D3S: A Framework for Enabling Unmanned Aerial Vehicles as a Service
在本文中，我们考虑使用无人机提供无线连接服务，例如在无线网络组件故障后，或简单地按需提供额外的带宽，并引入无人机即服务（UaaS）的概念。为了促进UaaS，我们引入了一个新的框架，称为D3S，它包括四个阶段：需求，决策，部署和服务。这一框架的主要目标是为实施这四个阶段制定切实有效的解决办法。技术问题包括确定要部署的无人机的类型和数量，以及它们的最终位置（例如，悬停或在地面上），这对于服务于某些应用是重要的。这些问题将是决策阶段的一部分。它们还包括无人机的轨迹规划，当它们必须在充电站和部署地点之间行驶时，可能必须多次这样做。这些问题将是部署阶段的一部分。服务阶段包括无人机之间以及无人机与地面控制站之间的骨干通信和数据路由的实现。
2019-12-31 cs.NI
Coverage Analysis for Low-Altitude UAV Networks in Urban Environments
无人机（UAV）上的无线接入点正被考虑用于商业网络中的移动服务供应。为了能够在蜂窝网络中有效地使用这些设备，有必要首先对它们的设计参数如何反映最终用户所体验的服务质量有定性和定量的理解。在本文中，我们建立了一个场景，无人机网络在地面以上的一定高度提供无线服务的覆盖范围内形成的定向天线。我们提供了一个典型的用户所经历的无人机参数的函数的覆盖概率的解析表达式。
2017-04-15 cs.NI
Impact of UAV Antenna Configuration on Wireless Connectivity in Urban Environments
随着无人机的日益增多，运营商开始探索如何为无人机提供无线服务。可互换的服务质量将受到许多因素的影响，包括无人机配备的天线类型，以及是否使用现有的蜂窝基础设施或部署专用地面站来为这些新用户设备提供服务。在本文中，我们采用随机几何进行无人机覆盖概率的分析，可以实现与一个网络的专用地面站使用一个子6GHz的技术，如LTE在不同的部署条件下，给定不同类型的无人机天线。我们提供的覆盖概率的解析表达式，我们还评估了GS网络的性能对无人机由一个典型的地面BS网络服务的情况下。
2018-06-29 cs.NI
Quality-Aware Personalized AI Service Provisioning in UAV-Assisted 6G Networks
Oulu University（奥卢大学）；ICTFICIAL Oy（ICTFICIAL公司）；Ruhr University Bochum (RUB)（鲁尔大学波鸿分校）
研究无人机辅助6G网络中质量感知的个性化AI服务供应问题，提出HyPE框架，集成移动感知预测、学习增强决策和启发式服务放置与路由，模拟实验显示其在覆盖范围、延迟、服务个性化等方面优于基线，突出预测学习增强供应的前景。
2026-07-08 cs.NI
Energy and Service-priority aware Trajectory Design for UAV-BSs using Double Q-Learning
The Central Queensland University（中央昆士兰大学）；Urmia University（乌尔米亚大学）；The University of New South Wales（新南威尔士大学）
下一代移动网络已经提出了将无人机（UAV）集成为空中基站（UAV-BS）以服务于地面节点。尽管具有使用UAV-BS的优势，但它们对机载有限容量电池的依赖阻碍了它们的服务连续性。较短的轨迹可以节省飞行能量，然而，UAV-BS还必须基于节点的服务优先级来服务节点，因为节点的服务要求并不总是相同的。在本文中，我们提出了一种能量有效的轨迹优化的无人机辅助物联网系统中，无人机基站考虑物联网节点的服务优先级，使其运动决策。我们使用双Q-学习算法来解决轨迹优化问题。仿真结果表明，基于Q-Learning的优化轨迹在降低无人机基站平均能耗和高优先级节点服务时延方面优于基准算法贪婪服务算法。
2020-10-26 cs.AI cs.NI
Design Guidelines for Blockchain-Assisted 5G-UAV Networks
第五代（5G）无线网络被设计为通过高数据率（通常为Gbps量级）和低时延来满足各种终端用户服务质量（QoS）要求。再加上雾和移动边缘计算（MEC），5G可以实现高数据率，实现复杂的自主智能城市服务，如自动驾驶汽车的大规模部署和大规模人工智能（AI）支持的工业制造。然而，为了满足低密度和高密度位置中连接的物联网设备数量呈指数级增长以及不规则的数据和服务请求，通过固定和昂贵的基站支持的传统小区的过程需要重新考虑，以便以无人机（UAV）的形式为多样化的智慧城市场景提供按需移动接入点。本文设想了一个由支持区块链的无人机支持的5G网络环境，以通过网络访问供应满足动态用户需求。该解决方案能够以可靠和安全的方式实现分散式服务交付（无人机即服务）和最终用户之间的路由。公共和私有区块链都部署在无人机内，由雾和云计算设备和数据中心提供支持，以提供广泛的复杂认证服务和数据可用性。特别注意的是比较数据传输成功率和消息交换的建议解决方案对传统的无人机支持的蜂窝网络。挑战和未来的研究也讨论了新兴技术，如联邦学习的亮点。
2020-07-30 cs.NI
System Intelligence for UAV-Based Mission Critical with Challenging 5G/B5G Connectivity
