时间、传输时间和无人机轨迹。
• 开发一种基于动态规划的任务调度算法，以确定多个感知任务的最优更新顺序。
• 分析所提算法的收敛性、复杂度与权衡特性，以验证其有效性。

提出的方法

• 将AoI最小化问题建模为在有限时间范围内对感知时间、传输时间、无人机轨迹与任务调度的联合优化。
• 应用梯度下降法，在移动性与能量约束下，迭代优化单个任务更新的感知时间、传输时间与无人机轨迹。
• 使用动态规划（DP）求解任务调度问题，将任务更新建模为基于AoI减少量的奖励函数的动作。
• 将奖励函数定义为平均AoI的减少量，最优调度策略通过随时间最大化累积奖励获得。
• 建立奖励函数的递推关系：$\mathcal{G}(\mathcal{P}_i(t+1)) = \max\{\mathcal{G}(\mathcal{P}_i(t)), \mathcal{G}(\mathcal{P}_i(t)\setminus\mathcal{C}_i(t)) + g_i(t+1)\}$，实现最优任务顺序选择。
• 证明感知与传输时间之间的最优权衡是唯一的，并通过成功感知阈值与信噪比（SNR）阈值进行解析表征。

实验结果

研究问题

• RQ1 无人机感知时间与传输时间之间存在何种最优权衡，可使系统级AoI最小化？
• RQ2 如何联合优化无人机轨迹与任务调度，以协同最小化感知与传输时间，从而降低AoI？
• RQ3 成功感知概率与SNR阈值的变化对最优感知-传输时间比有何影响？
• RQ4 所提出的任务调度算法在AoI降低方面与贪婪和随机调度相比表现如何？
• RQ5 所提优化框架的计算复杂度是多少？其是否收敛至最优解？

主要发现

• 仿真结果表明，所提算法相比贪婪调度算法将总AoI降低约15%，相比随机调度算法降低超过40%。
• 感知与传输时间之间的最优权衡是唯一的，且主要取决于成功感知阈值$p_{th}$与传输SNR阈值$\gamma_{th}$。
• 当$p_{th} < 1 - 10^{-2}$时，感知-传输时间比对$p_{th}$高度敏感；但当$p_{th} > 1 - 10^{-2}$时，该比例变得不敏感。
• 基于动态规划的任务调度算法具有$O(NT)$的复杂度，具备实际部署的可扩展性。
• 迭代式梯度下降算法收敛至稳定解，证实了联合优化框架的鲁棒性。
• 仿真结果在基于3GPP的实际参数（包括无人机速度、高度与数据速率约束）下验证了所提方法的有效性。