Mobility Management for Cellular-Connected UAVs: A Learning-Based Approach
无线蜂窝网络的普及性可以是在没有人类控制的情况下在超视距场景中部署自主无人驾驶飞行器（UAV）的关键使能器。然而，传统的蜂窝网络针对地面用户设备（GUE）（例如智能手机）进行了优化，这使得为飞行的UAV提供连接变得非常具有挑战性。此外，由于复杂的空对地路径损耗模型，确保与移动的蜂窝连接无人机的更好连接是非常困难的。在本文中，提出了一种新的机制，以确保强大的无线连接和移动性支持蜂窝连接的无人机通过调整所有的GBS的下倾角（DT）的角度。通过利用强化学习（RL）的工具，DT角度通过使用无模型RL算法进行动态调整。目标是通过最大化无人机的接收信号质量，同时保持地面用户的良好吞吐量性能，在空中提供有效的移动性支持。仿真结果表明，建议的RL为基础的移动性管理（MM）技术可以减少的数量，同时保持性能目标，相比基线MM计划，其中网络总是保持DT角固定。
2020-03-10 eess.SP
6D Movable Antenna Enhanced Interference Mitigation for Cellular-Connected UAV Communications
本文提出利用6DMA阵列增强蜂窝连接无人机通信的干扰抑制，通过BCD算法联合优化天线位置、阵列旋转、接收波束成形及关联基站以最大化SINR，显著优于传统FPA及基准方案。
2024-09-20 eess.SP
Reinforcement Learning for Decentralized Trajectory Design in Cellular UAV Networks with Sense-and-Send Protocol
近年来，无人机（UAV）在蜂窝网络实时传感应用中得到了广泛的应用，它可以感知任务的状态，并将实时传感数据传输到基站（BS）。无人机的性能取决于其感测和传输过程的性能，而感测和传输过程又受无人机轨迹的影响。然而，由于无人机工作在动态环境中，因此有效地设计其轨迹是具有挑战性的。为了应对这一挑战，本文采用强化学习框架以分散方式解决无人机轨迹设计问题。为了协调多个无人机执行实时传感任务，我们首先提出了一个感测和发送协议，并使用嵌套马尔可夫链分析成功的有效数据传输的概率。然后，我们制定了分散的轨迹设计问题，并提出了一种增强的多无人机Q学习算法来解决这个问题。仿真结果表明，在实时任务感知场景下，所提出的增强型多无人机Q学习算法收敛速度更快，对无人机具有更高的效用。
2018-09-09 eess.SP
Cellular Coverage-Aware Path Planning for UAVs
到目前为止，无人机（UAV）的路径规划主要集中在能源效率的优化上。然而，为了安全地操作无人机，无线覆盖至关重要。目前，由于大量的小区间干扰，所部署的蜂窝网络通常对空中用户表现出不足的性能。此外，考虑到无休止的密集化趋势，无人机所经历的干扰水平在未来只会增加。为了无人机轨迹规划的目的，应考虑无线覆盖，以减轻干扰并降低危险的连接中断风险。在本文中，几个路径规划策略，提出和评估，以优化无人机的无线覆盖。使用真实3D地图的模拟器用于评估4G和5G场景的拟议算法。我们表明，所提出的覆盖感知A* 算法，它改变了无人机的飞行高度，是能够提高3-4dB的平均信干噪比和降低蜂窝中断概率的一个因素10。此外，仍然发生的停电时间缩短了60%，因此导致有害事故的风险降低。
2019-05-08 eess.SP
Energy Efficiency of RSMA and NOMA in Cellular-Connected mmWave UAV Networks
由于各种实际用例，蜂窝连接无人机（无人机）最近受到了广泛关注，例如，监控、数据收集、采购交付以及其他应用。由于无人机是低功率节点，因此能量和频谱高效通信至关重要。为此，多址接入（MA）方案可以在实现高能量效率和频谱效率方面发挥重要作用。在这项工作中，我们介绍了速率分裂MA（RSMA）和非正交MA（NOMA）计划在蜂窝连接的无人机网络。特别是，我们调查的能量效率的RSMA和NOMA计划中的毫米波（毫米波）下行链路传输的情况。此外，我们优化预编码向量的两个方案，明确考虑到3GPP天线传播模式。数值计算结果表明，RSMA在整体能量效率方面优于NOMA。
2019-02-13 eess.SP
Interference Management in UAV-assisted Integrated Access and Backhaul Cellular Networks
集成接入和回程（IAB）网络架构可以实现下一代蜂窝网络的灵活和快速部署。然而，接入和回程链路之间的相互干扰、站点间距离小以及用户分布的空间动态性对IAB网络的实际部署提出了重大挑战。为了解决这些问题，我们利用无人机（UAV）作为悬停IAB节点的飞行能力，并提出了一种干扰管理算法，以最大限度地提高IAB网络的总速率。特别是，我们共同优化用户和基站的关联，接入和回程传输的下行链路功率分配，以及无人机的空间配置。我们考虑两种无人机的空间配置模式：分布式无人机和无人机天线阵列（DAA），并显示它们是如何交织在一起的地面用户的空间分布。我们的数值结果表明，所提出的算法实现了$2.9\times$和$6.7\times$增益的平均接收下行链路信号干扰加噪声比（SINR）和整体网络的总和速率，分别。最后，数值结果表明，无人机不仅可以用于覆盖范围的改善，但也用于容量提升IAB蜂窝网络。
2019-07-25 eess.SP
Trajectory Optimization for Cellular-Enabled UAV with Connectivity and Battery Constraints
针对蜂窝联网无人机在连通性与电池约束下的路径规划问题，提出将问题转化为两级图论最短路径搜索的算法，能以多项式复杂度生成最优轨迹，还拓展了能耗最小化、载荷最大化两类目标的多项式时间最优算法。
2025-06-18 eess.SP
Effects of 3D Antenna Radiation and Two-Hop Relaying on Optimal UAV Trajectory in Cellular Networks
针对干扰受限的带内下行蜂窝网络，研究了调度准则、移动性约束、路径损耗模型、回程约束和三维天线辐射方向图对无人机（UAV）轨迹优化问题的影响。特别是，我们考虑一架无人机，其任务是在给定的时间内在两个地点之间飞行（例如，用于交付或监视目的），并且我们认为这种UAV可以通过充当地面网络的中继来用于改善移动用户的蜂窝连接。由于优化问题难以数值求解，我们探讨了动态规划（DP）技术，找到最佳的无人机轨迹。我们利用地面网络的容量和覆盖性能，同时研究不同技术和现象的所有影响。大量的仿真结果表明，最大和速率轨迹提供了最好的每用户容量，而最佳比例公平（PF）速率轨迹提供了更高的覆盖概率比其他两个。由于运动学约束的限制，无人机不能急转弯，因此生成的轨迹对无人机来说是不可行的，因此我们使用贝塞尔曲线生成平滑的轨迹。我们的研究结果表明，使用贝塞尔曲线的细胞容量接近使用最佳轨迹时观察到的容量。
2019-03-03 eess.SP
Mobility State Detection of Cellular-Connected UAVs based on Handover Count Statistics