无人机（UAV）和通信系统是搜索和救援等关键任务服务的基本要素。在本文中，我们介绍了一种用于管理和协调5G及其他网络的架构，这些网络在无人机的帮助下在异构基础设施上运行。无人机用于收集和处理数据，以及改善通信。建议的系统智能（SI）架构的设计符合最近的标准化工作，特别是ETSI经验网络智能规范。本文的另一个贡献是使用基于虚拟化非独立5G核心和使用开源软件实现的4G无线接入网络（RAN）的测试平台进行评估。例如，实验结果表明，SI可以通过在无人机和边缘或云设备之间拆分深度神经网络来大幅改善基于无人机的服务的延迟。其他实验探索了RAN资源的切片和虚拟网络功能的有效放置，以评估将智能纳入基于无人机的关键任务服务的好处。
2021-02-03 cs.NI
UAVs as a Service: Boosting Edge Intelligence for Air-Ground Integrated Networks
空地一体化网络是未来第六代（6G）网络的关键组成部分，可支持无缝和近乎即时的超级连接。迫切需要在6G网络中智能地提供各种服务，然而这是具有挑战性的。为了满足这一需求，在本文中，我们提出了一种名为UaaS（无人机即服务）的空地一体化网络的新架构，将无人机作为关键使能器，在机器学习（ML）技术的帮助下提高边缘智能。我们设想所提出的UaaS架构可以通过无人机网络智能地提供无线通信服务、边缘计算服务和边缘缓存服务，充分利用无人机的灵活部署和多样化的ML技术。我们还进行了一个案例研究，其中无人机参与多个地面用户之间的分布式ML的模型训练，其结果表明，模型训练是有效的，与飞行能耗相比，无人机的能耗可以忽略不计。最后，我们讨论了UaaS中的挑战和开放研究问题。
2020-03-24 cs.NI eess.SP
A Stochastic Geometry Model of Backhaul and User Coverage in Urban UAV Networks
无人机（UAV）上的无线接入点正被考虑用于商业网络中的移动服务供应。为了能够在蜂窝网络中有效地使用这些设备，有必要首先对它们的设计参数如何反映最终用户所体验的服务质量有定性和定量的理解。在本文中，我们建立了一个网络的无人机在地面以上的一定高度，提供无线服务的覆盖范围内形成的定向天线，与无人机使用现有的地面基站网络的无线回程。我们提供了一个典型的用户所经历的无人机参数的函数的覆盖概率的解析表达式。使用我们的推导，我们证明了存在一个最佳的无人机高度，最大限度地提高最终用户的覆盖概率。然后，我们探讨的情况下，无人机调整其各自的高度，以满足其回程的要求，而在同一时间试图最大限度地提高地面上的最终用户的覆盖概率。
2017-10-11 cs.NI
Enabling On-Demand Cyber-Physical Control Applications with UAV Access Points
在无线信道上实现网络物理控制需要满足单个数据包的及时性和保持多个连续数据包的延迟可靠性。为了满足这些要求，作为一种无处不在的服务，需要大规模的基础设施开发，或灵活的按需设备，如无人机。为了避免前期的资金和能源成本，本文分析了无人机接入点（UAVAP）的能力，以满足网络物理流量的要求。为了调查这一点，我们进行了吉尔伯特艾略特突发错误分析，分析得出的两个独立的延迟测量活动的组合，并提供了UAVAP系统的上限分析。该分析以UAVAP为中心，该UAVAP使用其LTE连接到达回程，同时通过Wi-Fi接入点（AP）向地面节点（GN）提供服务。因此，我们结合这两个测量活动来分析所描述的设置在休闲，拥挤或混合网络设置的可扩展性。
2022-11-22 cs.NI
Energy Efficient UAV-Based Service Offloading over Cloud-Fog Architectures
无人机（UAV）凭借其敏捷性、灵活性和成本效益，有望在革新未来智慧城市服务方面发挥核心作用。无人机正被广泛部署在不同的垂直领域，包括监视、搜索和救援任务、物品运送，以及作为未来无线网络中空中通信的基础设施。无人机可用于勘测目标位置，从地面收集原始数据（即，视频流）、生成计算任务并将其卸载到可用服务器进行处理。在这项工作中，我们制定了一个多目标优化框架的网络资源分配和无人机轨迹规划问题，使用混合线性规划（MILP）优化模型。考虑到云雾环境中可能存在的不同利益相关者，我们最小化加权目标函数的总和，这允许网络运营商调整权重以强调/不强调不同的成本函数，例如端到端网络功耗（EENPC），处理功耗（PPC），UAV总飞行距离（UAVTFD）和UAV总功耗（UAVTPC）。我们的优化模型和结果，使最佳卸载的决定下，有关EENPC，PPC，UAVTFD和UAVTPC，我们详细探讨了不同的约束。例如，当无人机的推进效率（UPE）最差时（考虑10%），通过宏基站卸载是最佳选择，最大可节省34%的功率。无人机覆盖路径规划（CPP）和计算卸载已经进行了广泛的研究，但没有解决的问题，在一个实际的云-雾架构中，接入，地铁和核心层被认为是在分布式架构的服务卸载，如云-雾。
2022-05-14 cs.NI eess.SP
Proactive and Resilient UAV Orchestration for QoS Driven Connectivity and Coverage of Ground Users
无人机（UAV）正被成功用于在诸如在偏远地区、紧急情况下扩展5G蜂窝网络的覆盖范围以及提高用户人口密集地区的服务质量等应用中提供通信服务。虽然在文献中已经提出了用于确保用户的服务质量（QoS）的优化放置解决方案，但是它们在高度移动、自主和多样化的网络场景中可能不是理想的。本文提出了一种主动和弹性的框架，用于无人机小小区的分布式和动态编排，以在网络中提供QoS差异化。UAV位置根据最终用户位置和服务需求定制，同时确保UAV保持本地化回程连接。仿真实验表明，在物理布局能够实现服务差异化的场景下，所提出的框架能够使无人机的稳定配置满足90%以上的用户QoS需求。
