基于智能超表面的無人機移動邊緣計算綜述

關鍵詞：無人機；移動邊緣計算；智能超表面

0引言

5G已進入商業化階段，6G的研究也在持續進行，這為一系列新興應用提供了支撐，例如自動駕駛、人臉識別和虛擬現實等。這些應用需要處理大量的計算密集和延遲敏感任務，而終端設備的板載資源往往難以滿足，從而導致延遲過高。移動邊緣計算（Mobile Edge Computing，MEC）是一種有效的解決方案，它將計算資源部署到網絡邊緣，更加靠近終端設備，如接入點（Access Point，AP），可以減輕終端設備的計算負擔、提高響應速度、降低網絡延遲，顯著增強了網絡的計算能力。

地面MEC網絡的服務器通常固定部署，難以適應動態、異構的環境，也無法快速、高可靠地支持熱點和臨時計算。無人機（Unmanned Aerial Vehicle，UAV）與MEC技術的結合可以提供更靈活的計算卸載服務，通過空地協作的視距（Line of Sight，LoS）傳輸可以提高用戶的上行鏈路數據速率，同時滿足延遲要求。UAV輔助的MEC網絡相比地面MEC網絡在覆蓋范圍、移動性、成本、重新配置和靈活性方面有眾多優勢，是SG和6G網絡中的關鍵技術之一。

UAV輔助的MEC網絡雖然解決了傳統MEC網絡的許多問題，但仍面臨著復雜且時變的衰落信道的挑戰。這會導致UAV的信號質量不穩定，出現信號強度波動、信噪比降低、誤碼率增加、數據傳輸延遲和丟包等問題。智能超表面（Reconfigurable In-telligent Surface，RIS）可以動態地控制電磁波的特性，如幅度、相位、頻率、極化等，從而控制電磁波在自由空間中的傳播行為，突破傳統無線信道無法主動調控的局限。RIS的引入使得無線傳播環境從被動適應變為主動可控，構建了智能無線環境。將RIS結合到UAV MEC系統中是一種雙贏策略，可以極大改善無線傳輸環境，保證終端設備和邊緣網絡設施之間的信道質量。

已有相關工作對UAV MEC系統進行了深入研究。文獻[6]總結了MEC和UAV無線通信系統的基本知識和研究，分析了將UAV系統與MEC技術結合的意義和價值，討論了實現UAV MEC系統的關鍵方法和可能的挑戰。文獻[7]著重介紹了UAVMEC系統的三種架構，分析了各自的優勢和缺陷，以及涉及的關鍵技術和問題。文獻[8]提出了完整的UAV MEC系統架構，梳理了UAV MEC系統的關鍵技術，并討論了UAV MEC系統在未來6G網絡場景中的發展前景。

雖然現在已有大量關于UAV MEC系統的研究，但是目前仍缺乏對RIS與UAV MEC系統結合的系統性綜述。為了更好地理解RIS輔助的UAVMEC（RIS-assisted Unmanned Aerial Vehicle-MobileEdge Computing，RU-MEC）系統的優勢，本文對RU-MEC領域的研究工作進行了全面調研，總結了現有RU-MEC系統中UAV與RIS的協作方式，詳細介紹了每一種協作方式及其應用場景。梳理得到了RU-MEC系統在實現過程中需要注意的關鍵問題以及可采取的解決方案，提出了在未來6G網絡場景中RU-MEC系統的前瞻性研究方向。

1 RU-MEC的協作方式

重點介紹RIS與UAV MEC系統的協作方式，即如何利用RIS來改善UAV MEC系統的性能和用戶體驗。分析各自的優勢以及適用的場景。

1.1單UAV協作方式

對于RIS輔助的單UAV MEC系統，現有研究工作中主要通過三種方式實現。第一種協作方式如圖1（a）所示，UAV作為RU-MEC系統中的用戶，需要執行自己的計算任務，但是由于UAV的機載能源有限，且與地面服務器之間的通信容易遭受嚴重的信號衰減，需要借助安裝在建筑物表面的RIS的輔助，將計算任務卸載到AP處理。第二種協作方式如圖l（b）所示，由于用戶的卸載信號很難通過直接鏈路或者繞過障礙物到達遠端AP，UAV作為空中MEC服務器與AP協作處理用戶的計算任務。當UAV負載過大，與AP之間的直連鏈路被阻礙時，可以通過建筑物表面的RIS將用戶的任務卸載到AP處理。第三種協作方式如圖1（c）所示，UAV搭載RIS充當RU-MEC系統中的通信中繼，幫助用戶將計算任務有效卸載到遠端AP。

