基于无蜂窝通感一体化系统的无人机轨迹优化
崔世林，薛婉雨，李佳珉
（东南大学移动通信国家重点实验室，江苏 南京 210096）
【摘 要】无人机辅助的下一代通信网络的研究受到了广泛关注。得益于无人机的高机动性和宽广的覆盖范围，学者们将通信感知一体化技术应用于无人机的研究富有兴趣。然而，在涉及无人机通感一体化系统的轨迹优化时，多数研究者基于蜂窝网络架构，在无人机飞行中不可避免会受到小区边界和小区切换问题。同时，多数研究者采取简化的通信模型，忽略了感知信号对通信信号的干扰。因此基于无人机通感一体化系统，采用无蜂窝网络架构，使用深度确定性算法求解无人机轨迹优化问题，以最小化感知目标位置的克拉美罗下界，同时保证了存在感知信号干扰的上行通信速率。通过仿真验证了所提通信模型和感知模型，并验证了深度确定性算法的收敛性能，给出了优化后的无人机飞行轨迹及对应的感知性能和通信性能变化。
【关键词】无蜂窝；通感一体；无人机；轨迹优化
doi:10.3969/j.issn.1006-1010.20240909-0003
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)09-0166-07
引用格式：崔世林,薛婉雨,李佳珉. 基于无蜂窝通感一体化系统的无人机轨迹优化[J]. 移动通信, 2024,48(9): 166-172.
CUI Shilin, XUE Wanyu, LI Jiaming. UAV Trajectory Optimization for Cellular-Free Integrated Sensing and Communication Systems[J]. Mobile Communications, 2024,48(9): 166-172.
0 引言
近年来，将无人机集成到第六代通信系统中得到了不断的研究和发展[1]。这些技术已经在众多场景中得到应用，如智能交通、环境监测救灾等[2]。由于其机动性、智能性、高灵活性和无处不在的覆盖范围[3]，无人机可以在不需要人类参与的情况下低成本地完成各种危险任务，在民用和军用领域具有广阔的应用前景。
目前无人机在无线通信领域的研究兴趣主要集中在两个不同的领域[4]。第一种是在蜂窝网络无法为无线网络提供更高容量和更高移动性的灾难情况下作为空中AP（Access Point，接入点）[5-6]。与传统的地面AP相比，空中AP在自适应高度、避障和更高比例的视距通信链路等方面表现出优势，能够提供更好的通信服务[7-10]。第二个领域是将无人机视为空中终端，如运输或侦察无人机，主要关注无线网络能够为无人机终端带来的服务[7]。
在具有无人机低空立体网络中，无线感知是监视、检测非法目标和碰撞避免的主要需求。此外，无人机和基站（BS, Base Station）之间的高质量通信服务也是必要的。因此，感知和通信是探索未来用例和新兴应用的两项关键技术，而无人机技术的不断发展将对这两项功能提出苛刻的要求。利用共享信号和收发机的ISAC（Integrated Sensing and Communication，通感一体化）技术是弥补上述局限性的方法之一，可以实现负载节约和频谱复用[11]。
目前，关于ISAC系统中通信和感知的性能分析上，少数研究者利用TDD（Time-Division Duplex，时分双工）的方式利用在不同的时隙发送感知信号和通信信号，在分析通信性能时忽略了感知信号的带来的干扰[12-13]。但这违背了ISAC技术共享通感信号的初衷，另外一些研究者给出了感知信号的在经散射体散射后的回波信号的形式，并分析了其对通信性能的影响[14-16]。在ISAC系统感知性能的分析中，很多研究者给出了不同的感知方式下的感知性能的评估标准[17-19]。其中，文献[19]的作者使用从回波信号中的时延信息提取出了目标与基站间的距离，使用EKF（Extended Kalman Filter，扩展卡尔曼滤波）估计了目标的位置，并推导了基于距离的CRLB（Cramer-Rao Lower Bound，克拉美罗下界）表达式。但是该作者在设置测距误差时，使用了固定的方差，忽略了距离对时延信息以及测距精度的影响。对于这方面的研究，文献[12]的作者分析了距离对时延信息的影响，给出了从回波信号估计时延信息的CRLB。
随着6G通信系统性能要求的不断提高，传统蜂窝网络因性能损失严重、小区边缘干扰严重等问题，已无法满足数据业务量快速增长的需求。为了消除小区边缘问题，一个将所有AP连接在一起的全协作无蜂窝大规模MIMO（Multiple-Input Multiple-Output，多输入多输出）系统被提出[20-22]。在含有无人机的低空立体网络中，使用无蜂窝网络，可以很好地消除由于无人机的快速移动造成严重小区边缘以及小区切换问题。文献[23]的作者采用部分AP协同的无蜂窝架构，分析了在含有无人机的低空立体网络中的上下行通信性能分析。因此，本文考虑使用无蜂窝网络架构的优势进行研究。在基于无蜂窝架构的ISAC系统中，本文考虑无人机作为空中用户，与AP上行通信的同时负责执行感知任务，使用目标位置估计的CRLB作为感知性能的评估标准，并在通信性能中考虑感知回波信号对上行通信信号的干扰。在此基础上，本文研究无人机的轨迹优化，使得无人机在具有上行通信速率的限制下，提高系统的感知性能。
