面向無人機通信的區(qū)域化智能波束管理

摘 要：面向新一代無線通信的技術(shù)革新，無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）在未來通信系統(tǒng)中的應(yīng)用越來越不可忽視。考慮傳統(tǒng)波束管理（Ｂｅａｍ Ｍａｎａｇｅｍｅｎｔ，ＢＭ）方法在高動態(tài)、高頻段空地鏈路中波束對準的高額開銷，設(shè)計了一種基于人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術(shù)的ＢＭ 方案。方案基于長短時記憶（ＬｏｎｇＳｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網(wǎng)絡(luò)模型，利用深度學(xué)習(xí)（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）方法實現(xiàn)基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）-ＵＡＶ 通信過程中的ＢＭ。以參考信號接收功率（Ｒｅｆｅｒｅｎｃｅ Ｓｉｇｎａｌ Ｒｅｃｅｉｖｅ Ｐｏｗｅｒ，ＲＳＲＰ）為性能指標(biāo)對ＢＭ 方案進行評估，基于ＢＭ 歷史經(jīng)驗數(shù)據(jù)將ＵＡＶ 終端軌跡劃分為數(shù)個區(qū)域，訓(xùn)練特定的區(qū)域模型以更好地適應(yīng)各區(qū)域中的信道傳播環(huán)境特征。在模型部署階段，根據(jù)區(qū)域劃分結(jié)果按區(qū)域切換模型，實現(xiàn)基于模型切換的區(qū)域化ＡＩ-ＢＭ（Ｍｏｄｅｌ Ｓｗｉｔｃｈｉｎｇ ｂａｓｅｄ Ａｒｅａ-Ｓｐｅｃｉｆｉｃ ＡＩ-ＢＭ，ＭＳＡＳ ＡＩ-ＢＭ）。仿真結(jié)果表明，所提的ＭＳＡＳ ＡＩＢＭ 方案相比傳統(tǒng)的簡單窮舉ＢＭ 方案能夠極大降低系統(tǒng)開銷，擁有良好的ＲＳＲＰ 保持性能。

關(guān)鍵詞：波束管理；人工智能；參考信號接收功率；長短時記憶；模型切換

中圖分類號：ＴＮ９２９． ５ 文獻標(biāo)識碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)志碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０５０３－０７

０ 引言

隨著無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）技術(shù)的迅猛發(fā)展，ＵＡＶ 在無線通信系統(tǒng)中扮演著至關(guān)重要的角色。其飛行速度和靈活的機動性使其成為通信網(wǎng)絡(luò)的理想節(jié)點，為各種應(yīng)用場景提供了廣闊的可能性［１］。在未來通信系統(tǒng)中，波束管理（ＢｅａｍＭａｎａｇｅｍｅｎｔ，ＢＭ）作為一項關(guān)鍵技術(shù)將發(fā)揮越來越重要的作用，通過精準的信號定向傳輸，提高通信效率、擴展覆蓋范圍，成為通信系統(tǒng)優(yōu)化的關(guān)鍵手段［２］。然而，由于ＵＡＶ 的高速飛行和多樣化的應(yīng)用場景，傳統(tǒng)方案往往無法適應(yīng)其快速變化的通信需求。靜態(tài)的ＢＭ 模型難以適應(yīng)ＵＡＶ 在動態(tài)環(huán)境中的快速移動，而傳統(tǒng)方法對于ＵＡＶ 應(yīng)用場景中的能量限制和實時性要求也顯得力不從心。

近年來，ＡＩ 與無線通信技術(shù)的結(jié)合已成為業(yè)界共同關(guān)注的熱點研究領(lǐng)域。這種跨學(xué)科的融合不僅為無線通信系統(tǒng)帶來了新的發(fā)展機遇，同時也為ＢＭ 及其他關(guān)鍵技術(shù)提供了更為智能和自適應(yīng)的解決方案［３－４］。通過ＡＩ 技術(shù)的學(xué)習(xí)和優(yōu)化，無線通信系統(tǒng)得以更好地適應(yīng)復(fù)雜多變的通信環(huán)境和用戶需求。

