[论文解读] Power Efficient Visible Light Communication (VLC) with Unmanned Aerial Vehicles (UAVs)

Yang Yang, Mingzhe Chen+3 more|arXiv (Cornell University)|May 10, 2019

Optical Wireless Communication Technologies参考文献 9被引用 8

一句话总结

该论文提出了一种针对配备VLC的无人机的节能部署框架，通过联合优化无人机位置与用户关联，最小化发射功率，同时满足照明和数据速率约束。通过将问题分解为最小包围圆和最小聚类子问题，并迭代优化解，该方法相比固定位置基线方案，总功耗至少降低53.8%。

ABSTRACT

A novel approach that combines visible light communication (VLC) with unmanned aerial vehicles (UAVs) to simultaneously provide flexible communication and illumination is proposed. To minimize the power consumption, the locations of UAVs and the cell associations are optimized under illumination and communication constraints. An efficient sub-optimal solution that divides the original problem into two sub-problems is proposed. The first sub-problem is modeled as a classical smallest enclosing disk problem to obtain the optimal locations of UAVs, given the cell association. Then, assuming fixed UAV locations, the second sub-problem is modeled as a min-size clustering problem to obtain the optimized cell association. In addition, the obtained UAV locations and cell associations are iteratively optimized multiple times to reduce the power consumption. Numerical results show that the proposed approach can reduce the total transmit power consumption by at least 53.8% compared to two baseline algorithms with fixed UAV locations.

研究动机与目标

• 解决VLC与无人机网络中联合优化的缺失问题，实现通信与照明的同步优化。
• 在严格的用户数据速率和照度水平约束下，最小化VLC赋能无人机网络的总发射功率。
• 开发一种可扩展的次优解法，通过解耦无人机位置与小区关联优化，实现可计算性。
• 通过迭代优化无人机位置与用户关联，实现显著的功耗节省。
• 为搜救、灾难恢复和城市安全等实际应用场景提供实用的部署框架。

提出的方法

• 采用两阶段次优方法，建立在照明与通信约束下的功耗最小化问题。
• 将无人机位置优化建模为经典的最小包围圆问题，以最小化到关联用户的最大距离。
• 固定无人机位置后，使用贪心算法将小区关联问题建模为最小聚类问题求解。
• 应用随机增量构造法，高效计算无人机部署的最小包围圆。
• 通过迭代交替优化无人机位置与用户关联，提升收敛性与功耗效率。
• 采用包含距离、入射角和光学聚光器增益的VLC信道增益模型，准确反映链路质量。

实验结果

研究问题

• RQ1 如何联合优化无人机位置与用户关联，以最小化VLC赋能无人机网络中的功耗？
• RQ2 照度约束对无人机VLC系统所需发射功率有何影响？
• RQ3 与固定位置方案相比，无人机位置与小区关联的迭代优化如何提升功耗效率？
• RQ4 在满足用户数据速率与照度要求的前提下，无人机部署的灵活性在多大程度上可降低总功耗？
• RQ5 在多无人机VLC网络中，联合优化无人机部署与用户关联可实现多大的性能提升？

主要发现

• 所提算法相比固定无人机位置的静态基线算法，总发射功耗至少降低53.8%。
• 在无人机高度为8米时，所提方案的功耗比静态算法1（SA1）低57.14%，比静态算法2（SA2）低60%。
• 在更高海拔（如12米）时，性能增益进一步提升，因覆盖范围更大，所需无人机数量更少，功耗效率更高。
• 该算法在所有测试场景中均成功满足所有用户的速率与照度约束，部分用户恰好达到阈值。
• 迭代优化过程收敛至稳定解，表明在动态部署环境中具备鲁棒性与可扩展性。
• 采用最小包围圆方法进行无人机部署，显著优于基于中心的部署方案，尤其在用户分布非均匀时。