RU-MEC系統的三種協作方式適用于不同應用場景，第一種協作方式通常適用于UAV計算能力有限但是需要處理計算密集型任務的場景，例如環境檢測、數據采集等。UAV可以借助建筑物表面的RIS將計算任務卸載到AP，節省能源、降低延遲。第二種協作方式適用于用戶與AP無法直接通信的場景，例如緊急救援、熱點覆蓋或無地面基礎設施的野外環境等，UAV作為空中MEC服務器，與AP協作處理用戶的計算任務。當UAV負載過大或與AP的直連鏈路被阻礙時，可以通過建筑物表面的RIS將用戶的任務卸載到AP。第三種協作方式適用于UAV負載較小且用戶與MEC服務器之間的分流鏈路質量較差的場景，例如長距離數據傳輸、軍事通信、搜救任務等。UAV搭載RIS，作為通信中繼，幫助用戶將計算任務卸載到遠端AP。

文獻[9]對RU-MEC系統的第一種協作方式進行了研究，UAV在RIS的協助下將計算任務卸載到AP，采用非正交多址（Non-Orthogonal MultipleAccess，NOMA）方案，通過聯合優化RIS的反射相移、通信和計算資源分配、解碼順序以及UAV部署來最大化UAV的計算能力。文獻[10-13]研究了RU-MEC系統的第二種協作方式。文獻[10]將UAV作為空中MEC服務器，具備計算和中繼轉發的能力，通過共同優化UAV的計算資源分配、通信資源分配、任務卸載決策和RIS相移，最小化UAV的計算和轉發能耗，但沒有考慮UAV的軌跡和推進能量消耗優化。文獻[11]拓展研究了UAV能量最小化問題，考慮了UAV的軌跡優化和UAV推進能量消耗。文獻[12]制定了一個最大化用戶間最小計算能力問題，聯合優化RIS的無源波束成形、UAV的軌跡和計算資源分配以及時隙劃分。文獻[13]考慮UAV的計算負載以及能量消耗之間的權衡，通過聯合優化用戶設備的功率、RIS的相移及UAV的軌跡來實現RU-MEC系統的能源效率最大化。文獻[14-16]對RU-MEC系統的第三種協作方式展開了詳細研究。文獻[14]考慮任務完成時間以及UAV的懸停能量消耗，通過優化用戶傳輸功率、任務分割以及RIS的被動成形向量，實現系統成本最小化問題。文獻[15]采用時分復用方案，通過聯合優化UAV的軌跡、RIS的無源波束成形以及系統計算資源分配，實現系統能效的最大化。文獻[16]詳細總結了第三種架構的多種應用以及潛在應用場景。

1.2多UAV協作方式

由于UAV的計算資源有限，其在MEC系統中執行任務的日寸間受到限制。此外，UAV搭載的RIS覆蓋范圍有限，只能為特定區域內的用戶提供服務。因此，單個UAV的協作方式難以滿足更復雜的用戶需求。而多UAV協同技術可以克服單個UAV在計算資源、通信距離、覆蓋范圍等方面的不足，從而適應更復雜的任務場景。

現有研究工作中多UAV協作方式有兩種策略。如圖2所示，第一種策略是部署多個執行不同任務的UAV，如計算中繼和通信中繼，分別負責處理計算任務和提供通信服務。每個UAV都會被分配到特定的任務，以便它們能夠協同工作，共同完成復雜任務。這種策略可以提高任務的執行效率和質量，支持車聯網、智慧交通等垂直行業的網絡服務需求，如低時延、高速率、大容量等。但這種策略也面臨著UAV規模增大導致的協同控制和信號干擾等問題。文獻[17]提出了一種雙UAV合作空中計算方案，通過具備MEC能力的UAV與掛載RIS的UAV合作，聯合優化雙UAV的軌跡、空中RIS的相移、計算時間分配和計算資源分配，顯著提高了RU-MEC系統的能效。

另一種策略是利用多個RIS來增強多UAV與用戶之間的通信鏈路。如圖3所示，用戶被劃分為多個互不相交的區域，每個區域都部署有RIS，用戶可以通過RIS將計算任務發送給UAV。這種多RIS的策略可以提供更靈活的通信環境，緩解信道阻塞問題[18]。文獻[19]中假設用戶分布在城市區域，在建筑物表面部署多個RIS，UAV以恒定高度在多個區域飛行，在RIS的協助下為不同區域的用戶提供服務。提出了一種軌跡規劃和無源波束形成算法，大大降低了RU-MEC系統的總體成本。

