[论文解读] Optimized Deployment of Autonomous Drones to Improve User Experience in Cellular Networks

Hailong Huang, Andrey V. Savkin+2 more|arXiv (Cornell University)|Dec 6, 2017

UAV Applications and Optimization参考文献 16被引用 6

一句话总结

本文提出了一种基于真实街道图的模型，用于在城市蜂窝网络中优化自主无人机的部署，以最大化用户设备（UE）的覆盖范围和用户体验质量。通过整合来自Momo应用的真实UE密度数据，并将无人机在电线杆处充电的电池约束纳入建模，作者提出了四个NP难的无人机部署问题，并采用贪心算法求解，结果表明，考虑能耗的部署策略能显著提升实际性能与网络效率。

ABSTRACT

Modern wireless traffic demand pushes Internet Service Providers to develop effective strategies to improve user experience. Since deploying dense Base Stations (BSs) is not cost efficient, an alternative is to deploy autonomous drones to supplement existing BSs. A street graph is adopted to represent the area of interest. The outdoor User Equipments (UEs) to be served locate near streets and the 2D projections of drones are restricted to streets to avoid collision with buildings. We build up a UE density function based on a real dataset, reflecting the traffic in the area. We study four problems: where to deploy single drone to cover maximum UEs, where to deploy $k$ drones cover maximum UEs subject to an inner drone distance constraint, where to deploy $k$ drones cover maximum UEs subject to inner drone distance constraint and drones' battery constraints, and the minimum drones to cover a given percentage of UEs subject to inner drone distance constraint. We prove that the latter three problems are NP-hard and propose greedy algorithms with theoretical analysis. To our best knowledge, this is the first paper to consider the battery constraints for drone deployments. Extensive simulations have been conducted to verify the effectiveness of our approaches.

研究动机与目标

• 应对城市蜂窝网络中移动数据容量增长和用户体验提升的需求。
• 通过使用自主无人机作为空中基站，克服部署密集固定基站所带来的高成本和低效率问题。
• 构建一个考虑街道级UE分布、无人机在电线杆处充电以及电池能量约束的现实部署模型。
• 制定并求解四个优化问题：单无人机部署、带间距与能量约束的k无人机部署，以及实现目标覆盖的最少无人机部署。
• 提供实用的、考虑能耗的部署策略，以平衡网络容量、无人机效率与实际可操作性。

提出的方法

• 将城市区域建模为街道图，无人机被限制在街道上飞行以避免与建筑物发生碰撞。
• 基于Momo社交发现应用的真实世界数据构建UE密度函数，以反映随时间变化的流量模式。
• 制定四个优化问题：SDD（单无人机）、kDD（带无人机间距离约束的k无人机）、EkDD（考虑能耗与电池及充电约束的k无人机）、MinDD（实现目标覆盖的最少无人机数）。
• 证明kDD、EkDD和MinDD为NP难问题，并提出具有理论性能保证的贪心算法。
• 通过建模无人机飞行时间、在电线杆处充电，以及推导基于时隙的能耗约束（公式20），将电池约束纳入模型，以限制可行的部署位置。
• 在Momo数据集上进行仿真，评估不同飞行速度、覆盖阈值和网络负载下的性能表现。

实验结果

研究问题

• RQ1 如何在街道图上最优部署单个自主无人机，以最大化服务的UE数量？
• RQ2 在无人机间距离与电池约束条件下，如何最优部署k个自主无人机以最大化UE覆盖范围？
• RQ3 能耗约束与在电线杆处充电如何影响无人机定位与网络性能？
• RQ4 为实现特定百分比的UE覆盖，最少需要多少架无人机？该数量如何随流量需求变化而变化？

主要发现

• 能耗感知的无人机部署（EkDD）问题为NP难问题，所提出的贪心算法具有1/2的理论近似比保证。
• 仿真结果表明，更高的无人机飞行速度（如6 m/s）能带来更好的覆盖性能，因为充电时间约束减少，且在速度≥6 m/s时性能趋于稳定。
• 在工作日高峰时段（350个UE），服务UE比例随飞行速度提升而增加，在6 m/s时达到最大值，并在该速度以上保持稳定。
• 为覆盖90%的UE，工作日需约12至15架无人机，而周末因UE密度较低，仅需6至8架。
• 当覆盖目标γ从90%提升至98%时，每架无人机平均服务的UE数减少，表明无人机利用效率呈现递减趋势。
• 网络容量随更高覆盖目标而提升，但周末由于总UE数较少，容量显著降低，凸显了投入（无人机数量）与性能增益之间的权衡。