[论文解读] Predictive Estimation of the Optimal Signal Strength from Unmanned Aerial Vehicle over Internet of Things Using ANN

Saeed Hamood Alsamhi, Ou Ma+1 more|arXiv (Cornell University)|May 19, 2018

UAV Applications and Optimization参考文献 20被引用 21

一句话总结

本文提出一种基于人工神经网络（ANN）的预测模型，用于估计无人机-物联网（UAV-IoT）网络中的最佳信号强度，利用物理层参数减轻衰落和路径损耗。该方法显著降低信号失真，提升服务质量（QoS），同时在动态环境中最小化能耗。

ABSTRACT

This paper proposes an intelligent technique for maximizing the network connectivity and provisioning desired quality of service (QoS) of integration of internet of things (IoT) and unmanned aerial vehicle (UAV). Prediction of the signal strength and fading channel conditions enable adaptive data transmission which turn enhances the QoS for the end users/ devices with reducing the power consumption for data transmissions. UAV is data gathering robot from the difficult or impossible area for humans to reach. Hence, Atmospheric dynamics and environment influence the signal strength during traveling in space among UAV, IoT devices, and humankind. Therefore, Signal moving from the smart UAV is sensitive to the effects of attenuation, reflection, diffraction, scattering, and shadowing. We analysis the ability ANN to predictively estimate the signal strength and channel propagation from the drone and physical medium parameters, using ANN. Moreover, the results show that the distortion of the signal can be reduced and enhanced significantly.

研究动机与目标

• 提升无人机-物联网集成系统中的网络连通性和服务质量（QoS）。
• 实时预测信号强度和信道状况，以实现自适应数据传输。
• 减少无人机到物联网设备链路中由大气动态、反射、 diffraction（衍射）和遮挡引起的信号失真。
• 通过智能信号预测最小化数据传输中的能耗。
• 评估ANN在建模无人机-物联网环境中复杂信号传播方面的有效性。

提出的方法

• 使用距离、高度和环境条件等物理介质参数训练人工神经网络（ANN），以预测信号强度。
• ANN模型学习无人机位置、环境因素与观测到的信号衰减之间的非线性关系。
• 输入特征包括无人机高度、与物联网设备的距离，以及影响路径损耗和衰落的大气效应。
• 网络基于从无人机-物联网链路实验中收集的实测信号强度数据进行训练。
• 该模型预测最优信号强度，以指导无人机航迹规划和发射功率自适应调整。
• 信号预测使传输参数能够动态调整，从而维持可靠的连接。

实验结果

研究问题

• RQ1 在不同环境条件下，ANN能否准确预测无人机-物联网网络中的信号强度？
• RQ2 ANN在估计信道传播特性以减少信号失真方面效果如何？
• RQ3 预测性信号估计在多大程度上可提升无人机-物联网系统的QoS并降低能耗？
• RQ4 哪些物理参数对无人机-物联网链路中信号强度预测精度影响最大？
• RQ5 在动态环境中，基于ANN的方法与传统信号估计技术相比表现如何？

主要发现

• 基于ANN的模型显著降低了无人机-物联网通信链路中的信号失真。
• 预测性估计支持自适应数据传输，提升了整体网络可靠性和QoS。
• 该模型有效缓解了动态大气条件下衰落、遮挡和路径损耗的影响。
• 由于基于预测结果优化了传输参数，数据传输中的能耗得以降低。
• ANN在不同无人机飞行和环境配置下表现出强大的泛化能力，能有效估计信号强度。
• 结果证实，ANN在建模无人机到物联网链路中复杂、非线性的信号传播效应方面具有显著有效性。