基于无人机的6G通感算研究概述

摘 要

摘 要

关键词

关键词

0 引言

近年来，第五代移动通信系统（5G, the fifth generation of mobile communications system）的融合应用正在推动经济社会的数字化、网络化和智能化转型[1]，迎来了万物互联的新时代。随着5G技术的发展，新的应用场景，如智慧城市[2]、智慧交通、智能家居和智能工业[3]等，受到了互联网业、工业界和学术界的广泛关注，进一步推动了万物智联的第六代移动通信系统（6G, the sixth generation of mobile communications system）的到来。同时，这些新的应用场景需要极低的延迟、高质量的无线连接和更高精度的传感能力，然而现有的5G技术无法满足这些需求。随着无线通信业务需求的增长和感知设备数量的增加，无线资源和算力之间的矛盾变得更加突出[4]；其次，6G应用场景的实现需要实现闭环控制信息流，包括传感数据的采集和共享、智能处理和决策，以及确定性控制指令的传输和执行；再者，6G应用于高度动态的环境中，需要多个智能机器密切合作来完成关键任务，而现有的5G技术无法将感知深度融合，以达到高度自动化的控制[5]。

针对上述面临的挑战，学术界与工业界正致力于不断深入探索通信-感知-计算的融合技术。一方面，在射频传感与通信系统领域中，在高频段上逐渐趋近于朝向天线阵列小型化方向的发展；另一方面，在传感系统与通信系统的硬件架构、信道特性和信号处理等方面具有相似特性[6]的同时，则促进了通信感知一体化（ISAC, Integrated Sensing and Communication）研究的发展[7]. 同时，在后5G（B5G, 5G and beyond）及6G时代中的应用场景将会面临更加复杂的动态环境，并且需要通过增强的感知计算能力来实现精准感知与灵活决策从而得以实现准确、快速的一带一互联并以达到分布式协同计算的目的. 同时随着人工智能技术如深度学习、强化学习以及分布式学习等领域的崛起则推动了这一技术生态系统的深度融合

注

无人机与通感算系统的融合丰富了无人机的应用场景，例如突发的交通事故的救援、自然灾害后的应急网络搭建、临时区域的热点增强（体育场馆和户外活动等）、未经授权的窃听者监控[10]和辅助车联网进行计算卸载[12]等，如图1所示 。无人机通感算的应用总体可以概括为空中无人机基站和无人机监控两种，前者是ISAC系统负载在无人机上，利用无人机强大的视距链接以及机动性，同时利用智能计算辅助，为地面用户提供高质量服务，从而提升网络性能。如文献[13]中，考虑无人机蜂窝互联网中的轨迹设计问题，其中无人机通过协作感知和传输连续执行多个感知任务，利用深度强化学习算法，最小化任务信息年龄。后者是无人机作为用户，地面网络为无人机提供通信、感知与计算服务，加强对无人机的追踪与监管，如文献[14]利用集成通信、感知和控制调度方法，解决无人机辅助高频毫米波/太赫兹通信中的波束追踪对准问题，同时保障通信传输速率性能需求和无人机运动控制。

1 无人机通感算融合中的典型科研问题

本节将深入探讨通感算一体化性能指标及其应用，在无人机场景中涉及通信感知计算资源分配问题、路径规划方案以及通信感知一体化波形设计方案的问题。

1.1 通感算一体化性能度量

通感算系统的评价指标将直接影响解决方案的设计过程。目前的信息理论主要是以单一维度的方式对通信、感知和计算的性能进行评估，而如何整合这些指标形成系统性的分析框架，则将成为提升通感算一体化网络综合性能的关键因素。

通信的主要目标是通过最可靠的方式将信息从源发送到目标。香农定理为通信系统设定了一定的技术边界。通常从效率和可靠性两个维度来评估其性能。有效性方面可采用频谱效率、能量效率以及信息传输速率等指标来评估；在可靠性方面，则主要关注中断概率、误码率、误 symbol率以及帧错误率等因素。

根据功能划分，感知的指标主要可分为三类：检测型、估计型与识别型。在噪声与干扰的影响下，通过一定方式实现目标感知。其中，在实际应用中常用均方误差（MSE）与克拉美罗界（CRB）等统计量来评估其准确性。其中，在复杂环境中准确辨识物体及其行为具有重要意义。

计算性能主要包含计算机性能、资源管理和服务质量三个维度。
其中，
计算机性能涉及CPU利用率和吞吐量等关键参数。
在资源管理方面，
则涉及总资源量、使用量和利用率等多个维度。
最后，
服务质量保障则关注可靠性和响应时间等关键要素。

