基于通感一体化的6G无人机网络

摘 要

【关键词】 6G；通感一体化；无人机集群；轨迹优化；联邦学习

0 引言

6G技术将整合移动通信技术、人工智能与大数据技术，以提升网络感知能力，并实现感知与通信功能的深度结合。这种深度融合将推动万物互联向通感智联方向稳步过渡。为满足元宇宙、数字孪生等新兴业务需求，在6G时代将实现无线通信系统逐渐向毫米波频段和太赫兹频段延伸，并逐渐与传统的雷达感知频段形成交叠区域，在相同频谱资源上实现感知与通信功能的融合应用。这种融合不仅可以最大化频谱资源利用率，并可有效缓解传统无线通信系统面临的人力资源紧张问题[1]。基于通信感知一体化（ISAC, Integrated Sensing and Communication）框架设计的协同感知系统架构可以在成本基础上内生增强感知能力，并支持多点组网协同感知模式的应用场景划分，在不同复杂场景下提供定制化的人工智能化感知服务[2]。在复杂的实际应用场景中，通过多点协同组网的方式突破单点感知资源限制瓶颈，在分布式智能协作框架下提升整体系统的感知性能水平

1

无人机（UAV, Unmanned Aerial Vehicle）以其低投入、高灵活性和可扩展性在军事、民用和商业领域均有应用。其主要应用模式包括：
（1）无人机基站；
（2）无人机中继；
（3）无人机数据采集。在执行数据采集任务时，
传统无人机采用独立配置的方式，
用于获取环境信息并实现数据传输。
然而，
这种独立配置导致频率资源利用率低下，
并增加了能耗。此外，
固定布置的感知网络具有有限的有效覆盖范围，
在面对障碍物时容易出现通信中断问题。本文计划结合
UAV与ISAC技术,
利用UAV的高度灵活性,
开展ISAC网络资源优化方案的研究工作。
在确保感知数据能够高效传输的基础上,
联合优化发射功率与无人机运行轨迹,
最终目标是最大化系统内部的信息量。

1 相关工作

无线网络的发展趋势表明，在满足多样化的感知需求方面存在不足。为了弥补这一缺陷，在现有技术基础上引入移动传感器节点成为当务之急。相较于现有的地面移动传感器节点系统，在环境适应性和操作灵活性方面无人机（UAV）展现出显著优势：不仅能够在复杂多变的环境中正常运行，还能根据实际任务需求快速调整工作模式并优化资源利用效率。基于这些特点众多研究者致力于探索基于感知能力的UAV网络架构设计与优化方案。其中 Mei等人[7]提出了一种基于小区间干扰协调机制的频谱感知方案该方案通过无人机对干扰信号进行实时监测并结合上下行链路的数据传输实现了基站资源分配目标从而有效降低了小区间内的干扰水平。随后 Hu等人[8]开发了一种创新性的基站-UAV双基地合成孔径雷达平台该平台通过优化无人机飞行轨迹在保证感知精度的同时显著降低了系统的能耗并延长了整体运行时间。Wu等人[9]则提出了一个认知型UAV网络框架该框架采用了一种新颖的帧内协同频谱感知结构并通过顺序最大截断算法实现了多频段环境下的时延约束下频谱感知效率的最大化从而显著提升了系统的频谱利用率

基于ISAC架构设计的无人机网络系统能够通过优化频率利用率来增强其感知能力。在辅助基站感知场景中,Liu等人[15]提出了基于感知公平性原则的一种新的无人机集成感知与通信能效优化方法,该方法通过联合优化用户调度机制、发射功率控制以及无人机轨迹规划,有效提升了ISAC网络的整体性能表现。鉴于单个无人机在覆盖范围与传输速率方面的限制难以满足下一代移动通信技术6G应用需求,多无人机协作方案因此受到了学术界与产业界的广泛关注。Meng等人[16]在此基础上提出了一个整合周期性时空信息采集机制的新方法,并结合一种两层惩罚机制算法框架,实现了数据传输效率的最大化目标。Wang等人[17]则开发了一种多无人机协同通信与雷达感知协议,通过全局协同优化无人机位置配置、用户接入关系建立以及信道资源分配效率,实现了网络整体性能效益的最大化提升。Zhang等人[18]在此研究基础上设计了一个深度强化学习驱动型智能轨迹规划与资源分配系统,采用分布式多智能体协同进化算法框架,实现了无人机轨迹规划、发射功率控制以及信道资源分配三者之间的高效协同最优化配置,最终达到了显著提升系统级端到端性能的目标

4 仿真结果分析

该仿真环境设定在一个200米见方的方形区域内，在地面随机布置了10对D2D节点、5个感知用户节点以及一个基站设备；其中无人机起降点位于基站与感知用户连线的中点位置；主要参数配置情况见表1：加性高斯白噪声功率谱密度值设定为-174 dBm/Hz；通信信道带宽设定在1兆赫兹范围，并采用24 GHz频段进行载波传输；其中β取值设定为0.5

图3直观地描绘了基于智能感知的UAV系统总MI变化趋势。从图3的数据可以看出，在迭代次数不断增大的情况下，本研究采用的FQL算法相较于传统的Q-Learning方法以及固定位置方案，在收敛速度方面表现更为突出，并且在收敛的具体数值上与Q-Learning方法具有相近的表现水平。这一现象的根本原因在于联邦学习机制通过独立节点协同训练全局模型而不共享具体数据信息的能力优势使得所提出的算法得以更高效地完成训练过程。

通过图4可以看出，在多种方案中，“height”的变化对其表现产生了显著影响。观察该图表可知，“height”增加会导致基于智能感知的UAV系统整体性能有所下降。“height”的提升主要体现在其感知能力和通信能力均呈现不同程度的降低。

在不同时间隙分配因子下所提出算法的性能指标MI如图5所示。通过图5可以看出，在时间隙分配因子逐渐增大的过程中，系统的性能指标MI也持续提升。值得注意的是，在时间隙分配因子达到较大值时，则会出现通信时隙不足的情况。因此，在实际应用中建议选择一个合理的时隙分配因子来平衡性能与资源消耗之间的关系。

5 结束语

本研究聚焦于智能感知驱动下的UAV资源配置优化问题。通过将资源配置问题分解为UAV轨迹优化与功率分配两个关键子问题，并采用FL算法作为基础工具，在此基础上开发了一种基于FQL理论的UAV智能感知资源配置方案。实验结果表明该算法在收敛速度方面表现出显著优势，并成功解决了UAV智能感知下的资源配置难题。