为了确保空中用户设备（UE）的可靠和有效的移动性管理，估计蜂窝连接的无人机（UAV）的速度至关重要，因为这可以帮助提高蜂窝网络的服务质量。3GPP LTE标准使用UE在预定义时间段期间进行的切换的数量来有效地估计速度和移动性状态。在本文中，我们引入了一个近似的切换计数（HOC）的概率质量函数的蜂窝连接的无人机的高度和速度，HOC测量时间窗口，和不同的地面基站（GBS）密度的函数。然后，我们推导了无人机速度估计的Cramer-Rao下界（CRLB），并给出了一个简单的有偏估计的无人机的速度依赖于GBS密度和HOC测量周期。有趣的是，对于低触发时间（TTT）参数，有偏估计量变成了最小方差无偏估计量（MVUE）。通过利用这个速度估计器，我们研究了根据LTE规范检测无人机的移动性状态为低、中、高移动性的问题。使用CRLB和我们提出的MVUE，我们表征的准确性提高速度估计和移动状态检测的GBS密度和HOC测量窗口的增加。我们的分析还表明，所提出的估计的准确性并没有显着变化的TTT参数。
2022-06-27 eess.SP
Deep Reinforcement Learning for Dynamic Band Switch in Cellular-Connected UAV
为蜂窝连接的无人机（UAV）提供可靠的连接和移动性支持的发射频率的选择引入了若干挑战。传统的6 GHz以下网络针对地面用户（UE）进行了优化。工作在毫米波（mmWave）波段将提供高容量但高度间歇的链路。为了在最小化飞行时间和无线电故障次数的加权函数的同时到达目的地，本文提出了一种无人机联合轨迹和波段切换方法。通过利用双深度Q学习，我们开发了两种不同的方法来学习轨迹，除了管理波段切换。第一盲方法在UAV-UE吞吐量低于预定义阈值的任何时候沿着轨迹切换频带。此外，我们提出了一种智能的方法，同时学习的无人机和波段切换的路径规划。这两种方法进行了比较，在无线电故障和频带开关不同的阈值方面的最佳频带切换策略。结果表明，智能方法是能够在高阈值制度，以减少无线电故障和频带切换的数量，同时达到所需的目的地。
2021-08-26 eess.SP
Radio Resource Management for Cellular-Connected UAV: A Learning Approach
将无人机（UAV）集成到现有蜂窝网络中遇到了许多挑战，其中最引人注目的问题之一是如何实现空中收发器（尤其是UAV）和地面用户设备（UE）的和谐共存。在本文中，蜂窝连接的无人机网络的重点，其中多个无人机接收来自基站（BS）的消息在下行链路中，而BS服务于地面UE在其小区。为了有效地管理由于时频资源块（RB）资源的密集重用而导致的UE之间的小区间干扰（ICI），提出并采用了第一基于$p$层的RB协调准则。然后，为了提高无人机的无线传输质量，同时保护地面UE免受地面到空中（G2 A）传输的干扰，联合动态RB协调和时变波束形成设计的无线电资源管理（RRM）问题，最小化无人机的遍历中断持续时间（EOD）的研究。为了解决传统优化技术在解决RRM问题时的效率低下问题，提出了一种深度强化学习（DRL）辅助解决方案，其中调用深度双重决斗Q网络（D3 QN）和双延迟深度确定性策略梯度（TD 3）分别处理离散动作域中的RB协调和连续动作域中的波束成形设计。混合D3 QN-TD 3解决方案通过以在线集中方式与所考虑的外部和内部环境进行交互来训练，以便它可以在其离线分散开发阶段帮助实现次优的EOD最小化性能。仿真结果表明，所提出的混合D3 QN-TD 3算法的有效性，相比，几个代表性的基线。
2022-12-10 eess.SP
A Survey on Cellular-connected UAVs: Design Challenges, Enabling 5G/B5G Innovations, and Experimental Advancements
作为空中机器人的一个新兴领域，无人机（UAV）在无线网络研究界获得了极大的研究兴趣。一旦国家立法允许无人机自主飞行，我们将看到成群的无人机在智慧城市的天空中完成不同的任务：包裹递送，基础设施监控，事件拍摄，监视，跟踪等无人机生态系统可以从现有的5G/B5 G蜂窝网络中受益，可以通过不同的方式来增强无人机通信。由于无人机在3D空间中灵活移动、自主操作和智能放置的固有特性，这些智能设备满足了广泛的无线应用和用例。这项工作旨在深入探索5G/B5 G蜂窝系统和无人机技术之间的集成协同作用，其中无人机作为新的空中用户设备（UE）集成到现有的蜂窝网络中。在这种集成中，无人机在蜂窝覆盖范围内扮演飞行用户的角色，因此它们被称为蜂窝连接的无人机（也称为蜂窝连接的无人机）。UAV-UE、无人机-UE、5G连接的无人机或空中用户）。这项工作的主要重点是对集成挑战进行广泛的研究，以及关键的5G/B5 G技术创新，以及在设计原型和现场试验方面的持续努力，以证实蜂窝连接无人机。这项研究强调了3GPP标准化方面的最新进展，并强调了在成功采用这项有前途的技术之前必须考虑的社会经济问题。各种开放的问题铺平了道路，未来的研究机会也进行了讨论。
2020-05-02 cs.NI eess.SP
An Experimental Study on Fine-Grained Bistatic Sensing of UAV Trajectory via Cellular Downlink Signals
Southern University of Science and Technology（南方科技大学）
本文提出利用LTE下行信号进行无人机轨迹双程感知，通过多角度多普勒测量实现高精度轨迹跟踪。
2026-02-09 eess.SP
DQN-based Beamforming for Uplink mmWave Cellular-Connected UAVs
无人机（UAV）是毫米波（mmWave）无线系统的新兴重要部件。精确的波束对准对于UAV与基站（BS）的高效的基于波束的毫米波通信至关重要。由于无人机的高机动性和自主操作，传统的波束扫描方法通常具有较大的开销。基于学习的方法通过利用无人机数据（如位置）来识别最佳波束方向，大大减少了开销。在本文中，我们提出了一种基于强化学习（RL）的框架，用于在毫米波环境中使用深度Q网络（DQN）进行UAV-BS波束对准。我们考虑上行链路通信，其中无人机在5G新无线电（NR）BS覆盖区域周围盘旋，具有不同的信道条件。所提出的学习框架使用的位置信息，以最大限度地提高数据速率，通过最佳的波束对有效地，在每个通信请求从无人机内部的多位置环境。我们将我们提出的框架与基于多臂强盗（MAB）学习的方法和传统的穷举方法进行了比较，并分析了基于DQN的波束对准在不同覆盖区域要求和信道条件下的训练性能。我们的研究结果表明，所提出的基于DQN的光束对准收敛速度更快，适用于不同的环境条件。该框架还可以在实时条件下以在线方式学习与穷举方法相当的最佳波束对准。
2021-10-12 eess.SP
Coverage Analysis for Energy-Harvesting UAV-assisted mmWave Cellular Networks
在本文中，我们联合考虑了无人机（UAV）辅助的毫米波（mmWave）蜂窝网络中的下行链路同时无线信息和功率传输（SWIPT）和上行链路信息传输，其中用户设备（UE）位置使用泊松聚类过程（例如，Thomas簇过程或Matérn簇过程）。毫米波通信的区别特征，如视线（LOS）和非LOS（NLOS）链路和定向传输的不同路径损耗模型被考虑在内。在下行链路阶段，研究了不同层次的无人机与地面基站的关联概率和能量覆盖。此外，我们定义了一个成功的传输概率，共同提出的能量和信号干扰噪声比（SINR）的覆盖范围，并提供一般表达式。在上行链路阶段，我们考虑每个UAV从其自己的集群成员UE接收信息的场景。我们确定的干扰分量的拉普拉斯变换和表征的上行链路SINR覆盖。此外，我们制定的平均上行链路吞吐量，以确定最佳的时分复用之间的下行链路和上行链路阶段的目标。通过数值计算，我们研究了关键系统参数对性能的影响。我们表明，网络的性能得到改善时，集群的大小变得更小。此外，我们分析了最佳无人机高度，最佳功率分配值和最佳时分复用，最大限度地提高网络的性能。