1 系统模型
2 问题建立
3 问题求解
4 仿真结果
本文搭建了无蜂窝架构的低空立体场景，一共存在6个地面AP均匀分布在半径300 m的圆上，2个空中无人机用户的初始位置分别为q1=[-100,-300]、q2=[-300,300]，飞行高度为50 m，限制无人机飞行范围在半径500 m的圆内，感知目标从初始点[]按照预先设置的轨迹飞行，其系统主要参数的主要参数分别如表1所示：
图2（a）和图2（b）分别仿真了在感知目标位于[200, 100]，第二个无人机用户位于[-300 m, 200 m]且服务无人机的AP数量为3时，无人机1在分别不同位置下的上行通信性能和系统感知性能。其中从图2（a）说明在当无人机在另一个无人机附近时，会受到严重的用户间干扰导致上行通信速率下降，且在靠近目标时，散射体散射的ISAC信号也会一定程度影响无人机的上行通信速率。而图2（b）说明，系统的感知性能和多个无人机与感知目标的距离和相对位置密切相关。整体而言，无人机越接近感知目标会获得更高的感知性能，但是多个无人机与感知目标的成一定角度时其感知性能会相对下降。并且由于该系统的观测数据不仅和无人机与感知目标的距离相关，也与感知目标接收ISAC信号的AP的距离密切相关，而在无人机的位置变化时，接收目标ISAC信号的AP会随着无人机与AP间的大尺度衰落系数的变化而变化，导致感知目标与服务AP间的距离发生突变。所以，在无人机位置变化时，由于服务AP序列的变化，系统的感知性能会在AP间隔处形成较为明显的隔断。
图3给出了DDPG算法在优化该问题时的收敛性能，其平均奖励设置为最近100个回合获得的平均奖励。在实际学习时，本文采用随回合数指数递减的探索噪声方差，使DDPG算法可以在学习前期可以更好地探索环境，而在训练后期网络几乎收敛时得到更稳定的奖励。由于系统场景的复杂，DDPG在未收敛时上下波动剧烈，并多次到达局部最优值，得益于DDPG的附加噪声探索机制，减少陷入局部最优的可能性，不断收敛到全局最优值。但是由于网络收敛后，其仍然具有一定的噪声方差，使得奖励函数在收敛后依然会在小范围上下起伏。
图4（a）给出了网络收敛时输出的无人机轨迹图，图4（b）和图4（c）分别给出了在输出无人机的轨迹下，最小无人机上行通信速率和感知性能的变化图。系统在整个时隙中对感知目标的平均CRLB为0.487 m2，系统感知性能在15时隙突增，此时感知目标位于[90 m, 90 m]附近，由于此时无人机经过AP间的分隔线使得分别接收两个无人机ISAC信号的AP基于感知目标对称分布，从而系统从观测向量获取到有关感知目标的信息突然减少，FIM值下降，引起CRLB的突然上升。而在40时隙后，系统的感知性能又逐渐升高，此时两个无人机均接近感知性能导致其用户间干扰增加，由图4（b）可以看出其在最终时刻通信性能接近上行通信速率的限制，导致两个无人机无法继续靠近感知目标，但是感知目标仍在远离，无人机与感知目标间的距离增大，使得系统感知性能下降。
5 结束语
本文基于无蜂窝网络架构的ISAC系统，考虑了无人机作为空中用户，发射ISAC信号，与地面AP上行通信的同时感知目标的低空立体场景，分析了存在感知干扰的上行通信速率和基于CRLB的感知性能评估，并使用DDPG算法在通信速率限制的条件下优化无人机的轨迹，以提高系统对目标的感知性能。本文仿真了无蜂窝架构下，同时存在多用户干扰和感知干扰时，无人机在不同位置的上行通信速率，并仿真了无人机不同位置的对系统的感知性能影响。仿真表明了系统的通信性能与感知性能与无人机、地面AP和感知目标在不同的相对位置、距离的密切关系。同时，本文验证了DDPG算法在所设场景下进行无人机轨迹优化的收敛性，并给出了网络收敛后输出的无人机飞行轨迹和对应的上行通信速率和系统感知性能的变化。本文仅使用DDPG算法进行了轨迹优化的工作，其他优化算法在该场景的收敛性能以及表现性能需要进一步研究。
参考文献：（上下滑动浏览）
[1] Wu Q, Xu J, Zeng Y, et al. A comprehensive overview on 5g-and-beyond networks with uavs: From communications to sensing and intelligence[J]. IEEE Journal on Selected Areas in Communications, 2021,39(10): 2912-2945.
[2] Guerra A, Dardari D, Djuric P M. Dynamic radar networks of uavs: A tutorial overview and tracking performance comparison with terrestrial radar networks[J]. IEEE Vehicular Technology Magazine, 2020,15(2): 113-120.