2022-09-09 cs.NI cs.SY eess.SY
Collaborative Intelligence for UAV-Satellite Network Slicing: Towards a Joint QoS-Energy-Fairness MADRL Optimization
University of Engineering and Technology, Vietnam National University（越南国立大学工程技术大学）；School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院）；Interdisciplinary Centre for Security Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）
本文提出了一种基于多智能体深度强化学习的无人机-卫星网络切片框架，通过联合优化服务质量、能耗和公平性，实现更高效的资源分配和网络性能提升。
2025-12-09 cs.NI
Blockchain-Empowered Immutable and Reliable Delivery Service (BIRDS) Using UAV Networks
针对无人机投递易受攻击的问题，提出区块链赋能的BIRDS框架，利用能力证明共识选择可信无人机，实现安全可靠投递，减少无人机数量、成本和排放。
2024-02-07 cs.CR cs.NI
UAV-Empowered Disaster-Resilient Edge Architecture for Delay-Sensitive Communication
第五代（5G）通信系统将实现增强的移动宽带、超可靠的低延迟和大规模连接服务。在自然或人为灾害期间，宽带和低延迟服务对于公共安全（PS）通信是不可或缺的。最近，第三代合作伙伴计划长期演进（3GPPLTE）已经成为实现宽带PS通信的有希望的候选者。在本文中，我们首先介绍了六种主要的PS-LTE使能服务以及PS-LTE在3GPP版本中的现状。然后，我们讨论了国际电信联盟（ITU）在主要国家分配给PS-LTE的频段。最后，我们提出了一个灾难弹性的三层架构的PS-LTE（DR-PSLTE）。该架构包括一个软件定义网络（SDN）层，用于提供集中控制，一个无人机（UAV）云层，用于促进边缘计算或启用紧急通信链路，以及一个无线电接入层。所提出的架构是灵活的，并结合了SDN和边缘计算的优势，以有效地满足各种PS-LTE服务的延迟要求。数值结果表明，在所提出的DR-PSLTE架构下，与传统的集中式计算架构相比，延迟减少了20%。
2019-01-28 cs.NI
GJRA: A Global Joint Resource Allocation Scheme for UAV service of PEC in IIoTs
工业物联网（IIoT）是一种新兴的模式，通过将大量无线设备部署到行业场景，使工业运营更加高效和智能。然而，由于计算能力和电池的限制，工业物联网设备（IIoTD）在实际中不能很好地执行计算密集型或延迟敏感型任务并提供长期服务。针对这些挑战，提出了一种面向工业物联网（IIoTs）中普适边缘计算（PEC）无人机（UAV）服务的有效全球联合资源分配方案，并研究了一种协同式UAV服务器-IIoTDs方案。在我们提出的方案中，IIoTD可以保持高效率的性能，即使它们的电池耗尽，通过将无人机部署为PEC服务器和移动电源，为IIoTD提供任务卸载和能量收集的机会。综合考虑卸载位置选择、设备资源分配和系统性能，通过联合优化任务卸载决策、计费资源分配、连接管理和无人机计算资源分配，最大限度地降低所有IIoTD的总体服务延迟（包括任务计算延迟和卸载延迟）。然而，制定的优化问题是一个混合整数非线性规划（MINLP）的问题，这是具有挑战性的解决一般。为了解决这个问题，我们将其分解成多个凸子问题的基础上块坐标下降（BCD）方法，以获得最优解。性能评估表明，我们的计划优于现有的计划方面的整体服务延迟的IIoTD。
2020-05-17 cs.NI eess.SP
Multi-UAV Cooperative Trajectory for Servicing Dynamic Demands and Charging Battery
South-Central University for Nationalities（中南民族大学）；The Chinese University of Hong Kong（香港中文大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出了一种多无人机协作路径规划方法，以高效服务动态分布的需求并优化电池充电，通过降低计算复杂度和设计快速迭代算法，实现对大规模无人机群的高效路径规划。
2021-08-31 cs.NI
Enabling Continuous Operations for UAVs with an Autonomous Service Network Infrastructure
无人驾驶飞行器（UAV）实际应用的主要限制之一是它们的不完全自给自足，这使得在没有人为监督的情况下不可能进行连续操作。无人机需要的监督越多，与替代品相比，它们在商业上的优势就越小。作为一个自主系统，需要多少人的互动才能发挥作用是评估无人机局限性和效率低下的最佳指标之一。流行的无人机相关研究领域，如路径规划和计算机视觉，使无人机自主行动的能力有了实质性的进步。这项研究是专门针对飞行中的操作，其中没有太多的报告努力，以解决这个问题的方面的支持性基础设施。本文提出了一种自主服务网络架构（AutoServe）。为了提高无人机的未来自主性，AutoServe系统包括一个面向服务的着陆平台和一个定制的通信协议。这种支持性的AutoServe基础设施将简化目前由人类操作员手动完成的许多任务，例如更换电池。建立了一个概念验证样机，并进行了仿真实验研究，验证了设计的正确性。