2019-10-22 eess.SP
Power Allocation for Fingerprint-Based PHY-Layer Authentication with mmWave UAV Networks
物理层安全（PLS）技术可以帮助保护无线网络免受窃听者攻击。在本文中，我们考虑使用指纹嵌入来保护5G蜂窝网络的身份验证技术，无人机（UAV）系统来自窃听者和入侵者。由于毫米波（mmWave）蜂窝网络使用窄且定向的波束，因此PLS可以进一步利用3D空间维度来改进UAV用户的认证。考虑到多用户毫米波蜂窝网络，我们提出了一种功率分配技术，该技术联合考虑到预编码器和认证标签之间的发射功率的分裂，该分裂管理保密性和可实现的速率。我们的结果表明，我们可以获得最佳的可达速率与期望的保密性。
2020-11-02 eess.SP
Caching to the Sky: Performance Analysis of Cache-Assisted CoMP for Cellular-Connected UAVs
为空中用户提供连接，例如蜂窝连接的无人机（UAV）或飞行出租车，是未来蜂窝系统的关键挑战。在本文中，使用协同多点（CoMP）传输以及高速缓存提供无缝连接到空中用户进行了研究。特别地，考虑了服务于空中用户的集群的高速缓存使能的小型基站（SBS）的网络，其中空中用户所请求的内容从协作的地面SBS协作地发送。对于这个网络，一个新的上界表达式的覆盖概率推导出系统参数的函数。各种系统参数，如协作距离和内容的可用性上可实现的性能的影响进行了研究。结果表明，当基站天线向下倾斜时，无论采用何种传输方案，高空空中用户的覆盖概率都与地面用户的覆盖概率有上界。此外，它表明，对于一个低的信号干扰比（SIR）阈值，CoMP传输提高了空中用户的覆盖概率从10%到70%的合作距离为200米。
2018-11-24 eess.SP
Ruin Theory for Energy-Efficient Resource Allocation in UAV-assisted Cellular Networks
无人机（UAV）可以为提高地面无线蜂窝网络的覆盖范围、容量和整体性能提供有效的解决方案。特别是，无人机辅助蜂窝网络可以满足第五代新无线电（5G NR）应用的严格性能要求。本文研究了在5G NR应用的可靠性和时延约束下，无人机辅助蜂窝网络的节能资源分配问题。破产理论的框架，允许太阳能无人机捕捉收获和消耗的能量的动态。首先建立了无人机剩余功率模型，然后利用剩余功率计算无人机的破产概率。破产概率表示无人机能量耗尽的脆弱性。接下来，破产的概率是用于有效的用户关联与每个无人机。然后，使用注水方法执行5G NR应用的功率分配以最大化可实现的网络速率。仿真结果表明，与基于信干噪比的方案相比，该方案可使无人机飞行持续时间提高61%，服务用户数提高58%.
2020-06-01 cs.NI eess.SP
Fusing Channel and Sensor Measurements for Enhancing Predictive Beamforming in UAV-Assisted Massive MIMO Communications
本文提出融合信道与传感器数据，利用扩展卡尔曼滤波和预测波束赋形框架，提升无人机大规模MIMO通信的波束对齐精度与频谱效率。
2023-12-29 eess.SP
Performance Evaluation of UAV-enabled Cellular Networks with Battery-limited Drones
无人飞行器（UAV）可以用作飞行基站（BS）以卸载热点中的宏BS。然而，由于机载电池有限，无人机通常可以持续运行不到1.5小时。之后，UAV必须飞回专用充电站，该专用充电站对UAV的电池进行再充电/更换。在本文中，我们研究了无人机使能蜂窝网络的性能，同时捕捉的空间分布的充电站的影响。特别是，我们使用工具从随机几何推导出的覆盖概率的无人机使能的蜂窝网络的电池大小的函数，充电站的密度，以及充电/更换电池所需的时间。
2020-07-01 cs.IT eess.SP math.IT
Sensing-assisted Accurate and Fast Beam Management for Cellular-connected mmWave UAV Network
本文提出感知辅助波束管理方法，利用视觉域信息结合集成感知通信与计算机视觉技术，通过扩展卡尔曼滤波和双重身份关联，降低毫米波无人机网络的初始接入延迟并提升跟踪与通信性能。
2023-10-12 eess.SP
Cellular UAV-to-Device Communications: Trajectory Design and Mode Selection by Multi-agent Deep Reinforcement Learning
在当前用于感测服务的无人飞行器系统（UAS）中，无人飞行器（UAV）通过未授权频谱将其感测数据发送到地面移动设备。然而，由于机会主义的信道接入，来自周围终端的干扰是不可控的。在本文中，我们考虑了一个蜂窝互联网的无人机，以保证服务质量（QoS），传感数据可以传输到移动设备的无人机到设备（U2 D）通信通过蜂窝网络，或直接通过基站（BS）。由于无人机的感知和传输会影响其飞行轨迹，本文研究了考虑感知和传输的无人机飞行轨迹设计问题。这是一个具有较大状态-动作空间的马尔可夫决策问题（MDP），因此，我们利用多智能体深度强化学习（DRL）来近似状态-动作空间，然后提出一种多无人机轨迹设计算法来解决这个问题。仿真结果表明，该算法比策略梯度算法和单智能体算法具有更高的总效用。
2020-03-12 cs.NI eess.SP
Fusion of Cellular ISAC and Passive RF Sensing for UAV Detection and Tracking
本文提出了一种融合被动RF传感和雷达的无人机检测与跟踪系统，通过卡尔曼滤波器整合异步观测结果，提升跟踪精度和覆盖范围。
2025-12-16 eess.SP
UAV-Assisted Coverage Hole Detection Using Reinforcement Learning in Urban Cellular Networks
针对城市高层建筑导致蜂窝网络出现覆盖盲区的问题，提出一种基于强化学习的无人机自主检测方法。该方法利用局部地图和实测信号强度动态寻路避障，实验证明其性能优于传统几何方法，且在有限测量下接近理论上限。
2025-04-01 eess.SP
Spectrum Sharing Strategies for UAV-to-UAV Cellular Communications
在这篇文章中，我们考虑一个蜂窝网络部署，其中无人机到无人机（U2 U）发射-接收对与蜂窝地面用户（GUE）的上行链路（UL）共存。我们的分析集中于比较两种频谱共享机制：i）覆盖，其中可用的时间-频率资源被分成用于U2 U和GUE通信的正交部分，以及ii）重叠，其中相同的资源可以由两种链路类型访问，导致相互干扰。我们评估所有链路的覆盖概率和速率及其相互作用，以确定最佳频谱共享机制。除其他事项外，我们的研究结果表明，在大量的无人机对的情况下，采用重叠频谱共享似乎是最合适的方法，以保持最低的保证率为无人机和高GUE UL性能。我们还发现，增加U2 U链路的密度会降低其覆盖率，其中无人机只接收来自其他无人机的干扰，但在GUE产生的干扰的影响占主导地位的情况下，并不显着。
2020-08-18 cs.IT eess.SP math.IT
Open-Source Software Radio Platform for Research on Cellular Networked UAVs -- It Works!