這種多UAV的協作方式通常應用于大型活動的通信支持、城市智能交通系統和物聯網場景中，為各類應用場景提供靈活、高效的邊緣計算和通信解決方案。需要指出的是，在RU-MEC系統中，多UAV協同方式仍然存在許多挑戰，如UAV間的干擾、UAV與RIS的控制、多UAV的聯合軌跡優化等，這些問題增加了算法的復雜性和實現的難度。

2主要設計挑戰

RU-MEC系統利用UAV與RIS的協作，為復雜的計算任務提供了新的解決方案。然而，這也需要設計有效的算法和協議，以實現UAV、RIS和MEC之間的信息交互和協作，降低系統的復雜度和開銷。在實現RU-MEC系統時，需要考慮以下主要的設計挑戰和解決方案。

2.1UAV軌跡與RIS波束成形設計

RU-MEC系統與傳統地面MEC系統不同，可以有效地利用三維空間中的額外自由度，通過精心設計UAV的移動軌跡保證網絡性能，但由于UAV仰角，空地通道模型通常很復雜，包含LoS和非視距（Non Line of Sight．NLoS）路徑，這種不確定的LoS和NLoS傳播特性使得精確的UAV軌跡難以求解。RIS具有大量的反射元件，可以通過設計RIS反射元件的幅度和相移來提高信號強度，從而幫助UAV獲取更準確的信道信息。需要注意的是，RIS的無源波束形成設計需要進行信道估計，以獲取RIS與UAV、AP之間的完美信道狀態信息（Channel State In-formation，CSI）。然而，RU-MEC系統的信道通常是動態的，要獲得完美的CSI并不容易。此外，RIS的無源波束形成設計也需要考慮RIS的硬件限制，如量化誤差、相移誤差等。此外，UAV的軌跡與RIS的波束成形設計在優化問題中通常是耦合的，UAV的軌跡決定了UAV與基站、RIS之間的距離和角度，從而影響信道的衰落和多徑效應。RIS的波束成形設計決定了RIS如何調整反射信號的幅度和相位，從而影響信道的增益和相干性。

UAV的軌跡與RIS的波束成形的聯合優化問題通常是混合整數非凸問題。為了求解這個問題，可以應用簡化的信道模型（例如概率LoS信道模型）來獲得近似的網絡性能。這樣可以利用一些優化技術（例如逐次凸逼近技術）來求解問題。另外，由于軌跡和波束成形設計通常是一個時變的問題，可以通過馬爾可夫決策過程來建模，并采用強化學習算法解決。

2.2任務計算模式選擇

在RU-MEC系統中，用戶產生的任務可以采用兩種計算模式，即本地計算和卸載計算。本地計算又可以根據用戶的CPU頻率分為兩種計算模式，一種是用戶計算電路采用固定CPU頻率，本地計算以恒定速率進行；另一種是用戶采用動態電壓和頻率縮放技術，可以根據實際任務調整CPU頻率。

對于卸載計算，用戶可以將計算任務傳輸到其他設備進行輔助計算。在RU-MEC系統中，卸載模式有兩種，分別是部分卸載模式和二進制卸載模式。部分卸載模式即計算任務可拆分，一部分在用戶本地執行，另一部分卸載到其他MEC服務器計算。而在二進制卸載模式中，計算任務不可分割，作為一個整體，只能在本地計算或者全部卸載到其他MEC服務器計算。與二進制卸載模式相比，在部分卸載模式下，UAV可以靈活地分配用于卸載計算任務的通信資源和用于進行本地計算的計算資源。因此，部分卸載模式下獲得的計算性能可能比二進制計算模式下獲得的計算性能更好。然而，部分卸載模式下需要設計更為復雜的電路和協議。因此，計算模式的選擇取決于UAV的結構和計算任務的特點。二進制卸載模式適用于計算能力較弱或任務不可分割的終端設備，或者對時延和能耗有較高要求的場景。部分卸載模式適用于任務可分割性較高、系統控制信令和協調機制較為完善的場景。

