[论文解读] Channel Modeling for UAV Communications: State of the Art, Case Studies, and Future Directions

Zhuangzhuang Cui, Ke Guan+4 more|arXiv (Cornell University)|Dec 12, 2020

UAV Applications and Optimization参考文献 13被引用 9

一句话总结

本文全面综述了无人机通信中空对空（A2A）和空对地（A2G）信道建模的研究，结合了基于实测的案例研究与机器学习方法用于路径损耗预测。文章识别了在频率、环境、无人机移动性及物理结构方面面临的关键挑战，并提出了未来实现精确、可扩展且具备物理感知能力的信道模型的研究方向。

ABSTRACT

As essential aerial platforms, unmanned aerial vehicles (UAVs) play an increasingly important role in broad wireless connectivity and high-data-rate transmission for future communication systems. Notably, various communication scenarios are involved in UAV communications, such as intercommunications between UAVs and communications with the ground user equipment, the cellular base station, and the ground station, to name a few. However, existing works mostly focus on a single communication scenario, a designated channel type, and a specific operating frequency, thus urgently requiring a comprehensive understanding of multi-scenario, multi-frequency, and multi-type UAV channels. This article pours attention into the essentials of corresponding air-to-air (A2A) and air-to-ground (A2G) channels in UAV communications. We first identify the latest key challenges of channel modeling for UAV communications. We then provide the state of the art for A2A and A2G channel properties and models based on extensive measurement campaigns. In particular, we conduct realistic case studies to further demonstrate critical channel characterizations and machine learning-based modeling methods. Last but not least, potential directions are widely discussed for paving the way towards more accurate and effective channel models for UAV communications.

研究动机与目标

• 为解决现有信道建模在多无人机通信场景、频段与环境之间缺乏全面覆盖的问题。
• 识别由无人机移动性、高度变化及环境因素引发的无人机信道建模中的关键挑战。
• 基于广泛测量数据，对大规模与小规模A2A和A2G信道特性进行最新技术的综合分析。
• 评估机器学习在预测路径损耗及聚类无人机信道中多径分量方面的有效性。
• 探索未来研究方向，包括建模无人机内部因素（如尺寸、结构与飞行动力学）以及将无人机集成至空-天-地一体化网络。

提出的方法

• 在不同频段（Sub-6 GHz至毫米波）、不同环境（城市、郊区、农村）及无人机高度下开展测量实验，采集实际信道数据。
• 应用统计与基于几何的随机信道建模技术，重点采用对数距离路径损耗模型与瑞利衰落分布。
• 利用人工神经网络（ANNs）基于实测数据预测A2A路径损耗，通过传播参数进行特征工程。
• 采用机器学习方法对多径分量（MPC）进行聚类与场景分类，以提升模型精度与效率。
• 通过仿真与实测数据的相关性分析，研究无人机物理尺寸、飞行抖动及发动机性能对信道特性的影响。
• 研究集成空-天-地网络中的S2A与A2G链路，重点关注波束成形、干扰与大气效应。

实验结果

研究问题

• RQ1 由于无人机移动性、高度变化及环境差异，建模A2A与A2G信道面临哪些关键挑战？
• RQ2 频率与环境如何影响A2G信道的大规模与小规模衰落特性？
• RQ3 机器学习能否有效预测路径损耗并聚类无人机信道中的多径分量？
• RQ4 无人机内部因素（如尺寸、结构与飞行动力学）对信道特性（如延迟扩展与阴影衰落）有何影响？
• RQ5 为开发精确、可扩展且具泛化能力的无人机信道模型，未来需要哪些研究方向？

主要发现

• 对数距离路径损耗模型与瑞利衰落分布是A2A与A2G信道中大规模与小规模衰落最广泛采用的模型。
• 实测结果表明，A2G链路的路径损耗随频率升高而增加，且显著受环境类型影响（如城市与农村环境差异明显）。
• 基于ANN的机器学习路径损耗预测方法表现出高精度，显示出数据驱动方法在无人机信道建模中的巨大潜力。
• 无人机飞行引起的抖动会影响A2G信道的延迟扩展，表明在信道建模中必须考虑动态飞行状态。
• 地面基站的定向波束成形与高空无人机的高Line-of-Sight（LOS）概率导致强小区间干扰，尤其在CC-UAV场景中更为显著。
• 亟需开展更全面的测量与具备物理感知的建模工作，以量化无人机尺寸、结构与飞行稳定性对信道行为的影响。