蜂窝网络连接的无人机（UAV）经历与地面上的无线电节点不同的无线电传播条件。因此，从理论上和通过现场试验来研究航空无线电的性能变得至关重要。在本文中，我们考虑低海拔的空中节点，由实验蜂窝网络服务。我们提供了一个详细的硬件和软件组件的描述，需要建立一个宽带无线测试平台，无人机通信研究使用软件无线电。结果表明，无人机通信和网络创新的试验平台是可行的，具有商业现成的硬件，开源软件和低功耗信令。
2021-12-11 cs.AR cs.NI eess.SP
Joint Beamforming, User Association, and Height Control for Cellular-Enabled UAV Communications
为空中用户（例如无人机（UAV））提供可靠和无缝的移动性是下一代蜂窝系统的关键挑战。为了应对这一挑战，我们提出了一个联合波束成形，用户关联，无人机高度控制框架的蜂窝连接多无人机网络与多天线基站（BS）。在多个地面用户设备速率约束条件下，以最大化无人机最小可达速率为目标，设计了一种分层双层迭代算法，对基站波束形成向量、无人机关联矩阵和无人机高度进行联合优化。在内层迭代中采用投影梯度法，在外层迭代中采用几何规划建模加凹凸法，证明了算法收敛于局部最优解。考虑到无人机的移动特性，我们还利用我们提出的算法不完美的信道估计的情况下。数值结果表明，与传统的最邻近关联算法相比，该算法在理想和非理想信道估计情况下均能提高无人机的最小可达速率。此外，我们还研究了无人机的最小可达速率和频率之间的权衡与单移动无人机更新优化变量。
2020-02-16 cs.IT eess.SP math.IT
Adaptive Height Optimisation for Cellular-Connected UAVs using Reinforcement Learning
Trinity College Dublin（都柏林圣三一学院）；Virginia Tech（弗吉尼亚理工大学）
为蜂窝连接的无人机提供可靠的连接可能非常具有挑战性;它们的性能在很大程度上取决于周围环境的性质，例如地面BS的密度和高度。另一方面，高层建筑物可能阻挡来自地面BS的不期望的干扰信号，从而改善UAV与其服务BS之间的连接性。为了解决无人机在这种环境中的连通性问题，本文提出了一种RL算法，用于动态优化无人机在环境中移动时的高度，其目标是增加其所经历的吞吐量或频谱效率。所提出的解决方案在两种情况下进行评估：使用一系列生成的环境，我们在其中改变BS的数量和建筑密度，并在一个场景中使用从爱尔兰都柏林的实验中获得的真实数据。结果表明，我们提出的基于RL的解决方案提高了6%至41%的无人机的QoS，这取决于场景。我们还得出结论，当飞行高度高于建筑物，建筑物密度的变化对无人机的QoS没有影响。另一方面，BS密度会对UAV QoS产生负面影响，BS数量越多，产生的干扰越多，UAV性能越差。
2022-04-13 cs.LG eess.SP
Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points
无人机（UAV）有望成为下一代通信的固有组成部分，因为它们可以被部署为向地面用户提供无线连接，以补充现有的地面网络。大多数关于使用UAV接入点进行蜂窝覆盖的现有研究考虑旋翼UAV设计（即四轴飞行器）。然而，我们预计固定翼无人机在需要长时间飞行的情况下（例如农村覆盖）更适合用于连接目的，因为与旋翼设计相比，固定翼无人机依赖于更节能的飞行形式。由于固定翼无人机通常无法悬停到位，其部署优化涉及优化其单独的飞行轨迹，使其能够以节能的方式为地面用户提供高质量的服务。在本文中，我们提出了一种多智能体深度强化学习方法，以优化固定翼无人机蜂窝接入点的能效，同时仍允许它们为地面用户提供高质量的服务。在我们的分散方法中，每个无人机都配备了一个决斗深度Q网络（DDQN）代理，可以在一系列时间步长内调整无人机的3D轨迹。通过与邻居协调，无人机以优化整个系统能源效率的方式调整各自的飞行轨迹。我们对一系列启发式轨迹规划策略的性能进行基准测试，并证明我们的方法可以提高系统的能源效率高达70%。
2021-11-03 cs.LG eess.SP
REQIBA: Regression and Deep Q-Learning for Intelligent UAV Cellular User to Base Station Association
无人机（UAV）正在成为下一代蜂窝网络的重要用户。通过在天空中操作，无人机用户体验到与地面用户非常不同的无线电条件，这是由于诸如强视距（LoS）信道（和干扰）和基站（BS）天线未对准等因素。因此，UAV可能经历其接收的服务质量的显著降级，特别是当它们正在移动并且受到频繁的干扰时。解决方案是让无人机能够感知其周围环境，并利用这种感知智能地连接到蜂窝网络。在本文中，我们提出了智能无人机蜂窝用户到基站关联（REQIBA）的回归和深度Q学习，这是一种允许无人机在城市上空飞行的解决方案，使用有关接收信号功率，BS位置和周围建筑物拓扑的信息智能连接到底层BS。我们演示了如何REQIBA可以多达一倍的无人机总吞吐量相比，启发式关联方案类似于那些常用的地面用户。我们还评估了环境因素（如无人机高度、建筑密度和由于无人机造成的吞吐量损失）如何影响我们的解决方案的性能。
2021-11-03 cs.IT eess.SP math.IT
Coverage Analysis for Cellular-Connected Random 3D Mobile UAVs with Directional Antennas
这封信提出了一个分析框架，以评估蜂窝连接的无人机（UAV）网络的覆盖性能，其中无人机用户设备（UAV-UE）配备有定向天线，并根据三维（3D）移动模型移动。配备有实际下倾天线的地面基站（GBS）根据泊松点过程（PPP）分布。从随机几何的工具，我们推导出切换概率和覆盖概率的最强平均接收信号强度（RSS）关联策略下的随机UAV-UE。所提出的分析框架允许调查UAV-UE天线波束宽度，移动速度，小区关联和垂直运动的切换概率和覆盖概率的影响。我们得出结论，最佳UAV-UE天线波束宽度随着GBS密度而减小，并且在稀疏网络场景中，全向天线模型是优选的。此外，最强平均RSS关联相对于最近关联的优越性随着GBS密度的增加而减小。
2022-11-27 cs.NI eess.SP
Sensing and Communication Tradeoff Design for AoI Minimization in a Cellular Internet of UAVs
