《Cognitive Robotics》：Hybrid machine learning-based 3-dimensional UAV node localization for UAV-assisted wireless networks
編輯推薦：
在無人機輔助的 THz 6G 網絡中，傳統資源分配方法難以適應其動態特性。研究人員開展了關于混合機器學習框架優化 3D 無人機節點定位和資源分配的研究。結果表明該框架性能優異，這對未來 6G 網絡發展意義重大。
隨著科技的飛速發展，6G 網絡成為了人們關注的焦點。在 6G 網絡的構建中，無人機（Unmanned Aerial Vehicles，UAV）輔助通信被寄予厚望，它有望在諸如災難救援、智慧城市建設等場景中實現高速、可靠的連接。然而，現實卻給這一美好愿景潑了冷水。傳統的資源分配方法，像基于博弈論和啟發式算法的方案，在面對 UAV 網絡動態變化的特性時，顯得力不從心。想象一下，在一場突發的自然災害后，大量救援需求涌現，UAV 需要迅速調整位置和資源分配來保障通信暢通，但傳統方法卻無法及時適應這種變化，導致通信效率低下，救援工作受阻。這就迫切需要一種新的解決方案，來突破這些困境。
在這樣的背景下，來自未知研究機構的研究人員展開了深入的研究。他們聚焦于如何優化 3D UAV 節點定位和資源分配，以確保在動態、高密度環境下實現高效的網絡覆蓋。經過不懈努力，他們提出了一種結合圖神經網絡（Graph Neural Networks，GNN）、深度神經網絡（Deep Neural Networks，DNN）和雙深度 Q 網絡（Double Deep Q Networks，DDQN）的混合機器學習框架（QuantumGraph）。研究結果令人振奮，該框架在性能上遠超傳統機器學習模型，顯著提升了能源效率、降低了延遲并提高了吞吐量。這一成果對于未來 6G 網絡的發展意義非凡，它為實現高效、穩定的通信提供了有力的技術支持，讓人們在復雜的通信場景中也能享受到流暢的網絡服務。該研究成果發表在《Cognitive Robotics》上。
研究人員在開展研究時，主要運用了以下幾種關鍵技術方法：首先是圖構建技術，將 UAV - to - UAV 鏈路視為節點，以邊表示鏈路間的干擾關系，并為節點和邊賦予相應特征和權重；其次是 GNN 技術，通過鄰居采樣、特征聚合和特征更新三個步驟，有效處理動態網絡信息；然后是深度強化學習技術，利用 DNN 生成的特征進行資源分配決策，通過定義狀態空間、行動空間和獎勵函數來優化 UAV 部署和資源管理；最后是 DNN 技術，用于處理 GNN 嵌入和動態系統指標，預測 UAV 特定輸出，輔助 DDQN 進行決策。
下面來看具體的研究結果：
- 系統模型：構建了 UAV 輔助 THz 6G 網絡的系統模型，涵蓋網絡架構、信道模型、3D THz 傳輸方案等。通過一系列公式詳細描述了節點位置、信道響應、路徑損耗、多普勒頻移等因素之間的關系，如 3D 信道響應公式h(t)=PLoS(t)K+1KhLoS(t)+PNLoS(t)K+11hNLoS(t)，明確了不同條件下信道的特性，為后續研究奠定了理論基礎。
- 提出的混合機器學習算法：
- 圖構建：將 UAV 網絡表示為圖，節點包含 UAV - to - UAV 鏈路、UAV - to - X 鏈路的相關特征以及干擾信號強度等信息，邊的權重根據節點間距離確定，公式為wi,k=1+∣∣D[i,k]∣∣α1，這種圖構建方式能有效表征網絡環境。
- 圖神經網絡：針對傳統 GNN 在 UAV 網絡中的不足，改進后的 GNN 通過鄰居采樣、特征聚合和更新，有效提取特征。如在兩層聚合過程中，通過迭代更新節點特征，公式（28） - （32）詳細展示了節點特征的更新過程，提高了對復雜網絡的適應性。
- 深度強化學習：定義了狀態空間、行動空間和獎勵函數。狀態空間包含 UAV 的預測最優位置、任務優先級權重等信息；行動空間涵蓋 UAV 重新定位、頻譜分配等決策；獎勵函數平衡了多個目標，如公式rt=TU2U?λ1LU2U?λ2EU2U+TrU2X?λ3pt，通過優化獎勵函數來提升 UAV 通信鏈路性能。
- 深度神經網絡用于學習優化：DNN 處理 GNN 嵌入和動態系統指標，預測 UAV 的最優位置、任務優先級權重等。輸入向量由 GNN 嵌入和動態系統指標連接而成，經過多個全連接層處理后輸出預測結果，為 UAV 決策提供支持。
- 提出的 QuantumGraph：混合機器學習框架：該框架結合了 GNN、DNN 和 DDQN 的優勢，通過 DNN 處理 GNN 的輸出和動態系統指標，為 DDQN 提供優化的輸入，從而實現 UAV 的高效決策和資源分配。研究中還給出了各模型的具體參數設置，如 GNN 的深度、采樣鄰居數，DNN 和 DDQN 的層大小和神經元數量等。
- 數據集：利用 Facebook Terragraph sounders 和 3GPP 基準數據，設置了一系列仿真參數，如中心頻率 0.1 THz、系統帶寬 1 GHz 等，為模型的訓練和驗證提供了數據支持。
- 仿真結果和討論：通過仿真實驗，驗證了該框架的有效性。優化 UAV 軌跡可提高用戶吞吐量、確保覆蓋和速率穩定性；隨著 UAV - to - X 對數量增加，吞吐量先升后降，該框架能有效應對；在不同鏈路密度下，GNN 和混合框架表現出色；與其他模型相比，該混合模型在能源效率（90 Tbps/J）、延遲（0.0105 ms）和吞吐量（96 Tbps）方面有顯著提升，在高熱點場景下也能更好地優化資源分配和管理干擾。
研究結論和討論部分指出，該混合機器學習框架在解決 UAV 輔助 THz 6G 網絡的資源分配和軌跡優化問題上表現卓越。它能夠適應動態網絡條件，在不同密度環境下都能保持良好性能。與傳統方法相比，在能源效率、吞吐量和延遲方面的顯著改進，充分展示了其在管理干擾和資源競爭方面的強大能力。這種將空間特征聚合和分布式決策相結合的方法，為大規模網絡的擴展和公平性提供了有力支持，確保了 UAV 軌跡的優化和資源的公平分配。這一研究成果為下一代 6G 網絡提供了一種強大且可擴展的解決方案，能夠滿足復雜動態環境下對高吞吐量、低延遲通信的不斷增長的需求，在未來通信領域具有廣闊的應用前景。
