[论文解读] Trajectory Optimization and Phase-Shift Design in IRS Assisted UAV Network for High Speed Trains

Yu Min Park, Yan Kyaw Tun+2 more|arXiv (Cornell University)|Jul 2, 2021

Advanced Wireless Communication Technologies参考文献 15被引用 4

一句话总结

该论文提出了一种智能反射面（IRS）辅助的无人机（UAV）网络，通过联合优化UAV轨迹与IRS相位偏移，以最大化所有高速列车（HST）用户的最小可实现数据速率，从而增强高速列车的无线连接性能。采用二值整数线性规划（BILP）进行相位偏移优化，利用软 actor-critic（SAC）强化学习进行轨迹控制，该框架相比固定IRS方案提升高达19.9%的数据速率，相比固定相位偏移方案提升4%，在动态HST环境中展现出卓越性能。

ABSTRACT

The recent trend towards the high-speed transportation system has spurred the development of high-speed trains (HSTs). However, enabling HST users with seamless wireless connectivity using the roadside units (RSUs) is extremely challenging, mostly due to the lack of line of sight link. To address this issue, we propose a novel framework that uses intelligent reflecting surfaces (IRS)-enabled unmanned aerial vehicles (UAVs) to provide line of sight communication to HST users. First, we formulate the optimization problem where the objective is to maximize the minimum achievable rate of HSTs by jointly optimizing the trajectory of UAV and the phase-shift of IRS. Due to the non-convex nature of the formulated problem, it is decomposed into two subproblems: IRS phase-shift problem and UAV trajectory optimization problem. Next, a Binary Integer Linear Programming (BILP) and a Soft Actor-Critic (SAC) are constructed in order to solve our decomposed problems. Finally, comprehensive numerical results are provided in order to show the effectiveness of our proposed framework.

研究动机与目标

• 为解决高速列车（HST）通信中因频繁切换和视距外（NLOS）阻塞导致的间歇性与不可靠连接问题。
• 通过在无人机（UAV）上部署智能反射面（IRS），提升HST用户的无线覆盖范围与数据速率。
• 联合优化UAV轨迹与IRS相位偏移，以最大化所有HST用户中的最小可实现速率，确保公平性与可靠性。
• 通过将联合优化问题分解为可处理的子问题，克服其非凸性与NP难性质。
• 利用强化学习与高效的相位偏移分配，实现实时、自适应响应快速变化的HST环境。

提出的方法

• 系统建模为单输入多输出（SIMO）上行链路场景，其中配备IRS的UAV将基站（BS）信号反射至多个HST，假设信道状态信息（CSI）完美已知。
• 将联合优化问题分解为两个子问题：通过运输问题（TP）建模，利用二值整数线性规划（BILP）求解IRS相位偏移优化。
• UAV轨迹优化被建模为马尔可夫决策过程（MDP），并采用软 actor-critic（SAC）强化学习算法求解，以最大化长期奖励（最小数据速率）。
• BILP模型根据信道质量与路径损耗，将反射单元分配给HST，确保在资源约束下相位偏移的全局最优。
• SAC被训练以学习最优UAV飞行路径，动态适应HST运动，提升速率公平性与覆盖范围。
• 该框架将实时相位偏移分配与自适应UAV移动性相结合，实现对HST移动性的动态、低时延响应。

实验结果

研究问题

• RQ1 在视距外环境中，IRS辅助的UAV如何提升高速列车用户的最小可实现数据速率？
• RQ2 在HST通信中，UAV轨迹优化与IRS相位偏移设计对系统性能的相对影响如何？
• RQ3 强化学习能否有效实现实时优化高速移动HST的UAV轨迹？
• RQ4 IRS反射单元数量如何影响系统的容量与计算复杂度？
• RQ5 联合优化UAV轨迹与IRS相位偏移在多大程度上优于固定或随机配置？

主要发现

• 所提方法相比固定IRS系统，最小数据速率提升19.9%，证明了动态相位偏移优化的有效性。
• 系统相比固定相位偏移配置提升4%，凸显自适应IRS波束成形的重要性。
• 基于强化学习的UAV轨迹优化显著优于固定高度UAV方案，尤其在高移动性场景中表现更优。
• 基于BILP的相位偏移分配确保了反射单元分配的全局最优性，但计算成本随反射单元数量增加而上升。
• 最优UAV高度随HST位置与路径损耗动态变化，200米并非所有场景下的最优选择，证实了自适应控制的必要性。
• 所提算法在SAC训练中实现收敛，奖励随训练轮次增加而上升，损失下降，表明策略学习有效。