2020-04-11 cs.DC cs.NI eess.SP
UAV-Enabled Wireless Networks for Integrated Sensing and Learning-Oriented Communication
本文研究无人机使能的全双工无线网络，通过收敛性有保证的迭代算法联合优化上行时间分配、轨迹和功率，在保证感知质量的同时最大化边缘学习性能，并揭示感知与学习之间的关键权衡。
2024-08-31 cs.NI
AISC deployment in dynamic UAV-assisted MEC network: a reinforcement learning method based on heterogeneous graph attention neural network
School of Cyber Science and Engineering, University of International Relations（国际关系学院网络空间安全工程学院）
针对动态无人机辅助移动边缘计算网络中AI服务链部署的挑战，提出一种基于异构图注意力神经网络的深度双注意力Q网络，以最小化服务链完成时间并优化负载均衡与能耗。
2026-06-04 cs.NI
Enabling End-to-End Secure Connectivity for Low-Power IoT Devices with UAVs
物联网（IoT）技术的普及加强了部署在众多应用领域中的传感器网络的自我监控和自治特性。边缘计算范例的最新发展也使传感器网络的现场处理和管理能力成为可能。在本文中，我们介绍了一种系统模型，该模型可以在低功耗物联网设备和无人机之间实现端到端的安全连接，这有助于管理异构无线传感器网络的数据处理任务。通过仿真结果分析了所提出的解决方案的性能。此外，为了证明所提出的解决方案的实际可用性，使用商业现成的设备的原型实现。
2019-03-14 cs.NI
Joint Resource Allocation and Trajectory Design for Resilient Multi-UAV Communication Networks
本文针对多无人机网络链路失效问题，提出基于现代投资组合理论的联合资源分配与轨迹设计方法，通过交替优化和逐次凸逼近算法在总速率与用户速率波动之间取得平衡，并实现弹性需求。
2024-01-21 cs.NI
Dynamic maps for automated driving and UAVs geofencing
在过去的几年里，人们对无人驾驶汽车的兴趣显著上升;自然，与此同时，对准确可靠的目标定位和映射系统的需求也比以往任何时候都高。这种系统必须在近距离内向用户提供准确的信息。之前已经有许多研究工作探索了在智能交通系统环境中实现这种高度动态映射系统的不同可能方法，但很少有人讨论其对其他5G垂直和服务的适用性。在本文中，我们首先描述动态映射的概念。然后，我们介绍了我们在创建一个时空动态地图系统时所采取的方法，提出了它的体系结构和不同的组件。在此之后，我们提出了不同的场景，在这些场景中，这种相当新的现代技术可以适用于其他5G服务，特别是无人机地理围栏，最后，我们测试了目标检测模块并讨论了结果。
2022-01-05 cs.NI
Energy-saving deployment algorithms of UAV swarm for sustainable wireless coverage
College of Computer Science, South-Central University for Nationalities（中南民族大学计算机学院）；Engineering Systems and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学工程系统与设计支柱）
本文研究无人机群在可持续无线覆盖中的节能部署问题，提出优化算法平衡飞行距离和服务高度，通过调整服务高度和考虑禁飞区约束，提高剩余能量利用率。
2019-09-08 cs.NI
Sustainable Wireless Services with UAV Swarms Tailored to Renewable Energy Sources
无人机（UAV）群通常需要在离网场景中使用，例如遭受灾害、战争蹂躏或农村地区，在这些地区，UAV无法接入电网，而是依赖于可再生能源。考虑到主电池由两种可再生能源，风能和太阳能供电，我们根据财务预算，环境特征和季节变化来扩展这样的系统。有趣的是，能量来源与UAV的能量消耗相关，因为强风导致UAV悬停变得越来越耗能。目标是最大化在特定位置的覆盖的成本效率，这是一个组合优化问题的非凸准则下的多变量能量生成系统的尺寸。我们设计了一个定制的算法，通过降低处理复杂度和减少解决方案的空间，通过采样。评估是用压缩的真实世界的数据来完成的，这些数据是关于风能、太阳能和单位面积的交通负荷，这些数据由供应商提供的价格驱动。在四个不同风力或太阳能强度的地点对该实施进行了测试。最佳结果是在有微风和强太阳辐射的地方取得的，而强风和低太阳强度的地方需要更高的资本支出（CAPEX）分配。
2022-11-23 cs.NI eess.SP
Energy-Efficient Resource Allocation in a Multi-UAV-Aided NOMA Network