[3] Al-Habob A A, Dobre O A, Muhaidat S, et al. Energy-efficient data dissemination using a uav: An ant colony approach[J]. IEEE Wireless Communications Letters, 2021,10(1):16-20.
[4] Wu Q, Xu J, Zeng Y, et al. A comprehensive overview on 5g-and-beyond networks with uavs: From communications to sensing and intelligence[J]. IEEE Journal on Selected Areas in Communications, 2021,39(10): 2912-2945.
[5] Al-Hourani A, Kandeepan S, Jamalipour A. Modeling air-to-ground path loss for low altitude platforms in urban environments[C]//2014 IEEE Global Communications Conference, 2014: 2898-2904.
[6] Shakhatreh H, Khreishah A, Alsarhan A, et al. Efficient 3d placement of a uav using particle swarm optimization[C]//2017 8th International Conference on Information and Communication Systems (ICICS). 2017: 258-263.
[7] Mozaffari M, Saad W, Bennis M, et al. A tutorial on uavs for wireless networks: Applications, challenges, and open problems[J]. IEEE Communications Surveys Tutorials, 2019,21(3): 2334-2360.
[8] Fotouhi A, Qiang H, Ding M, et al. Survey on uav cellular communications: Practical aspects, standardization advancements, regulation, and security challenges[J]. IEEE Communications Surveys Tutorials, 2019,21(4): 3417-3442.
[9] Lin X, Yajnanarayana V, Muruganathan S D, et al. The sky is not the limit: Lte for unmanned aerial vehicles[J]. IEEE Communications Magazine, 2018,56(4): 204-210.
[10] Huang W, Peng J, Zhang H. User-centric intelligent uav swarm networks: Performance analysis and design insight[J]. IEEE Access, 2019,7: 181469-181478.
[11] Meng K, Wu Q, Xu J, et al. UAV-enabled integrated sensing and communication: Opportunities and challenges[J]. IEEE Wireless Communications, 2023.
[12] Pan Y, Li R, Da X, et al. Cooperative trajectory planning and resource allocation for uav-enabled integrated sensing and communication systems[J]. IEEE Transactions on Vehicular Technology, 2024,73(5): 6502-6516.
[13] Rezaei O, Naghsh M M, Karbasi S M, et al. Resource allocation for uav-enabled integrated sensing and communication (isac) via multi-objective optimization[C]//ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2023: 1-5.
[14] Liu M, Yang M, Nallanathan A. On the performance of uplink and downlink integrated sensing and communication systems[C]//2022 IEEE Globecom Workshops (GC Wkshps). IEEE, 2022: 1236-1241.
[15] Ouyang C, Liu Y, Yang H. On the performance of uplink isac systems[J]. IEEE Communications Letters, 2022,26(8): 1769-1773.
[16] He Z, Xu W, Shen H, et al. Full-duplex communication for isac: Joint beamforming and power optimization[J]. IEEE Journal on Selected Areas in Communications, 2023,41(9): 2920-2936. 3
[17] Wu J, Yuan W, Liu F, et al. Uav-based target tracking: Integrating sensing into communication signals[C]//2022 IEEE/CIC International Conference on Communications in China (ICCC Workshops). IEEE, 2022: 309-313.
[18] Jing X, Liu F, Masouros C, et al. Isac from the sky: Uav trajectory design for joint communication and target localization[J]. IEEE Transactions on Wireless Communications, 2024: 1.
[19] Wu J, Yuan W, Bai L. On the interplay between sensing and communications for uav trajectory design[J]. IEEE Internet of Things Journal, 2023,10(23): 20383-20395.
[20] Nayebi E, Ashikhmin A, Marzetta T L, et al. Cell-free massive mimo systems[C]//2015 49th Asilomar Conference on Signals, Systems and Computers. 2015: 695-699.
[21] Buzzi S, D’Andrea C, Zappone A, et al. User-centric 5g cellular networks: Resource allocation and comparison with the cell-free massive mimo approach[J]. IEEE Transactions on Wireless Communications, 2020,19(2): 1250-1264.
[22] Ngo H Q, Ashikhmin A, Yang H, et al. Cell-free massive mimo: Uniformly great service for everyone[C]//2015 IEEE 16th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). IEEE, 2015: 201-205.
[23] Li J, Pan Q, Wan Z, et al. Low altitude 3-d coverage performance analysis of cell-free ran for 6g systems[J]. IEEE Transactions on Vehicular Technology, 2023,72(12): 16163-16176. ★
★原文刊发于《移动通信》2024年第9期★
doi:10.3969/j.issn.1006-1010.20240909-0003
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)09-0166-07
引用格式：崔世林,薛婉雨,李佳珉. 基于无蜂窝通感一体化系统的无人机轨迹优化[J]. 移动通信, 2024,48(9): 166-172.
CUI Shilin, XUE Wanyu, LI Jiaming. UAV Trajectory Optimization for Cellular-Free Integrated Sensing and Communication Systems[J]. Mobile Communications, 2024,48(9): 166-172.
《移动通信》投稿方式为在线投稿
请您登录网页投稿系统
链接地址：http://ydtx.cbpt.cnki.net
