[论文解读] Deep Learning for Optimal Deployment of UAVs with Visible Light Communications

Yining Wang, Mingzhe Chen+3 more|arXiv (Cornell University)|Nov 28, 2019

UAV Applications and Optimization参考文献 35被引用 10

一句话总结

本文提出了一种结合门控循环单元（GRUs）和卷积神经网络（CNNs）的深度学习框架，用于预测光照分布并优化可见光通信（VLC）网络中的无人机（UAV）部署。通过利用预测的光照信息，联合优化无人机定位、用户关联与功率分配，该方法相比忽略光照动态的传统方法，总发射功率最高可降低68.9%。

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.

研究动机与目标

• 为解决无人机（UAV）启用的可见光通信（VLC）网络中的能量效率挑战，通过联合优化无人机部署、用户关联与功率分配来实现。
• 考虑环境光照（如路灯和车灯）的动态变化，这些因素会影响VLC链路质量与干扰水平。
• 通过将实时与预测的光照分布信息整合到无人机部署决策中，提升能量效率。
• 通过基于分解的迭代算法降低求解非凸优化问题的计算复杂度。
• 使无人机能够通过机器学习驱动的光照预测，自主确定最优位置与用户关联。

提出的方法

• 一种混合深度学习模型结合CNN用于编码空间光照模式，GRU用于建模历史光照数据中的长期时间相关性。
• 基于CNN的编码器将二维光照图转换为紧凑表征，而基于GRU的预测器则根据历史序列预测未来的光照分布。
• 利用预测的光照分布将原始的非凸优化问题分解为两个子问题：无人机部署与用户关联的功率控制。
• 一种迭代、低复杂度的算法通过交替优化无人机位置与用户关联，在光照与服务质量约束下求解子问题。
• 优化框架确保满足光照阈值要求，同时最小化所有无人机的总发射功率。
• 通过使用对偶分解与拉格朗日松弛方法，推导出功率分配的闭式解，确保收敛性与稳定性。

实验结果

研究问题

• RQ1 如何有效建模与预测环境光源（如路灯和车灯）的光照动态，以提升VLC网络中无人机的部署性能？
• RQ2 忽略环境光照对无人机启用的VLC系统能量效率有何影响？
• RQ3 结合CNN与GRU的混合深度学习架构能否准确预测用于无人机优化的时空光照模式？
• RQ4 联合优化无人机部署、用户关联与功率分配如何提升VLC网络中的能量效率？
• RQ5 在无人机部署算法中集成光照预测后，可实现的发射功率降低增益是多少？

主要发现

• 与不考虑光照分布的传统无人机部署策略相比，所提方法可实现最高68.9%的总发射功率降低。
• 整合光照预测显著提升了能量效率，减少了干扰并实现了更智能的无人机定位。
• GRU-CNN混合模型有效捕捉了光照数据中的空间与时间相关性，实现了对未来光照的准确预测。
• 迭代算法收敛迅速且计算复杂度低，适用于实时无人机部署。
• 基于真实NOAA/NCEI地球观测数据的仿真结果验证了所提方法的鲁棒性与可扩展性。
• 在所有测试场景中，该方法均优于基线方法，尤其在高环境光照条件下（此时干扰最严重）表现更优。