研究了在多无人机（UAV）辅助下为用户设备提供增强型移动宽带（eMBB）服务的网络中的资源分配问题。不同于现有的网络资源分配方法，我们研究了一个联合的非正交用户关联，子信道分配和功率控制问题。该问题的目标是在用户设备服务质量、无人机网络容量和功耗约束下，最大化网络能量效率。我们制定的能源效率最大化问题作为一个具有挑战性的混合整数非凸规划问题。为了缓解这个问题，我们首先将原问题分解为两个子问题，即整数非线性用户关联和子信道分配子问题和非凸功率控制子问题。然后，我们设计了一个两阶段的近似策略来处理非线性的用户关联和子信道分配子问题，并利用一个连续的凸近似方法来解决非凸的功率控制子问题。基于导出的结果，我们开发了一个迭代算法，证明收敛，以减轻原来的问题。仿真结果表明，我们提出的框架可以提高能源效率相比，几个基准算法。
2020-12-31 cs.NI
UAVs as Mobile Infrastructure: Addressing Battery Lifetime
无人机（UAV）预计将在下一代蜂窝网络中发挥重要作用，作为飞行基础设施，可以在常规基础设施过载或不可用时为地面用户提供服务。由于这些设备预计将以无线方式运行，因此它们将依赖内部电池供电，这将限制它们在必须充电之前可以在感兴趣的区域上运行的时间。在本文中，我们概述了网络运营商可能考虑的三种电池充电选项，并使用模拟来演示将这些选项纳入无人机基础设施提供无线服务的蜂窝网络的性能影响。
2018-07-03 cs.NI
A Novel Joint DRL-Based Utility Optimization for UAV Data Services
本文提出一种联合DQN与DDPG的深度强化学习方法，在无人机带宽和功率受限条件下优化资源分配，使服务用户数相比均等分配提升最高41%。
2024-06-15 cs.NI eess.SP
SDN assisted UAV communication systems : Efficient Deployment Strategies
近年来，基于无人机（UAV）的通信系统由于其低成本部署和易于移动而引起了越来越多的研究和商业兴趣，在自然灾害和紧急情况下，这种网络非常有用，可以提供通信服务。在这种情况下，无人机的位置和轨迹必须是最佳的，以保持服务质量在用户端。本文重点研究了一种基于SDN的无人机网络的部署，为用户提供通信服务。我们考虑在体育场和活动中部署该系统。在本文中，我们提出了一个计划，分配无人机的用户和流量拥塞算法，以减少数据包的数量，以避免重传从用户端。我们还提出了一个节能的多跳路由机制，以避免高功率的要求，传输更长的距离。我们假设所有的回程链路都有足够的容量来承载来自前传链路的所有流量，并且无人机的设计必须考虑其飞行和传输的功率要求。
2021-06-02 cs.IT cs.NI math.IT
UAV-Assisted Resilience in 6G and Beyond Network Energy Saving: A Multi-Agent DRL Approach
National Economics University（国立经济大学）；Norwegian University of Science and Technology（挪威科技大学）；Waseda University（早稻田大学）；Duy Tan University（杜维谭大学）；University of Luxembourg（卢森堡大学）；National Academy of Education Management（国家教育管理学院）
本文提出多智能体深度确定性策略梯度框架，通过优化无人机轨迹、传输功率和用户-无人机关联，提升网络韧性与无人机长期运行能力，降低能耗并提高覆盖范围。
2026-04-07 cs.LG cs.NI
An Overview of Collision Avoidance Approaches and Network Architecture of Unmanned Aerial Vehicles (UAVs)
作为一种自主飞行器，无人机（UAV）面临着许多挑战。其中一个挑战是无人机能够避免碰撞。已经提出了许多避免碰撞的方法来解决这个问题。此外，在多无人机系统中，解决无人机之间的通信问题对于合作和协作也很重要。这个问题可以通过在无人机之间建立自组织网络来解决。还需要考虑无人机部署方面的挑战，以及在多无人机系统中开发防撞方法和建立合作与协作通信方面的挑战。在本文中，我们提出了一般的挑战，在无人机的部署和比较无人机通信服务的基础上，其工作频率。我们还提出了主要的碰撞避免方法，并特别讨论了碰撞避免方法，适合于室内应用。我们还提出了飞行自组织网络（FANET）的网络结构，通信和路由协议的每个开放系统互连（OSI）的通信层。
2021-03-26 cs.NI
A Stochastic Model for UAV Networks Positioned Above Demand Hotspots in Urban Environments
无人机（UAV）上的无线接入点正被考虑用于商业网络中的移动服务供应。为了能够在蜂窝网络中有效地使用这些设备，有必要首先对它们的设计参数如何反映最终用户所体验的服务质量有定性和定量的理解。在本文中，我们使用随机几何学的无人机接入点，智能定位自己以上的用户热点的网络的行为，我们评估这样的网络的性能对无人机被定位在一个矩形网格或根据启发式定位算法的情况下。
2018-04-29 cs.IT cs.NI math.IT
Threat Aware Task Offloading and Caching for Secure UAV Assisted Vehicular Consumer Electronics
Xidian University（西安电子科技大学）；Marwadi University（马尔瓦迪大学）；University of Hong Kong（香港大学）