在本文中，我们考虑了蜂窝互联网的无人机（UAV），其中无人机感测数据的多个任务，并将数据传输到基站（BS）。为了量化BS数据的“新鲜度”，我们引入了信息时代（AoI）的概念。AoI由UAV感测时间和UAV传输时间确定，并且在给定的时间段内引起权衡。为了最小化AoI，我们制定了联合感知时间、传输时间、无人机轨迹和任务调度优化问题。为了解决这个问题，我们首先提出了一种迭代算法来优化传感时间，传输时间和无人机轨迹，以完成特定的任务。之后，我们设计的顺序，无人机执行多个传感任务的数据更新。分析了该算法的收敛性和复杂度，以及无人机感知和无人机传输之间的权衡。仿真结果验证了该算法的有效性。
2020-02-01 cs.SY eess.SP eess.SY
Intelligent Base Station Association for UAV Cellular Users: A Supervised Learning Approach
第五代（5G）蜂窝网络预计将为包括无人机（UAV）在内的车辆用户提供蜂窝连接。当在空中飞行时，这些用户体验到地面上的大量基站（BS）的强的、无障碍的信道条件。这为UAV用户造成了非常强的干扰条件，同时为他们提供了大量的BS以潜在地与蜂窝服务相关联。因此，为了最大化UAV-BS无线链路的性能，UAV用户需要能够基于观察到的环境条件来选择连接到哪些BS。本文提出了一种基于监督学习的关联方案，利用该方案，无人机可以智能地关联到最合适的基站。我们训练一个神经网络（NN），根据从BS接收到的信号功率、到BS的已知距离以及潜在干扰源的已知位置，从几个候选BS中识别出最合适的BS。然后，我们比较了基于NN的关联计划对最强信号和最近邻关联计划的性能，并证明NN计划显着优于简单的启发式计划。
2020-08-28 cs.IT eess.SP math.IT
UAV-to-UAV Communications in Cellular Networks
我们考虑一种蜂窝网络部署，其中UAV到UAV（U2 U）发射-接收对与蜂窝地面用户（GUE）的上行链路（UL）共享相同的频谱。对于这种设置，我们专注于分析和比较两种频谱共享机制的性能：（i）重叠，其中UAV和GUE都可以访问相同的时间-频率资源，导致相互干扰，以及（ii）覆盖，其中可用资源被划分为用于U2 U和GUE通信的正交部分。我们评估两种链路类型的覆盖概率和速率及其相互作用，以确定最佳的频谱共享策略。我们这样做，通过一个分析框架，包括现实的高度相关的信道模型，天线模式，和实际的功率控制机制。对于U2 U，我们发现，虽然U2 U直接通信的存在可能会恶化GUE的上行链路性能，但这种影响是有限的，因为基站通过其天线旁瓣接收功率受限的UAV信号。尽管如此，我们的研究结果使我们得出结论，在城市场景中有大量的无人机对，采用重叠频谱共享似乎是最合适的方法，以保持最低保证率的无人机和高GUE UL性能。
2019-12-13 cs.IT eess.SP math.IT
UAV-Sensing-Assisted Cellular Interference Coordination: A Cognitive Radio Approach
空中-地面干扰抑制被认为是实现蜂窝连接无人机（UAV）通信的主要挑战。由于视距（LoS）占主导地位的空中-地面信道，与地面用户相比，UAV在其上行链路/下行链路通信中的大得多的区域上产生/遭受到/来自蜂窝基站（BS）的强得多的干扰。因此，传统的小区间干扰协调（ICIC）技术迎合地面网络变得无效，在减轻更严重的无人机引起的干扰。为了应对这一新的挑战，这封信介绍了认知无线电为基础的解决方案，将无人机和地面用户作为次要和主要用户在网络中，分别。特别地，具有地面BS/用户的LoS信道赋予UAV强大的频谱感测能力，用于在比其服务BS大得多的区域上检测地面信号。通过利用这一独特的功能，我们提出了一种新的无人机传感辅助ICIC设计的无人机下行链路和上行链路通信。具体地，UAV分别在其服务BS处可用的资源块（RB）上感测其接收到的干扰和地面用户在下行链路和上行链路中的传输，以帮助其向UAV的RB分配，从而避免对同信道地面通信的干扰。数值结果表明，所提出的无人机辅助ICIC优于传统的地面ICIC从事相邻BS的合作。
2020-01-31 cs.IT eess.SP math.IT
Joint Sub-carrier and Power Allocation for Efficient Communication of Cellular UAVs
蜂窝网络有望成为支持无人机（UAV）不断扩展的应用的主要通信基础设施。由于这些网络部署为地面用户设备（UES），需要解决的几个问题，以提高蜂窝无人机的services.In本文中，我们提出了一个现实的通信模型的下行链路，我们表明，服务质量（QoS）的用户受到干扰BS的数量和它们所造成的影响。因此，解决了子载波和功率分配的联合问题。鉴于其复杂性，这是已知的NP-难，我们引入了一个基于博弈论的解决方案。首先，我们认为，在分配的子载波方面的UAV和UE之间的分离减少了对用户的干扰影响。这是通过匹配游戏实现的。此外，为了提高分区，我们提出了一个联盟的游戏，认为第一个的结果，使用户能够改变他们的联盟，提高他们的QoS。此外，功率优化的解决方案，这是考虑在两个游戏。进行了性能评估，所得到的结果证明了命题的有效性。
2022-01-03 cs.NI eess.SP
Understanding UAV Cellular Communications: From Existing Networks to Massive MIMO
本文的目的是让读者及时了解无人机蜂窝通信，弥合3GPP标准化现状与更前瞻性研究之间的差距。特别强调的是下行命令和控制（C&C）信道的空中用户，其可靠性被认为是最重要的技术的无人机蜂窝通信的商业成功。通过对两种网络部署--当今蜂窝基础设施与下一代大规模MIMO系统--的实际并排比较，揭示了多个关键事实，其中三个主要事实总结如下：（i）UAV小区选择基本上由基站辐射图的副瓣驱动，导致UAV与遥远的小区相关联;（ii）在10 MHz带宽上，并且对于高达300 m的UAV高度，当用于信道估计的上行链路导频在基站站点之间被重用时，大规模MIMO网络可以在74%的情况下支持100 kbps C&C信道，并且在96%的情况下没有跨网络的导频重用;（iii）由于严重的飞行员污染，支持UAV C&C信道可能会大大影响地面用户的性能，除非有合适的功率控制策略。
2018-04-20 cs.IT eess.SP math.IT
Mobility in the Sky: Performance and Mobility Analysis for Cellular-Connected UAVs
