[论文解读] A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence

Qingqing Wu, Jie Xu+5 more|arXiv (Cornell University)|Oct 19, 2020

UAV Applications and Optimization参考文献 279被引用 8

一句话总结

本文全面综述了将无人机（UAV）集成到5G及更未来的网络中，利用智能反射面、通信与感知一体化以及边缘智能等先进技术，实现高容量、低时延和智能化的三维无线网络。文章突出了无人机与地面网络之间的协同作用，以增强通信、感知和人工智能驱动的运营能力，并在系统设计、性能优化以及开放的研究挑战方面做出了关键贡献。

ABSTRACT

Due to the advancements in cellular technologies and the dense deployment of cellular infrastructure, integrating unmanned aerial vehicles (UAVs) into the fifth-generation (5G) and beyond cellular networks is a promising solution to achieve safe UAV operation as well as enabling diversified applications with mission-specific payload data delivery. In particular, 5G networks need to support three typical usage scenarios, namely, enhanced mobile broadband (eMBB), ultra-reliable low-latency communications (URLLC), and massive machine-type communications (mMTC). On the one hand, UAVs can be leveraged as cost-effective aerial platforms to provide ground users with enhanced communication services by exploiting their high cruising altitude and controllable maneuverability in three-dimensional (3D) space. On the other hand, providing such communication services simultaneously for both UAV and ground users poses new challenges due to the need for ubiquitous 3D signal coverage as well as the strong air-ground network interference. Besides the requirement of high-performance wireless communications, the ability to support effective and efficient sensing as well as network intelligence is also essential for 5G-and-beyond 3D heterogeneous wireless networks with coexisting aerial and ground users. In this paper, we provide a comprehensive overview of the latest research efforts on integrating UAVs into cellular networks, with an emphasis on how to exploit advanced techniques (e.g., intelligent reflecting surface, short packet transmission, energy harvesting, joint communication and radar sensing, and edge intelligence) to meet the diversified service requirements of next-generation wireless systems. Moreover, we highlight important directions for further investigation in future work.

研究动机与目标

• 提供对无人机在5G及更未来蜂窝网络中集成的全面概述，解决空中与地面通信的融合问题。
• 识别并分析在实现无处不在的三维信号覆盖以及在异构网络中管理空地干扰方面面临的关键技术挑战。
• 探讨无人机在实现联合通信与雷达感知、能量采集以及边缘智能等先进功能中的作用。
• 突出无人机支持的联邦学习、空中计算以及云-边-设备协同等新兴研究方向，以应对动态三维网络的需求。
• 识别无人机赋能的智能无线系统中的开放问题与未来研究机遇，特别是在面向移动性的资源分配与系统优化方面。

提出的方法

• 本文采用系统性文献综述方法，整合5G及更未来网络中无人机集成的最前沿研究成果，重点关注通信、感知与人工智能能力。
• 分析关键使能技术，如智能反射面（IRS）、短包传输和能量采集，以提升频谱效率与能量效率。
• 研究联合通信与感知（JComS）技术，其中无人机作为通信收发器和雷达传感器，实现环境监测的双重功能。
• 调查边缘智能框架，包括联邦边缘学习与空中计算（AirComp），以实现在最小数据交换下的分布式人工智能训练。
• 提出一种三维网络架构，将无人机作为空中基站、边缘服务器和感知平台，实现轨迹与资源的动态优化。
• 通过理论分析与仿真趋势评估系统级性能，重点关注移动无人机环境中时延、可靠性和频谱效率之间的权衡。

实验结果

研究问题

• RQ1 如何有效将无人机集成到5G及更未来网络中，以同时支持增强型移动宽带（eMBB）、超可靠低时延通信（URLLC）和大规模机器类通信（mMTC）？
• RQ2 在无人机-地面融合网络中，实现无处不在的三维覆盖并缓解空地干扰的关键挑战是什么？
• RQ3 无人机如何被用于联合通信与感知（JComS），以实现实时环境监测与态势感知？
• RQ4 联邦学习与空中计算等边缘智能技术在移动无人机环境中，如何实现隐私保护、低时延的人工智能推理？
• RQ5 在动态三维无线网络中，无人机支持的云-边-设备协同的性能极限与最优设计策略是什么？

主要发现

• 无人机通过提供高空、可控的三维覆盖，显著提升了5G及更未来网络的性能，提高了频谱效率并降低了地面用户的时延。
• 无人机联合通信与感知（JComS）技术可实现实时环境监测，例如在圣母院火灾等应急响应场景中，无人机提供了关键的热成像支持。
• 基于无人机的联邦边缘学习可保护数据隐私，并支持跨分布式无人机的协同人工智能模型训练，研究表明其收敛性更优且通信开销更低。
• 空中计算（AirComp）通过利用信号叠加特性，在无线信道上实现功能性计算，为无人机群中的低时延人工智能推理提供了有前景的解决方案。
• 智能反射面（IRS）通过动态调控信号传播，显著提升了无人机网络的频谱效率并扩展了覆盖范围，尤其在非视 Line-of-Sight 环境中表现突出。
• 将无人机作为移动边缘服务器或联网计算平台，可实现无人机群的可扩展计算卸载，显著降低关键任务应用中的时延与能耗。