针对车载消费电子VEC系统的安全与性能挑战，提出无人机辅助的协作VEC架构，设计TAGO框架实现威胁感知任务卸载与时空缓存优化，仿真验证其可降低任务延迟、提升缓存效率。
2026-08-19 cs.NI
Digital Tides: A Fluid-Dynamic Framework for Flux-Aware Infrastructure Provisioning in UAV Logistics Networks
Future Technology Research Center, China Telecom Research Institute（中国电信研究院未来技术研究中心）；Cloud Network Operating System R&D Center, China Telecom（中国电信云网操作系统研发中心）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
针对无人机物流网络中传统资源配置策略的滞后问题，提出流体动力学框架及流量感知非对称激活策略，实现服务可靠性与能耗的帕累托最优权衡。
2026-08-21 cs.NI
Hierarchical Aerial Computing for Internet of Things via Cooperation of HAPs and UAVs
随着计算需求的爆炸性增长，多访问边缘计算（MEC）范式作为一种有效的机制出现。此外，对于需要MEC服务的灾害或偏远地区的物联网（IoT），无人机（UAV）和高空平台（HAP）可为这些IoT设备提供空中计算服务。本文开发了由HAP和无人机组成的分层空中计算框架，为各种物联网应用提供MEC服务。特别地，该问题被公式化为最大化由空中MEC平台计算的总IoT数据，受限于IoT的延迟要求以及UAV和HAP的多个资源约束，这是一个整数规划问题并且难以解决。由于穷举搜索的复杂性，我们通过提出基于匹配博弈论的算法来处理从物联网设备到无人机的卸载决策，以及无人机和HAP之间的卸载决策的启发式算法来处理这个问题。通过外部性消除机制来解决匹配中不同物联网设备之间相互作用的外部效应。此外，还提出了一种调整算法，以最大限度地利用空中资源。分析了算法的复杂度，并通过大量的仿真实验验证了算法的有效性，最后通过仿真结果分析了系统的性能。
2022-02-12 cs.NI 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
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
Trajectory Optimization of Flying Energy Sources using Q-Learning to Recharge Hotspot UAVs
尽管无人机的商业用途或无人机交付服务越来越受欢迎，但它们对有限容量的机载电池的依赖阻碍了它们的飞行时间和任务连续性。因此，开发用于补充UAV电池的现场电力传输解决方案有可能延长其任务持续时间。在本文中，我们研究的情况下，无人机被部署为基站（UAV-BS）提供无线热点服务的地面节点，同时从飞行的能源收集无线能量。这些能源是专门的无人机（充电器或发射器无人机，tUAV），配备有无线电力传输设备，如RF天线。tUAV具有调整其飞行路径的灵活性，以最大限度地提高能量传输。随着UAV-BS数量的增加和环境的复杂性，有必要为tUAV开发智能轨迹选择程序，以优化能量传输增益。在本文中，我们的轨迹优化的tUAV建模为马尔可夫决策过程（MDP）问题，并解决它使用Q-学习算法。仿真结果表明，基于Q-Learning的tUAV优化轨迹优于两种基准策略，即tUAV的随机路径规划和静态悬停。
2020-03-27 cs.NI eess.SP
PAST: Pilot and Adaptive Orchestration for Timely and Resilient Service Delivery in Edge-Assisted UAV Networks under Spatio-Temporal Dynamics
Tongji University（同济大学）；Xiamen University（厦门大学）；Guizhou University（贵州大学）；CSIRO（联邦科学与工业研究组织）；North Carolina State University（北卡罗来纳州立大学）
针对时空动态下边缘辅助无人机网络的资源交易问题，提出PAST框架，集成PilotAO与AdaptAO机制，平衡了交易的稳定性、适应性与决策效率。
2026-08-25 cs.DC cs.GT cs.NI
JC5A: Service Delay Minimization for Aerial MEC-assisted Industrial Cyber-Physical Systems
针对无人机辅助MEC的工业信息物理系统服务延迟问题，提出整合宏基站与无人机计算能力的架构，构建NP难的服务延迟最小化优化问题，设计JC5A联合优化方法并理论证明其收敛性与复杂度，仿真显示性能优于基准方案。
2024-12-02 cs.NI eess.SP
UAV-Assisted Attack Prevention, Detection, and Recovery of 5G Networks
无人机（UAV）正在成为支持许多应用和服务的推动者，例如精准农业，搜索和救援，临时网络部署或覆盖范围扩展以及安全。无人机正被考虑作为空中用户或网络支持节点集成到新兴的5G网络中。我们建议利用5G中的无人机来帮助预防、检测和恢复5G网络上的攻击。具体来说，我们考虑干扰，欺骗，窃听和相应的缓解机制，使无人机的多功能性。我们引入了热区、安全区和基于无人机的二级授权实体等，以提高5G无线接入网络和服务的弹性和保密性。我们提出了模拟结果，并讨论了开放的问题和研究方向，包括需要进行实验评估和研究平台的原型和测试所提出的技术。