为无人机或飞行出租车等无人机用户设备提供连接是未来蜂窝系统的主要挑战。在本文中，使用协调多点传输提供无缝连接到无人机用户设备进行了研究。特别是，集群地面基站的网络，合作服务的无人机数量被认为是。研究了两种场景：具有静态悬停的UAV用户设备的场景和具有移动UAV-UE的场景。在最大比传输下，开发并利用一种新的框架来推导两种情况下UAV-UE覆盖概率的上界和下界。使用导出的结果，各种系统参数，如协作距离，无人机高度，和UAV-UE速度上可实现的性能的影响进行了研究。结果表明，无论是静止的还是移动的无人机用户设备，当基站天线向下倾斜时，无论采用哪种传输方式，高空无人机用户设备的覆盖概率都是地面用户覆盖概率的上界。此外，对于低信号干扰比阈值，示出了CoMP传输可以提高UAV用户设备的覆盖概率，例如，从最近关联方案下的28%到200米协作距离下的60%。
2019-08-21 cs.IT eess.SP math.IT
Uplink NOMA for Cellular-Connected UAV: Impact of UAV Trajectories and Altitude
本文考虑了一种新兴的蜂窝连接的无人机（UAV）架构的监视或监控应用。我们考虑的情况下，蜂窝连接的空中用户设备（AUE）周期性地发送在上行链路中，与给定的数据率的要求，而沿着给定的轨迹移动。为了有效的频谱使用，我们使并发的上行链路传输的AUE和地面用户设备（TUE），采用功率域空中-地面非正交多址接入（NOMA），同时占AUE的已知轨迹。为了表征系统性能，我们开发了一个分析框架来计算速率覆盖概率，即，AUE和TUE的可实现数据率超过各自目标速率的概率。我们使用我们的分析结果，以数字方式确定的最小高度，AUE需要飞，在每个传输点沿给定的轨迹，以满足一定的服务质量（QoS）的约束，为各种AUE目标数据率和不同的建成环境。具体而言，结果表明，AUE的最小高度取决于它的距离BS的AUE沿着给定的轨迹移动。我们的研究结果突出了在蜂窝连接的无人机系统AUE轨迹建模的重要性。
2019-10-30 cs.IT eess.SP math.IT
Path Design for Cellular-Connected UAV with Reinforcement Learning
School of Electrical and Information Engineering, The University of Sydney（悉尼大学电气与信息工程学院）
研究了蜂窝连接无人机（UAV）的路径设计问题，目标是在保持与蜂窝网络良好连接的同时，最小化其任务完成时间。针对传统的通过公式化和求解优化问题的路径设计方法面临的实际挑战，提出了一种基于强化学习的无人机路径设计算法，该算法应用\emph{temporal-difference}方法直接学习相应马尔可夫决策过程的\emph{state-value function}。该算法被进一步扩展，通过使用线性函数逼近与瓦片编码，以处理大的状态空间。所提出的算法只需要原始测量或模拟生成的信号强度作为输入，适合在线和离线实现。数值结果表明，即使在复杂的城市环境中，所提出的路径设计也可以成功地避免蜂窝网络的覆盖空洞。
2019-05-09 cs.LG cs.NI eess.SP
Performance Analysis of Mobile Cellular-Connected Drones under Practical Antenna Configurations
由于遭遇视线干扰和向下倾斜的基站（BS）天线的降低的增益，向无人机用户设备（UAV-UE）提供无缝连接是非常具有挑战性的。例如，随着UAV-UE的高度增加，它们的小区关联和切换过程变得由BS天线的旁瓣驱动。在本文中，蜂窝连接的UAV-UE的性能进行了研究下的3D实际天线配置。研究了两种场景：具有静态悬停UAV-UE的场景和具有移动UAV-UE的场景。对于这两种情况，UAV-UE覆盖概率被表征为系统参数的函数。研究了天线阵元数目对UAV-UE覆盖概率和移动UAV-UE切换率的影响。结果表明，实际天线方向图下的UAV-UE覆盖概率比简单天线模型下的覆盖概率要差。此外，由于天线旁瓣的零点和峰值的连续交叉，垂直移动的UAV-UE容易受到高度切换的影响。
2020-02-02 cs.IT eess.SP math.IT
Power Allocation for Uplink Communications of Massive Cellular-Connected UAVs
蜂窝连接无人机（UAV）在学术界和工业界都引起了极大的研究兴趣。为了支持现有蜂窝网络中的空中用户设备（UE），一种有前途的方法是将系统带宽的一部分专门分配给UAV-UE。这对于利用大量UAV-UE的使用情况尤其有利，例如，用于仓库附近的包裹递送。虽然近视距（LoS）信道可能导致接收到更高的功率，但无人机在同一频带内可能会对彼此造成严重干扰。在这方面的贡献，我们专注于大规模蜂窝连接的无人机的上行链路通信。基于连续凸近似（SCA）原理，提出了不同的功率分配算法，以最大化最小频谱效率（SE）或最大化总体SE来应对严重干扰。其中一个挑战是，UAV可能影响大的区域，这意味着在优化问题中必须考虑更多的UAV-UE，这与地面UE的优化问题本质上不同。单载波上行链路传输的必要性进一步使问题复杂化。然而，我们发现，大的相干带宽和相干时间的传播信道的特殊属性可以被利用。在全缓冲传输模式和突发业务模式下，通过大量的仿真对所提出的算法的性能进行了评估。实验结果表明，该算法能够有效地提高上行链路的信噪比。这项工作可以被认为是处理具有优化功率分配的大规模蜂窝连接的UAV-UE之间的干扰的第一次尝试。
2023-02-26 cs.IT eess.SP math.IT
Reinforcement Learning-based Joint Path and Energy Optimization of Cellular-Connected Unmanned Aerial Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）
近年来，无人机（UAV）引起了人们极大的研究兴趣。特别是在物联网领域，具有互联网连接的无人机是主要需求之一。此外，能量约束，即电池限制，是一个瓶颈的无人机，可以限制其应用。我们正在努力解决和解决能源问题。因此，提出了一种用于蜂窝连接的UAV的路径规划方法，该方法将使UAV能够通过在配备有发电站（PS）的某些位置充电来在比其电池范围大得多的区域中规划其路径。除了能量约束之外，还存在禁飞区;例如，由于空对空（A2 A）和空对地（A2 G）干扰，或者由于缺乏必要的连通性，这在UAV的轨迹优化中施加了额外的约束。禁飞区确定了应该避免的不可行区域。我们使用了一个强化学习（RL）分层扩展典型的短程路径规划器，考虑电池充电和解决问题的无人机在长期任务。针对无人机在大范围内飞行的问题进行了仿真，Q-学习算法可以使无人机找到最优路径和补给策略。