为以实现通信、感知与计算的深度融合而开展相关性能指标的研究工作，在这一领域仍存在诸多挑战有待进一步解决。已有研究已就通信与感知性能边界展开了探讨，并主要聚焦于两种不同的研究方向：其一是通过新引入的感知或通信指标来使两者在衡量标准上趋于一致；其二是通过新指标将两者统一量化评估。其中前者的研究进展较为显著，在现有文献中已有较多成果：例如，在文献[16-17]中提出了具备通信系统特征的雷达估计信息率作为雷达感知指标，并详细阐述了该方法的相关理论基础及应用实例；而在文献[18]中则将基于信道参数的MSE作为衡量雷达信息传输效率的标准，并在此基础上提出了相应的优化算法；此外，在文献[19]中又提出了基于信道状态信息的状态噪声比（StNR, State-to-Noise Ratio）概念，并对其理论基础进行了深入探讨。这些研究成果总体上反映了基于多维融合的新思路逐渐形成的趋势，但目前仍未能形成完整的三者协同统一的技术框架。

1.2 无人机通感算系统典型科研问题

文中指出,无人机凭借其先进而灵活多变的特点,即强大的视距通信链路网络以及高效率的行动能力,受到了广泛的应用领域关注。然而,尽管无人机拥有强大的计算能力,但在实际应用中仍会面临重量与功率等方面的限制因素,因此如何实现资源的有效配置成为了优化系统性能的关键所在。此外,鉴于无人机在空间范围内的广度移动特性,研究如何根据具体应用场景调整飞行路线以达到最佳效果一直被认为是学术界的一个重要课题方向。对于无人机通感算系统的整体设计而言,一体化波形方案的设计被视为系统设计中的一个重点难点问题。本节首先给出了初步建立的无人机通感算系统的模型框架,随后对当前研究中所面临的主要三个优化挑战进行了简明扼要地概括介绍

（1）无人机通感算系统模型

如图2所示

其中wk,n为通信感知波束矢量，sk,n为传输信息。

无人机采用视距链路作为主要通信手段。基于自由空间传播特性所建立的路径损耗模型被选作该系统的信道模型的基础。

（2）资源分配问题

随着万物智联网络的发展

具体来说，波束资源分别用符号b表示；信道资源分别用符号c表示；功率资源分别用符号p表示；计算资源分别用符号f表示。具体定义如后

（3）无人机轨迹规划问题

因为无人机在空间中具备灵活控制的高度与水平位置的能力，并非仅限于某一个固定点位。这种特性使其能够适应通感算系统中的多种功能需求，在协同通信以及分布式感知计算中展现出显著的优势。现有的研究工作主要围绕两个核心方向展开：其一是在通感算系统处于准静止状态下，通过精确规划每个任务周期内的悬停位置来提升系统效能；其二是针对通感算系统中的无人机动态场景进行研究，在动态变化的任务执行过程中实现最优路径规划与资源分配平衡。其中，在准静止状态下有两项重要研究值得提及：其一是文献[24]探讨了无人机作为空中基站的应用模式，并证明通过优化其三维布局策略能够显著提升覆盖范围；其二是文献[25]进一步优化其三维布局策略能够显著提升覆盖范围；而文献[26]则提出了通过综合配置无人机的位置、关联关系以及功率分配策略，在通信性能与传感能力之间取得平衡的具体方法。而在无人机动态场景下，则有两项代表性工作值得关注：其一是在特定时间段内动态协调各无人设备的空间分布以满足信息实时性要求；其二则是分别针对静态与动态两种状态进行了深入分析并提出相应的解决方案以确保系统稳定运行

本文首先对准静态场景下的无人机轨迹优化问题进行了简明扼要的阐述，并以最大化平均信息率为目标，在满足感知互信息约束的基础上，则构建以下优化模型：

（4）一体化波形设计问题

波形设计在通感算一体化系统中扮演着重要角色。一方面而言，在保证精确感知的同时降低任务延时并提升计算效率能够有效优化系统性能；另一方面通过分布式算力实现快速的波束对准与跟踪不仅增强了系统的整体信息处理能力还可以进一步提升网络计算能力现有的研究主要聚焦于基于共享信号资源的设计方法旨在构建能够兼具感知与通信功能的一体化波形从而实现集成增益[6]根据集成方式ISAC波形设计大致可分为两类第一类是采用时分频分空分码分以及多维度复用策略将感知波形与通信波形有机融合形成一体化波形例如文献[33]中提出的正交时频空间调制波形这类方法虽然在硬件实现上较为简便但未能充分融合感知与通信资源导致频谱与能量利用效率较低第二类则是通过联合优化统一设计来实现感知探测与通信传输功能这种设计思路具有较高的可塑性且能更灵活地平衡资源分配因此成为当前研究的重点方向联合波形设计突破了传统信号的设计框架而是根据具体应用需求综合考虑感知与通信目标形成了更具针对性的设计方案接收信号可表示为：

其中H为信道矩阵,W为联合波束形成矩阵,X为发射信号矩阵,N为系统噪声,通过优化发射波形X及预编码矩阵W的设计方案可以实现相应的通信性能目标.例如参考文献[34]所述,在满足雷达波束方向图约束条件的情况下实现了多用户环境下的集成目标检测与下行链路通信功能.参考文献[35]提出了一种基于MIMO技术的双功能雷达通信系统,通过优化发射波形X以及预编码矩阵W的设计方案可以进一步提升雷达感知性能与通信质量之间的平衡关系.

