[论文解读] Energy Aware Trajectory Optimization for Aerial Base Stations

Jingcong Sun, Christos Masouros|arXiv (Cornell University)|Jan 23, 2019

UAV Applications and Optimization参考文献 25被引用 4

一句话总结

本文提出一种结合连续凸优化与块坐标下降的迭代算法，联合优化能量受限的空中基站的无人机轨迹与用户调度，相较于基准方案，覆盖概率最高提升50%，能耗降低20%，并通过稳健技术补偿用户位置信息不准确带来的影响。

ABSTRACT

By fully exploiting the mobility of unmanned aerial vehicles (UAVs), UAV-based aerial base stations (BSs) can move closer to ground users to achieve better communication conditions. In this paper, we consider a scenario where an aerial BS is dispatched for covering a maximum number of ground users before exhausting its on-board energy resources. The resulting trajectory optimization problem is a mixed integer non-linear problem (MINLP) which is non-convex and is challenging to solve. As such, we propose an iterative algorithm which decomposes the problem into two sub-problems by applying both successive convex optimization and block coordinate descent techniques to solve it. To be specific, the trajectory of the aerial BS and the user scheduling and association are alternately optimized within each iteration. In addition, to achieve better coverage performance and speed up convergence, the problem of designing the initial trajectory of the UAV is also considered. Finally, to address the unavailability of accurate user location information (ULI) in practice, two different robust techniques are proposed to compensate the performance loss in the existence of inaccurate ULI. Simulation results show both energy and coverage performance gains for the proposed schemes compared to the benchmark techniques, with an up to 50% increase in coverage probability and an up to 20% reduction in energy.

研究动机与目标

• 在机载能量耗尽前，最大化单个空中基站可覆盖的地地面用户数量。
• 解决在非凸、混合整数、非线性约束条件下联合轨迹与用户调度优化的挑战。
• 通过精心设计的初始轨迹，提升收敛速度与覆盖性能。
• 补偿因用户位置信息（ULI）不准确在实际部署中导致的性能下降。

提出的方法

• 将问题建模为带有能量与飞行约束的混合整数非线性规划（MINLP）。
• 应用连续凸优化，迭代地将非凸轨迹子问题近似为凸问题。
• 使用块坐标下降法，在每次迭代中交替优化无人机轨迹与用户调度/关联。
• 设计一种初始轨迹（CIT与DIT），以确保用户公平接入并加速收敛。
• 引入两种稳健技术——最坏情况（WC）与最大余量数据法（MEDM），以减轻因用户位置信息不准确导致的性能损失。
• 将推进功率建模为速度与加速度的函数，以精确捕捉飞行过程中的能耗。

实验结果

研究问题

• RQ1 如何联合优化无人机轨迹与用户调度，在严格能量与飞行约束下最大化覆盖用户数？
• RQ2 初始轨迹设计对能量受限无人机部署中收敛速度与覆盖性能有何影响？
• RQ3 用户位置信息不准确如何降低系统性能，何种机制可有效补偿此损失？
• RQ4 在迭代轨迹优化算法中，能效、覆盖增益与收敛速度之间存在何种权衡？
• RQ5 当用户位置信息不准确时，稳健设计技术能在多大程度上恢复系统性能？

主要发现

• 所提出的IA-DIT算法在相同能量预算下，覆盖概率最高比基准方案提升50%。
• 与传统方法相比，所提方案的能耗最多降低20%。
• 所设计的初始轨迹（DIT）显著缩短收敛时间，IA-DIT最多仅需9次迭代即可收敛，而IA-CIT需15次。
• 在用户位置信息不准确时，若无稳健技术，覆盖概率约下降25%；但MEDM与WC方法几乎完全补偿了该损失。
• 当机载能量增加时，WC与MEDM技术均能实现更高的覆盖增益，且MEDM在所有能量水平下均比WC高出约7%。
• 在短时间周期内，IA-DIT因采用更快速、更灵活的机动动作，能耗高于IA-CIT；但随着时长增加，IA-CIT的能耗增长更快，在T = 80s时已超过IA-DIT。