2.3任務卸載增強

對于任務卸載，傳統地面MEC網絡的通信技術也同樣適用于RU-MEC網絡。此外，還可以利用UAV和RIS的優勢使用一些先進的無線傳輸技術。

①多址技術：可以分為正交多址（OrthogonalMultiple Access，OMA）和NOMA。在RU-MEC網絡中常用的技術為正交頻分多址（OrthogonalFrequency Division Multiple Access， OFDMA）與時分多址（Time Division Multiple Access，TDMA） .在NOMA中，多個UAV或用戶可以使用相同的物理資源與MEC服務器進行通信。與OMA相比，NOMA可以提高用戶連接性和頻譜效率。文獻[9]中上行鏈路NOMA服務多個用戶卸載計算任務，結果表明NOMA可以提供比OMA更高的計算性能增益。

②多天線技術：通過采用多輸人多輸出（Multi-ple-lnput Multiple-Output，MIMO）天線系統，可以實現波束成形，優化通信的定向性和覆蓋范圍，提高系統的傳輸效率。MIMO技術支持系統同時與多個用戶通信，提高頻譜效率。與RIS的交互中，多天線技術可用于波束對準，最大程度地利用RIS的反射性質。文獻[12]中UAV配備多天線，可以同時為多個用戶提供服務，通過聯合設計UAV的軌跡、UAV的主動波束與RIS的被動波束，有效提高了用戶間的最小計算能力。

③全雙工技術：允許設備同時進行發送和接收操作，從而提高了通信頻譜的利用效率。通過全雙工通信，UAV可以與RIS實現同時的雙向數據傳輸，優化了通信鏈路的效能。這種能力在實時應用和大規模數據傳輸方面特別有益，為系統提供更快速的響應和更高的通信容量。全雙工技術還有助于減小通信時延，增強系統的實時性，滿足對于低時延通信的需求。

2.4能量消耗管理

由于UAV的機載能源有限，能耗是影響RU-MEC系統性能的重要因素之一。在RU-MEC系統中，UAV的能耗主要由推進能耗、計算能耗以及通信能耗三部分組成。實際中，通信能耗通常要遠小于計算與推進能耗，但三者在實際的網絡中同等重要。文獻[24]解決了這個問題，通過引入加權因子，使通信能耗、計算與推進能耗在考慮能量消耗時具有相同的重要性。在現有的研究工作中，大多是通過對飛行軌跡、飛行時間以及功率的約束進行粗略估計。為了更加精確地估計UAV的能量消耗，可以考慮電池消耗率，即UAV在飛行過程中單位時間內消耗的電能量，從而更精確估計UAV的工作時間。也可以利用無線能量傳輸技術為UAV和地面設備提供能量補充，延長系統運行時間，提高能量效率。

2.5資源分配優化

在RU-MEC中，資源分配是關鍵的管理策略。通過智能的資源分配，可以優化網絡性能、提高系統效率。根據不同應用場景的特點，可以動態調整計算、存儲和通信資源，以滿足實時數據處理和傳輸的需求。尤其是在多用戶和多任務的環境中，有效的資源分配可以平衡系統負載，提高通信吞吐量。在現有RU-MEC的研究工作中，采用了動態資源分配算法，根據實時的任務需求和系統負載來動態分配計算和存儲資源，同時優化波束形成、頻譜利用以及傳輸功率，以實現不同的系統目標，例如計算位數最大化、能量最小化、能量效率最大化、完成時間最小化。通過這種綜合性的管理方法，智能的資源分配將有助于提升整個系統的性能、可靠性和適應性，確保RU-MEC系統能夠有效地支持各種復雜的MEC應用。在當前工作中，RU-MEC系統的主要設計挑戰及解決方案總結如圖4所示。

3 前瞻研究方向

RU-MEC系統在5G網絡中展現出了卓越的性能和適應性，為未來通信和計算需求提供了創新的解決方案。結合當前無線通信領域的研究趨勢和潛在技術，未來RU-MEC系統研究主要包括以下幾個方向。

3.1算力網絡

UAV算力網絡是當前研究的熱點之一，是一種利用UAV作為移動計算節點，構建靈活可擴展的空中計算網絡技術，可以提供高效的數據采集、處理和傳輸服務。UAV算力網絡的核心技術包括UAV集群控制、通信一感知一計算融合、多源信息數據處理、多維資源管理等。與傳統的單架UAV和小型UAV支持的邊緣計算網絡相比，UAV算力網絡具有更強的任務執行能力、高容錯性等優勢。目前，已經在UAV算力網絡領域取得了一些進展，如在“2023算力融合創新產業峰會”上發布了首個UAV領域算力云、中國聯通推出了全球首款“5G RedCap商用模組”等。但對于資源調度、資源視圖、算力度量和信息分發等方面的關鍵性議題仍有待探索。

