一种基于深度学习的方法，用于实现无人机部署中的异构热点覆盖

《Ad Hoc Networks》：A deep learning-based approach for heterogeneous hotspot-coverage in UAV deployment

无人驾驶航空器（UAV）动态部署问题通过构建合成数据集并训练卷积神经网络模型，实现实时3D位置预测，在异构热点区域和不同用户分布下均达到96%以上的R2分数，优于传统贪心算法，有效解决NP难解问题并满足服务质量约束。

　　

Kolichala Rajashekar | Vamsi Krishna Sunkara | Subhajit Sidhanta

奥地利因斯布鲁克大学计算机科学系

摘要

在动态环境中（如公共集会、道路交叉口和城市路口）部署无人驾驶飞行器（UAV）以提供无线覆盖面临诸多挑战，这些挑战源于热点区域大小的变化、用户移动模式以及服务质量（QoS）要求的差异。尽管先前研究中使用的迭代或启发式算法有可能适应这些变化，但它们要么会在计算资源有限的UAV硬件上产生显著的运行开销，要么需要不间断的回程通信。在本文中，我们对上述动态UAV部署（DUDE）问题进行了形式化描述，证明其属于NP难题，并提出了一种基于卷积神经网络（CNN）的混合方法来预测单个UAV的最佳3D位置。我们的CNN模型是在一个包含多种用户分布和热点区域大小的定制合成数据集上训练的，这使得它能够进行大量的离线训练，然后实时在线推断UAV的位置，从而消除了重复在线迭代的需要。实验结果表明，我们的模型在预测UAV的3D位置时，平均绝对误差为3.5，平均$R^2$得分超过96%，适用于异构热点区域和不同用户位置统计分布的情况。我们还与贪婪用户分配方案进行了广泛的比较，并证明了在QoS约束下改进了连接性。

章节摘录

引言与动机

近年来，无人驾驶飞行器（UAV）在无线覆盖和热点监控方面的应用显著增加。我们考虑了UAV作为网络基础设施，在动态环境中（如道路交叉口、音乐会、集会和其他大型聚会）提供不间断关键服务的情况[1]。如图1所示，UAV从地面基站（GBS）部署出来，作为地面终端（GTs）的无线接入点。

相关工作

采用UAV提供各种通信和网络服务引起了研究人员的极大兴趣，他们提出了不同的策略来应对这一领域中的各种挑战（见表1）。

Zhang和Duan [1] 提出了一种实时部署UAV以支持无线通信服务的技术。这种方法并未明确适用于不同的热点区域大小或用户分布。Rajashekar等人[2] 提出了一种强化学习方法

系统模型与问题定义

我们考虑了一个由商用现成（COTS）通信设备（如标准Wi-Fi或LTE发射器和模块[27]）组成的UAV系统。通常，UAV的覆盖区域在地面上的投影是圆形的，如[28]所述。然而，出于分析目的，并不失一般性，我们将热点区域建模为尺寸为$l_t\times b_t$的动态矩形，这些矩形会随时间演变，以代表典型的城市街道和大道网格。

理论分析

问题$P$具有高度非线性，涉及带宽、数据速率、传输功率和UAV的3D位置。在这里，我们证明了以下内容。

定理1

DUDE问题是NP难题。

证明

我们通过将NP难题[33]中的2集合划分问题归约为DUDE问题来证明这一点。

2集合划分问题定义如下：给定一组整数$S=\{x_{},x_{},\; \dots \dots ,x_{},n，确定是否存在一个将<span><span></span><span><svg><g><g><g><use></use></g></g></g></svg></span></span><span><math><mi>S</mi></math></span>$划分为两个子集$S_{}$和$S_{}$的方式，使得$S_{}$中的元素之和等于

数据集生成与模型训练

在本节中，我们讨论了使用CNN的合理性、数据集的构成，以及我们采用的混合CNN架构和训练过程的详细信息。

实验评估

实验是在一台配备Intel Xeon(R) Gold 6240R CPU的工作站上进行的，该CPU的频率为2.40 GHz，拥有96个核心和256 GB的RAM，并运行64位Ubuntu系统。我们使用PyTorch框架实现了算法和仿真实验。[6] 在构建数据集时，我们考虑了热点区域的大小，范围从50到700。关于热点区域的大小，我们研究了地面终端的分布情况。

结论与未来工作

考虑到UAV网络覆盖的热点区域的动态变化以及地面终端（GTs）的不同统计分布，我们提出了一种新颖的混合CNN架构，用于在保持GTs的QoS要求的同时部署UAV。我们在一个定制的数据集上训练了该CNN，以避免大多数启发式算法中涉及的迭代计算带来的开销。我们证明了我们提出的解决方案具有足够的泛化能力，可以调整UAV的位置。

CRediT作者贡献声明

Kolichala Rajashekar：撰写 – 审稿与编辑、撰写 – 原始草案、可视化、验证、监督、软件、资源管理、方法论、调查、资金获取、形式分析、数据整理、概念化。Vamsi Krishna Sunkara：概念化。Subhajit Sidhanta：撰写 – 审稿与编辑、监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本项工作得到了Horizon Europe研究与创新计划（授权协议编号101189771，DataPACT）的资助。