本文提出了一种优化波束形成的方法。基于上文所述的系统模型，在功率限制条件下，并满足一定的波束增益要求下，被优化式（1）所设计的波束矢量能够使得系统的通信速率得到最大值。所述的优化问题可表述为：

其中 P max为最大波束功率。

对无人机通感算系统的一体化波形设计研究中发现，在综合考虑无人机轨迹、功率分配以及用户关联关系等多个关键参数的基础上进行系统设计具有重要意义。参考文献[28]中指出，在满足传输功率限制条件以及感知波束增益要求的前提下展开无人机轨迹与波束联合优化设计工作以实现感知性能与通信效能的最佳权衡。文献[36]则在感知频率与波束方向增益约束条件下提出了一种联合优化方法以最大化单用户信息传输速率。文献[37]通过优化通信感知波束形成矩阵以及无人机轨迹路径实现了系统平均吞吐量的最大化提升。然而随着系统参数数量不断增多相关优化问题也相应变得更加复杂特别是在动态环境下无人机带来的实时波束预测与跟踪需求使得计算资源消耗显著增加。基于强化学习算法能够根据实际环境动态调整策略因此利用强化学习方法进行智能波形与波束设计有望为解决这一技术难题提供有效解决方案具体内容将在本节详细阐述

2 无人机通感算系统的优化问题解决方案

无人机无线网络的任务效率主要受以下因素影响：上文提到的资源利用效率、飞行轨迹以及一体化波束等因素。由此可见，有效解决这一关键问题有助于提升无人机通信系统的性能。近年来的研究成果不断增多，在无人机网络领域取得了一系列创新性突破。现有的解决方案主要可分为两类：一类基于机器学习的方法（如文献[38]提出的一种基于粒子群优化的方法），另一类则不依赖于机器学习（如文献[39]中采用分支定界法求解非凸问题）。表1和表2 分别归纳了这两类方案的主要特点及适用场景：表1着重展示了非机器学习类算法的基本原理与实现流程；表2则详细对比了几种典型方案在性能指标上的优劣表现。具体而言，在非机器学习类算法中包含了传统的连续优化方法（如文献[40]中提出的基于路径规划与波束成形联合优化的方法）。而对于多参数优化问题，则有文献[39]中采用将复杂的联合优化分解为两个子问题并交替求解的方式以获得较优结果

虽然这些方法在处理较少优化参数时表现优异，在面对较为复杂的动态环境时，在引入大量优化变量后可能会导致问题解决过程更加繁重。此时被智能计算辅助完成了对问题的有效优化。随着机器学习技术的发展进步，在无人机通感算系统中得到了创新性的解决方案的应用，并预期能够显著降低系统复杂度，并带来前所未有的性能提升效果。

机器学习建立在模式识别框架之上，并以一组数据与过去良好动作序列的相关性为其核心原理，在此基础之上适应环境变化而无需人工干预。该方法则涵盖三类：监督学习、无监督学习以及强化学习[41]。

监督学习：基于数据集进行训练的过程包含输入样本及其对应的目标变量（即为特征向量与标签变量），其中目标变量需由人工进行标注以建立映射关系。此算法仅适用于具备充足标记样本的情况。典型的监督学习方法涵盖回归模型与分类器设计。

在无监督学习中，并不要求提供标签数据。
这使得该方法特别适合于从未标注的数据中提取潜在的结构。
常见的算法有生成对抗网络（GAN）。

强化学习：无需历史数据接受训练。与此相反, 强化学习算法通过与环境交互来提升其长期累积奖励.