3.2與人工智能技術融合的RU-MEC網絡

人工智能（Artificial Intelligence，AI）技術在當今社會中扮演著日益重要的角色，其作用涵蓋了各個領域。在RU-MEC網絡的研究中，提出的優化問題通常是非凸的問題，涉及UAV的軌跡以及RIS相移等變量的聯合優化。采用傳統優化方法涉及較高的計算成本且難以在線實時部署。值得注意的是，AI算法已經在求解這類高復雜度和隨機問題優化方面表現出優越的性能。通過融合AI算法，例如深度強化學習，UAV可以通過與環境的交互，自主學習與優化，根據環境變化與任務需求進行自主決策，在復雜、動態的環境中表現更為出色。融合AI技術的RE-MEC系統在智能化、實時性、自主性等方面具有明顯優勢，使得其在各種應用場景中更為高效和創新。

3.3大模型分布式學習

近年來，在海量計算能力的支撐下，模型訓練正在從傳統的“不同任務不同模型”的訓練模式向“大規模的預訓練AI模型轉變”，通過在UAV上集成AI算法，實現實時環境感知和智能決策。采用分布式學習使得每個UAV都能夠根據本地觀測進行模型更新，每個UAV可以根據特定的環境條件和任務需求調整其本地學到的模型。大模型分布式學習和邊緣計算的結合有多種可能的方式，例如：①云端訓練，邊緣推理。部署一個云端服務器，利用大量的數據和計算資源訓練一個大規模的深度神經網絡模型，然后將模型部署到UAV上進行推理和應用。這種方式適用于模型訓練不需要頻繁更新而模型推理需要快速響應的場景，例如圖像識別、語音識別等。②云端輔助，邊緣訓練。云端提供一些基礎的模型和數據，UAV利用自身的數據和計算資源對模型進行微調和優化。這種方式適用于模型訓練需要根據邊緣設備的特定需求和環境進行定制化，而模型推理不需要實時響應的場景，例如個性化推薦、智能醫療等。

3.4感知、通信與計算一體化RU-MEC

感知、通信與計算一體化（Integrated Sensing，Communication and Computation， ISCC）是未來6G網絡發展的必然趨勢，不僅支持端到端的可靠數據傳輸，而且還具有高精度感知和低延遲計算的特點。在未來RU-MEC系統中，UAV的功能將不僅僅局限于前文提到的通信與計算，還需要具備準確和可靠的感知能力，以適應車聯網、智慧農業、智能家居等多種應用場景的需求。通過UAV與RIS的分工協作，可以實現對目標物體的感知，準確獲取無線傳輸環境的反饋信息，還可以與先進的太赫茲多天線技術結合，獲得高清晰的成像信息和高精度的定位，可以極大提高RU-MEC系統的通信與感知能力。目前，感知、通信與計算一體化RU-MEC仍處于研究起步階段，其架構設計思路以及關鍵性指標等仍待進一步探索。

3.5數字孿生

數字孿生（Digital Twin，DT）是一種利用物理模型、傳感器數據和分析工具來創建復雜系統的數字副本的技術，可以實現對系統的實時監測、預測和優化。在RU-MEC系統中，由于UAV和用戶的高速移動性導致信號傳輸不穩定，信息的實時性難以得到保障。而DT與UAV結合可以支持更強大的AI技術，使UAV可以代替用戶和邊緣服務器提前在虛擬空間中做出卸載決策，而物理空間中的計算和通信資源可以根據用戶的請求快速準確地提供。在這樣的背景下，DT作為6G網絡中的一種潛在解決方案，能夠感知時變的資源供需，實現智能的任務調度和資源分配，對RU-MEC系統的發展具有重要的意義。

4結束語

RU-MEC系統作為無線通信領域中一項有前景的技術，具有靈活性，機動性以及高度可配置的資源分配等優勢，可以提高計算性能并減少執行延遲，在UAV應用領域中展現出卓越的性能和前景。對RU-MEC系統的協作方式、設計問題以及未來的研究方向進行了深入剖析。RU-MEC系統在6G網絡中的應用將推動UAV技術邁向新的高度，進一步推動智能通信技術的發展，提高通信效率、感知能力和自主決策水平，為未來智能飛行應用場景開創新的可能性。同時，不斷對RU-MEC系統進行學術研究，有助于激發更多創新應用的涌現，進而推動各垂直行業持續演進。