2020-07-01 cs.IT cs.NI eess.SP
A Business Model for Resource Sharing in Cell-Free UAVs-Assisted Wireless Networks
无人机（UAV）被广泛部署以增强无线网络容量并向基础设施覆盖范围之外的移动用户提供通信服务。近年来，在网络虚拟化技术的帮助下，多个服务提供商（SP）可以共享移动网络运营商（MNO）拥有的基础设施和无线资源。然后，它们使用从MNO获得的资源向其移动用户提供特定服务。然而，SP之间的无线资源共享是具有挑战性的，因为每个SP希望自私地最大化其效用/利润，同时满足其移动用户的QoS要求。因此，在本文中，我们提出了联合用户关联和无线资源共享问题的无蜂窝无人机辅助无线网络的目标，最大限度地提高总的网络效用的SP，同时确保其移动用户的QoS约束和资源约束的无人机部署的移动网络运营商。为了解决所提出的混合整数非凸问题，我们将所提出的问题分解为两个子问题：用户关联和资源共享问题。然后，一个双边匹配算法部署，以解决用户关联问题。我们进一步部署鲸鱼优化和拉格朗日松弛算法来解决资源共享问题。最后，大量的数值结果，以显示我们所提出的算法的有效性。
2021-07-02 cs.NI eess.SP
CURE: Enabling RF Energy Harvesting using Cell-Free Massive MIMO UAVs Assisted by RIS
不断发展的物联网（IoT）导致了众多无线传感器的增长，通过互联网基础设施进行通信。在设计使用这些传感器的网络时，一个关键方面是这些设备的寿命和自我可持续性。为了延长这些传感器的寿命，射频能量收集（RFEH）技术已被证明是有前途的。在本文中，我们提出了CURE，这是一种新的RFEH框架，有效地结合了无小区大规模MIMO（CFmMIMO），无人机（UAV）和可重新配置智能表面（RIS）的优点，为物联网设备提供无缝的能量收集。我们认为无人机作为一个接入点（AP）在CFmMIMO框架。为了增强RFEH的信号强度和信息传输，我们利用了RISs的被动反射能力。基于广泛的模拟，我们验证我们的框架的性能，通过比较最大最小公平性（MMF）算法的收获的能量。
2021-07-22 cs.NI eess.SP
AI-Based and Mobility-Aware Energy Efficient Resource Allocation and Trajectory Design for NFV Enabled Aerial Networks
在本文中，我们提出了一种新的联合智能轨迹设计和资源分配算法的基础上，用户的移动性和他们所要求的服务无人机（UAV）辅助网络，其中无人机作为节点的网络功能虚拟化（NFV）使能网络。我们的目标是通过分配有限的无线电和NFV资源，最大限度地提高能源效率，并最大限度地减少所有服务的平均延迟。此外，由于流量条件和用户的移动性，我们让一些虚拟网络功能（VNF）从其当前位置迁移到其他位置，以满足服务质量的要求。我们制定我们的问题，以找到接近最佳的位置的无人机，发射功率，子载波分配，放置，并调度所请求的服务的功能在无人机和执行合适的VNF迁移。然后，我们提出了一种新的分层混合连续和离散动作（HHCDA）的深度强化学习方法来解决我们的问题。最后，对算法的收敛性、计算复杂性以及不同参数下的性能进行了分析。仿真结果表明，与DDPG方法相比，HHCDA方法的请求拒绝率和平均延迟分别降低了31.5%和20%，能量效率提高了40%。
2021-05-21 cs.NI eess.SP
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
Towards Federated Learning in UAV-Enabled Internet of Vehicles: A Multi-Dimensional Contract-Matching Approach
再加上深度学习的兴起，车联网（IoV）组件的丰富数据和增强的计算能力使有效的人工智能（AI）模型得以构建。除了地面数据源，基于无人机（UAV）的数据收集和人工智能模型训练服务提供商，即，无人机即服务，近年来越来越受欢迎。然而，管理数据隐私的严格规定可能会阻碍独立拥有的无人机之间的数据共享。为此，我们建议采用基于联合学习（FL）的方法，以在独立DaaS提供商的联合中实现隐私保护的协作机器学习，以开发IoV应用程序，例如，用于交通预测和停车场占用管理。考虑到无人机和模型所有者之间的信息不对称和激励不匹配，我们利用多维合同的自我揭示属性来确保无人机类型的真实报告，同时考虑异质性的多种来源，例如，传感、计算和传输成本。然后，我们采用Gale-Shapley算法匹配最低成本的无人机到每个子区域。仿真结果验证了契约设计的激励相容性，表明了契约匹配的有效性，从而保证了信息不对称条件下模型所有者的利润最大化。
2020-04-08 cs.NI eess.SP
Energy Efficient Trajectory Control and Resource Allocation in Multi-UAV-assisted MEC via Deep Reinforcement Learning
针对固定MEC服务范围受限问题，本文构建多无人机辅助MEC的轨迹控制与资源分配多目标优化问题，提出融入生成对抗模仿学习的DPPOIL算法，仿真验证其性能优于基线方法。
2025-08-01 cs.NI eess.SP
Enabling Smart Reflection in Integrated Air-Ground Wireless Network: IRS Meets UAV