此外，在机器学习领域中，深度学习作为一种核心技术工具而存在。通过构建多层人工神经网络来实现智能决策，在无需人工干预的情况下即可完成任务。相比之下，深度强化学习则融合了传统深度学习与强化学习的优势（网络流程如图3所示），从而构建出能够应对复杂度极高的优化问题的人工智能体系。其显著的应用包括：在车联网系统中进行资源分配优化；在协同感知与通信无人机蜂窝网络中设计轨迹；以及在5G网络中实现联合波束成型、功率控制与干扰优化等任务[42-45]。

3 基于无人机的6G通感算开放问题和未来研究方向

3.1 通感算一体化性能度量理论研究

6G通信感知计算（通感算）融合体系在现有理论框架下尚显不足，在表征三者融合程度与效果方面缺乏系统性指标。研究如何在通信感知性能与计算能力之间的权衡中取得平衡已成为当务之急。与此同时，在通感算系统的评估体系中占据重要地位的指标对于指导系统设计方案具有决定性作用。然而，在通信领域以香农极限作为信息传递的基本限制，在感知领域以克拉美罗下界被视为信息收敛的基础限制，在计算领域则独立于二者存在独特的评价标准。这种单一化的评价标准不利于构建统一的信息处理体系的发展方向。因此，在理论层面阐明各维度间的内在关联并建立一套涵盖三者的统一信息理论模型成为当前以及未来研究的关键方向

3.2 无人机通感算融合智能资源调度

6G各类智能应用依赖感知、通信及计算等多种维度的支持。然而，在无人机高度动态的工作环境中，这些多维资源与业务之间的匹配往往涉及竞争、协作以及相互制约等复杂关系。从理论上讲，在深入分析通感算资源内部矛盾及权衡关系时，能够有效提升资源配置效率。文献[59]中提出了一种基于计算多样性的概念来描述计算与通信之间的关联模式，并以此指导资源共享策略；但该研究并未直接关注感知层面上的网络节点特性分析问题。目前关于通感算融合性研究仍显不足。就方案实施而言，在多维数据融合管理方面仍面临海量数据处理带来的调度开销问题；同时在算力自适应管理方面也会遇到能效效率不高所带来的挑战；如何平衡有限算力与海量需求之间的矛盾，则是亟待解决的关键难题之一；而人工智能技术凭借其强大的智能计算能力，则为解决无人机网络中的数据处理难题提供了一条具有潜力的新路径

3.3 无人机辅助移动边缘计算

现有的云计算技术在低延迟、精确感知及移动支持等方面仍显不足[60]。为了应对这一痛点，提出了移动边缘计算（MEC, Mobile Edge Computing）这一解决方案[61]。通过充分运用边缘网络中的现有资源配置，在提升用户体验的同时实现了云服务与本地设备间的高效协作[62]。其中，在无人机作为空中计算平台的基础上辅以移动边缘计算优势，则能够显著提升用户端设备执行高负载任务的能力[63]。相较于固定位置的MEC系统而言，在无人机的应用下无需固定的地理位置限制且更加灵活便捷地响应需求[64]；同时通过构建基于无人机的通感算网络架构，在满足边缘数据传输效率的同时进一步强化用户的感知体验[65]。然而受限于无人机通信资源的异构性与受限性影响以及MEC运行环境下的功率限制因素[66]；加之无人机自身动态特性所带来的复杂环境变化带来的系统性能波动问题[67]；导致即使采用无人机辅助的方式也无法彻底突破原有系统性能瓶颈；因此实现高效的算法设计以应对上述技术难题成为了当前研究领域面临的核心课题。

3.4 6G无人机通感算蜂窝网络

无线通信是无人机应用中不可或缺的一项技术，在过去几年里已经逐渐成为通信领域的重要研究方向之一。随着蜂窝网络向更高版本发展以及通感算一体化技术的进步，在这一领域内出现了许多新的探索与突破。近年来的研究重点逐渐转向如何将无人机与其他先进技术和设备相结合以实现更高效的通信应用。一方面，在通感算一体化技术支持下形成的蜂窝网络体系可以通过智能预测波束对无人机实施监管与追踪功能，并在此基础上保障无人机与其地面用户的可靠连接通道同时还能显著提升其通信性能方面发挥着关键作用。另一方面，在集群无人机协同通信与分布式感知计算的应用下能够有效提升整个网络的信息处理能力从而为地面基站提升服务质量提供有力的技术支撑；但目前由于现有蜂窝网络适用的技术成果多针对传统固定式设备设计难以直接适用于具有异构特性的小型化移动设备如无人机因此未来仍需从硬件层面对其通信系统进行全面优化升级[64]。此外在实际应用场景中由于无人机与其对应的蜂窝接入点之间不可避免地会存在强大的视距链路干扰这不仅会严重影响到地面用户与其所在区域内的蜂窝接入点之间的正常通信还促使相关研究者开始关注并探索如何建立有效的干扰管理机制来消除这种异构环境下存在的通感算一体化网络中的干扰问题

4 结束语

本文首先阐述了基于无人机技术开展6G通信感知（Com Sens）研究的重要背景；其次深入探讨了无人机通信感知融合中的典型科研问题，并重点分析了以下三个关键议题：一是统一感知框架下的系统性能度量技术现状；二是无人机资源分配与调度策略；三是智能路径规划方法以及统一波形设计优化方案等四个重点内容。最后展望了基于无人机技术在6G通信感知应用领域的未来发展方向。