在相關(guān)研究中，已經(jīng)對利用ＡＩ 技術(shù)進行ＢＭ 展開了深入探索，這些研究主要圍繞不同場景中ＡＩ 模型的部署和性能評估展開：文獻［５－６］將強化學(xué)習(xí)技術(shù)應(yīng)用于為不同車輛提供服務(wù)，特別是通過聯(lián)合波束分配和中繼選擇來減輕通信中斷；文獻［７］采用長短期記憶（ＬｏｎｇＳｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）模型，基于信道信息跟蹤到達角（Ａｎｇｌｅ ｏｆ Ａｒｒｉｖａｌ，ＡｏＡ），以便在用戶設(shè)備（Ｕｓｅｒ Ｅｑｕｉｐｍｅｎｔ，ＵＥ）沿直線軌跡運動時進行有效的ＢＭ；文獻［８］采用卷積神經(jīng)網(wǎng)絡(luò)從正交（Ｉ／ Ｑ）信號樣本中提取角度信息，進一步揭示了無線信道特性的內(nèi)在規(guī)律。

為了提高ＢＭ 的精度和效率，研究者們還嘗試在無線電鏈路之外合并多種數(shù)據(jù)：文獻［９］將ＵＥ 位置信息集成到波束預(yù)測中，通過應(yīng)用基于ＵＥ 移動模式的深度學(xué)習(xí)（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）模型，實現(xiàn)了超過９０％ 的預(yù)測精度；文獻［１０］提出了一種生成高速應(yīng)用訓(xùn)練集的方法，該方法利用當(dāng)前的參考信號接收功率（Ｒｅｆｅｒｅｎｃｅ Ｓｉｇｎａｌ Ｒｅｃｅｉｖｅ Ｐｏｗｅｒ，ＲＳＲＰ）和絕對到達時間作為訓(xùn)練數(shù)據(jù)，有效提高了波束預(yù)測的精度；文獻［１１］提出了一種生成用于機器學(xué)習(xí)的５Ｇ 傳播信道數(shù)據(jù)的方法，通過結(jié)合車輛交通模擬器和光線追蹤模擬器，為具有移動性的５Ｇ 場景生成了信道數(shù)據(jù)，為波束選擇提供了有力支持。

在ＢＭ 和干擾協(xié)調(diào)方面：文獻［１２］引入了ＤＬ技術(shù)，開發(fā)了一種深度神經(jīng)網(wǎng)絡(luò)來取代復(fù)雜的傳統(tǒng)算法，顯著降低了計算復(fù)雜度和延遲；文獻［１３］通過利用Ｓｕｂ６ＧＨｚ 信道的功率延遲曲線作為ＡＩ 模型的輸入來推斷最佳波束的可能候選，為ＢＭ 提供了新的思路和方法。

綜上所述，ＡＩ 技術(shù)在無線通信領(lǐng)域的應(yīng)用為ＢＭ 及其他關(guān)鍵技術(shù)帶來了諸多創(chuàng)新和改進，未來隨著ＡＩ 技術(shù)的不斷發(fā)展，可以期待更多智能、自適應(yīng)的ＢＭ 解決方案的出現(xiàn)。本文概述了當(dāng)前ＢＭ 的標(biāo)準化方案，研究了基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）ＵＡＶ 下行鏈路的波束的時域預(yù)測，展示了數(shù)據(jù)收集過程和模型訓(xùn)練過程。提出了一種信道傳播環(huán)境驅(qū)動的模型選擇方法，并基于環(huán)境特征提出了基于模型切換的區(qū)域化ＡＩＢＭ （Ｍｏｄｅｌ Ｓｗｉｔｃｈｉｎｇ ｂａｓｅｄ ＡｒｅａＳｐｅｃｉｆｉｃ ＡＩＢＭ，ＭＳＡＳ ＡＩＢＭ），通過劃分區(qū)域并分別訓(xùn)練模型的方法，實現(xiàn)精準高效的ＡＩＢＭ。