2020-11-27 cs.LG eess.SP
Path Planning for Cellular-Connected UAV: A DRL Solution with Quantum-Inspired Experience Replay
在蜂窝连接无人机网络中，考虑了时间代价与期望中断持续时间加权和的最小化问题。利用无人机机动性可调的特点，提出了一种智能无人机导航方法来实现上述优化目标。具体而言，将导航任务映射为马尔可夫决策过程（MDP），提出了一种基于量子启发经验回放（QiER）框架的深度强化学习（DRL）解决方案，帮助无人机在每个时隙内找到最佳飞行方向，从而生成朝向目的地的设计轨迹。通过将经历的跃迁的重要性与其相关联的量子比特（qubit）相关联，并应用基于Grover迭代的振幅放大技术，所提出的DRL-QiER解决方案在采样优先级和多样性之间实现了更好的权衡。与几个有代表性的基线相比，所提出的DRL-QiER解决方案的有效性和优越性在数值结果中得到了证明和验证。
2021-09-16 cs.SY eess.SP eess.SY
The Meta Distribution of SINR in UAV-Assisted Cellular Networks
在无人机（UAV）上安装紧凑、轻便的基站是一种具有成本效益且灵活的解决方案，可在现有地面网络上提供无缝覆盖。虽然无人机辅助蜂窝网络的覆盖概率已经得到了广泛的研究，它只提供了信号与干扰加噪声比（SINR）的一阶统计。在本文中，分析高阶统计的信干噪比和特征的差异之间的各个环节，我们提供了一个Meta分布（MD）为基础的分析框架，无人机辅助蜂窝网络，其中的概率视距信道和现实的天线方向图考虑到空到地传输。为了准确地描述无人机干扰，我们放宽了广泛应用的均匀离轴角（OBA）假设，并推导出OBA的精确分布。使用随机几何，可操纵和垂直天线的情况下，我们获得数学表达式的时刻的条件成功概率，SINR MD，和平均本地延迟。此外，我们还研究了网络密度趋于无穷大时矩的渐近行为。数值结果验证了理论结果的严密性，并表明一致OBA假设低估了网络性能，特别是在无人机的中等高度区域。我们还表明，当无人机配备可操纵天线，网络覆盖和用户公平性可以同时优化通过仔细调整无人机参数。
2023-01-30 cs.IT eess.SP math.IT
Energy-Efficient Cellular-Connected UAV Swarm Control Optimization
King’s College London（伦敦国王学院）；Ericsson Inc.（爱立信公司）
细胞连接的无人机（UAV）群是一种有前途的解决方案，用于各种应用，包括货物交付和交通控制。然而，与无人机群进行高可靠性、低延迟和高能效的通信和控制仍然具有挑战性。本文提出了一种蜂窝式无人机群网络中的两阶段命令与控制（C & C）传输方案，其中地面基站（GBS）在第一阶段广播公共C & C消息。在阶段II中，已经成功解码C & C消息的UAV将在延迟和能量约束下以广播或单播模式经由设备到设备（D2D）通信将消息中继到其余UAV。为了最大限度地提高无人机的数量，成功地接收到的消息内的延迟和能量的限制，我们制定了一个约束马尔可夫决策过程的问题，以找到最佳的政策。为了解决这个问题，我们提出了一个分散的约束图注意力多智能体Deep-Q-network（DCGA-MADQN）算法的基础上拉格朗日原始-对偶策略优化，其中PID控制器算法被用来更新拉格朗日乘子。仿真结果表明，该算法可以最大限度地提高无人机的数量，成功地接收到共同的C & C的能量约束。
2023-03-18 cs.LG cs.MA cs.NI
Beyond D2D: Full Dimension UAV-to-Everything Communications in 6G
在本文中，我们考虑了一个互联网的无人机（UAV）在蜂窝网络中，无人机作为空中用户收集各种传感器数据，并发送收集到的数据到他们的传输目的地通过蜂窝链路。与传统蜂窝网络中的地面用户不同，不同的无人机由于其传感应用而具有不同的通信需求，需要一种更灵活的通信框架。为了解决这个问题，我们提出了一个无人机到一切（U2X）的网络，它使无人机能够调整其通信模式全维度根据其传感应用的要求。在本文中，我们首先介绍了U2X通信的概念，并详细阐述了其三种通信模式。然后，讨论了U2X通信的关键技术，包括联合感知与传输协议、无人机轨迹设计和无线电资源管理。然后提出了一种基于强化学习的U2X通信数学框架。最后，对U2X通信的扩展进行了介绍。
2020-04-04 cs.NI eess.SP
A 3D Tractable Model for UAV-Enabled Cellular Networks With Multiple Antennas
提出了一种三维点过程模型，该模型可用于大规模蜂窝网络中无人机（UAV）的部署，并可跟踪地分析网络的基本网络性能。提出的三维点过程是基于二维齐次标记泊松点过程（PPP）设计的，其中每个点及其随机标记分别唯一地对应于三维点过程中每个点的投影和高度。我们研究了所提出的3D点过程的一些重要的统计特性，并阐明了这些特性的一些重要见解，这些特性有助于分析支持无人机的蜂窝网络，其中所有配备有多个天线的无人机都部署在所提出的3D点过程中作为空中基站。所提出的3D点过程的显着特点在于其适用于实际的3D通道建模和分析的易处理性。分析了无人机蜂窝网络的下行覆盖性能，得到了简洁的表达式，并推导了一些特殊情况下的封闭式结果。最重要的是，他们的基本限制实现无小区的大规模天线阵列的特点时，协调所有的无人机联合执行非相干下行链路传输。最后，数值结果验证了本文的一些关键发现。
2020-12-29 cs.IT eess.SP math.IT
3D-Map Assisted UAV Trajectory Design Under Cellular Connectivity Constraints
安全的蜂窝控制无人机（UAV）在视线之外的实现预计将在运输，货物交付和系统监控领域开辟重要的未来机会。在这一领域的一个关键挑战在于设计的轨迹，同时允许无人机任务的完成，可以保证可靠的蜂窝连接所有沿路径。在这一领域的以前的方法已经考虑了简单的传播模型假设（例如，基于视线）或更先进的模型，但计算要求优化的解决方案。在本文中，我们提出了一种新的轨迹设计方法，使用的覆盖范围图，可以得到的三维地图的环境和无线电传播模型的组合。利用覆盖图内的子区域的凸性，我们提出了一种低复杂度的基于图的算法，该算法以已知最优方法的计算成本的一小部分实现准最优性能。
2019-11-04 cs.IT eess.SP math.IT
Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV with Deep Reinforcement Learning
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；National University of Singapore（新加坡国立大学）
细胞连接无人机（UAV）是一种很有前途的技术，可以释放未来无人机的全部潜力。然而，如何实现空中无人机的泛在三维（3D）通信覆盖是一个新的挑战。针对这一问题，提出了一种新的覆盖感知导航方法，利用无人机的可控机动性设计其导航/轨迹，以避开蜂窝基站的覆盖盲区，同时完成任务。我们制定了一个无人机轨迹优化问题，以最小化其任务完成时间和预期的通信中断时间的加权和，并提出了一种新的解决方案的基础上，深度强化学习（DRL）技术。为了进一步提高性能，我们提出了一个称为同步导航和无线电映射（SNARM）的新框架，其中无人机的信号测量不仅用于直接训练深度Q网络（DQN），而且还用于创建能够预测感兴趣区域中所有位置的中断概率的无线电地图。因此，这使得能够生成模拟的UAV轨迹并预测它们的预期返回，然后将其用于通过Dyna技术进一步训练DQN，从而大大提高学习效率。
2020-03-17 cs.IT cs.LG eess.SP
Cooperative Downlink Interference Transmission and Cancellation for Cellular-Connected UAV: A Divide-and-Conquer Approach
视距空-地信道是无人机通信中的重要干扰源。在本文中，我们提出了一种新的基站（BS）合作波束形成（CB）技术的蜂窝下行链路，以减轻强干扰所造成的同信道地面传输到无人机。除了传统的CB通过合作发送UAV的消息之外，UAV的服务BS利用新颖的干扰传输方案来有效地抑制对UAV的地面干扰。具体地，同信道地面用户的消息与UAV的服务BS共享，并经由CB发送，以消除它们在UAV处产生的干扰。为了在用于UAV信号增强和干扰消除的CB增益之间进行平衡，我们的目标是通过联合优化用于发送UAV和同信道地面用户消息的所有服务BS处的功率分配来最大化UAV的接收信号与干扰加噪声比。首先，我们在一个特殊的情况下，推导出该问题的封闭形式的最优解，并得出有用的见解。然后，我们提出了一个算法，以解决问题的最佳在一般情况下。由于最佳解决方案需要集中实施与BS之间的过度消息/信道信息交换，我们进一步提出了一种分布式算法，适合于实际的实施，基于一种新的分而治之的方法，每个同信道BS将其感知到的干扰到无人机分成多个部分，每个部分将被取消由不同的服务BS的无人机与其最大的努力。数值结果表明，所提出的集中式和分布式CB计划与干扰传输和消除（ITC）可以显着优于传统的CB没有应用ITC。
2019-11-25 cs.IT eess.SP math.IT
Towards Reliable UAV Swarm Communication in D2D-Enhanced Cellular Network
在现有的蜂窝网络中，如何以高可靠性和低延迟的方式与无人机（UAV）群进行通信和控制仍然是一个具有挑战性的问题。由于无人机群的工作高度高，地空信道强，一般会暴露在多个地面基站（GBS）下，而服务于地面用户的GBS（被占用的GBS）会对无人机群产生强干扰。为了解决这个问题，我们提出了一种新的两阶段传输协议，利用蜂窝加设备到设备（D2D）通信的无人机群。在阶段I中，选择一个群头进行地空信道估计，并且所有不为地面用户服务的GBS（可用GBS）使用相同的蜂窝频带同时向UAV群发送公共控制消息，以对抗来自被占用的GBS的强干扰。在阶段II中，在阶段I中已经解码公共控制消息的所有UAV通过利用较少干扰的D2D频带和UAV之间的接近度，进一步经由D2D通信将其中继到群中的其他UAV。在本文中，我们的目标是描述上述两阶段协议的可靠性性能，即，群中能够解码公共控制消息的UAV的预期百分比，由于复杂的系统设置和两个阶段之间的复杂耦合，这是一个不平凡的问题。然而，我们设法获得一个近似的表达的可靠性性能的利益，在合理的假设和皮尔逊分布的帮助下。数值结果验证了我们的分析结果的准确性，并显示了我们的协议的有效性比其他基准协议。我们还研究了关键系统参数对可靠性性能的影响，以揭示实际系统设计的有用见解。
2020-02-12 cs.IT eess.SP math.IT
Federated Learning for Cellular-connected UAVs: Radio Mapping and Path Planning
University of Toronto（多伦多大学）
为了延长无人机的使用寿命，需要无人机在尽可能短的时间内完成任务。除了这个要求之外，在许多应用中，无人机在飞行期间需要可靠的互联网连接。在本文中，我们最小化的旅行时间的无人机，确保概率连通性约束得到满足。为了解决这个问题，我们需要一个全局模型的中断概率的环境。由于无人机有不同的任务，飞越不同的区域，它们收集的数据携带了网络连接的本地信息。因此，无人机不能依靠自己的经验来建立全球模型。这个问题影响了无人机的路径规划。为了解决这个问题，我们采用了两步走的方法。在第一步中，通过使用联邦学习（FL），无人机协作建立环境中的中断概率的全局模型。第二步，利用第一步得到的全局模型和快速搜索随机树，提出了一种无人机路径优化算法。仿真结果表明了该方法的有效性。
2020-08-23 cs.AI cs.LG eess.SP
Uplink Cooperative Interference Cancellation for Cellular-Connected UAV: A Quantize-and-Forward Approach
空中-地面干扰是在具有传统地面用户和新的无人机（UAV）用户的蜂窝网络中实现高频谱效率的主要障碍。由于其与地面的强视距（LoS）信道，UAV在其上行链路/下行链路通信中可能对大量非关联但共信道的基站（BS）造成/遭受严重干扰。在这封信中，我们提出了一种新的合作干扰消除（CIC）的无人机的上行链路通信，以减轻其强干扰的同信道基站，这只需要每个同信道基站和它的相邻的帮助BS之间的本地合作。具体地，不服务于UAV的通信信道中的任何用户的帮助BS将它们从UAV接收到的信号转发到它们的辅助同信道BS，该辅助同信道BS然后处理量化信号及其自己的接收信号，以经由通过线性/非线性干扰消除技术（ICT）消除UAV的信号来解码其服务的地面用户的消息。我们推导出建议的CIC方案与不同的ICT作为无人机的发射功率和速率的函数的可实现的速率，从而揭示了条件下，建议的CIC方案优于现有的CIC方案的基础上的解码和转发（DF）操作的帮助BS。
2020-06-01 cs.IT eess.SP math.IT