智能反射面（IRS）和无人机（UAV）分别通过智能信号反射和机动控制主动改变无线通信信道，成为提高无线通信网络性能的两种有前途的技术。然而，它们在实践中面临着不同的限制，这限制了它们的未来应用。在这篇文章中，我们提出了新的方法，联合应用IRS和无人机综合空地无线网络，利用他们的互补优势。具体地说，地面IRS用于增强无人机-地面通信性能，而无人机机载IRS用于辅助地面通信。我们提出了他们有前途的应用场景，新的通信设计问题以及潜在的解决方案。特别是，我们表明，它实际上是有益的部署在未来的无线网络中的地面和空中IRS，以获得智能反射在三维（3D）空间的好处。
2021-03-29 cs.IT cs.NI eess.SP
An Autonomous Spectrum Management Scheme for Unmanned Aerial Vehicle Networks in Disaster Relief Operations
Northern Arizona University（北亚利桑那大学）
研究了无人机（UAV）网络在执行野火监测、搜救和灾害监测等关键任务时的频谱短缺问题。此类应用涉及对高吞吐量数据传输的高需求，例如实时视频流、图像流和语音流，其中分配给UAV网络的频谱可能不足以提供期望的服务质量（QoS）。在这些情况下，空中网络可以从可用的地面网络借用额外的频谱，以换取它们的中继服务。我们提出了一个频谱共享模型，在该模型中，无人机被分为两类中继无人机服务的频谱所有者和传感无人机执行救灾任务，使用所获得的频谱。无人机网络的操作由分层机制管理，其中中央控制器基于其资源分配无人机的任务，并基于受影响区域的优先级确定其操作区域，然后无人机使用无模型强化学习算法自主微调其位置，以最大化个体吞吐量并延长其寿命。我们分析了所提出的方法的性能和收敛性分析，并在不同的情况下进行了广泛的模拟。
2019-11-26 cs.LG cs.NI eess.SP
Average Peak Age-of-Information Minimization in UAV-assisted IoT Networks
出于确保及时提供信息的需要（例如，状态更新），本文研究了无人机（UAV）作为移动中继的作用，以最小化源-目的地对的平均峰值信息量（PAoI）。对于这种设置，我们制定了一个优化问题，以共同优化无人机的飞行轨迹以及数据包传输的能量和服务时间分配。为了解决这个非凸问题，我们提出了一个有效的迭代算法，并建立其收敛性分析。对一些子问题也给出了封闭解。在此过程中，我们解决的子问题之一是联合优化的能量和服务时间分配为一个给定的轨迹的无人机。这个问题本身就很有趣，因为在某些情况下，我们可能无法根据物联网设备的位置改变无人机的轨迹（特别是当其主要任务是其他任务时）。我们的数值结果量化的增益，可以通过额外优化无人机的轨迹。
2018-12-21 cs.IT cs.NI math.IT
An Optimal Multi-UAV Deployment Model for UAV-assisted Smart Farming
下一代无线网络将动态部署无人机作为空中基站（UAV-BS），以提高无线网络在偏远地区的覆盖。为了在随机环境中提供有效的服务，必须针对不同的场景适当地指定UAV-BS的最佳数量、它们的位置和轨迹。这种部署需要一种智能决策机制，可以在不同时间处理各种变量。本文提出了一种用于智能农业的多UAV-BS部署模型，采用多标准决策（MCDM）方法来确定用于监测动物行为的UAV-BS的最佳数量。该模型考虑了UAV-BS的信号干扰和用户移动引起的路径损耗变化的影响，以最大限度地提高系统的效率。为了避免UAV-BS之间的冲突，我们将所考虑的区域分成几个集群，每个集群由一个UAV-BS覆盖。我们的模拟结果表明，部署效率比基准聚类算法高出11倍。
2022-07-28 cs.NI eess.SP
Towards enabling reliable immersive teleoperation through Digital Twin: A UAV command and control use case
针对蜂窝网络下无人机远程沉浸式遥操作可靠性不足的问题，提出基于数字孪生的架构，构建映射物理环境的虚拟场景并为虚拟无人机配置先进功能，结合虚实环境信息的智能逻辑管控操作，经现场试验验证可显著提升遥操作可靠性。
2023-08-28 cs.HC cs.MM cs.NI
UAV-assisted C-RAN for On-demand Cellular Coverage: Opportunities and Challenges
本文探讨将无人机集成到云无线接入网络（C-RAN）中，以应对超5G时代受灾、热点和复杂地形场景下的按需蜂窝覆盖挑战，并分析了实现该架构的机遇、挑战及热点场景下的初步仿真性能。
2024-05-24 cs.ET cs.NI
Networking of Internet of UAVs: Challenges and Intelligent Approaches
无人机互联网（I-UAV）网络通过无人机之间的有效协作，可以快速、稳健、经济地完成传感和传输任务。为了实现有希望的好处，关键的I-UAV联网问题应该得到解决。本文认为，I-UAV网络可以分为三类，服务质量（QoS）驱动的网络，体验质量（QoE）驱动的网络和态势感知网络。每一类网络都提出了新的挑战，这些挑战对安全有效地完成I-UAV任务产生了严重影响。本文详细分析了这些挑战，并阐述了解决I-UAV联网问题的相应智能方法。此外，考虑到通过与高空平台（HAP）合作来扩展I-UAV网络的可扩展性的提升作用，本文概述了集成HAP和I-UAV网络，并提出了相应的组网挑战和智能方法。
2021-11-13 cs.AI cs.NI
