面向無人機通信的區域化智能波束管理

摘 要：面向新一代無線通信的技術革新，無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）在未來通信系統中的應用越來越不可忽視。考慮傳統波束管理（Ｂｅａｍ Ｍａｎａｇｅｍｅｎｔ，ＢＭ）方法在高動態、高頻段空地鏈路中波束對準的高額開銷，設計了一種基于人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術的ＢＭ 方案。方案基于長短時記憶（ＬｏｎｇＳｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網絡模型，利用深度學習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）方法實現基站（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）為性能指標對ＢＭ 方案進行評估，基于ＢＭ 歷史經驗數據將ＵＡＶ 終端軌跡劃分為數個區域，訓練特定的區域模型以更好地適應各區域中的信道傳播環境特征。在模型部署階段，根據區域劃分結果按區域切換模型，實現基于模型切換的區域化ＡＩ-ＢＭ（Ｍｏｄｅｌ Ｓｗｉｔｃｈｉｎｇ ｂａｓｅｄ Ａｒｅａ-Ｓｐｅｃｉｆｉｃ ＡＩ-ＢＭ，ＭＳＡＳ ＡＩ-ＢＭ）。仿真結果表明，所提的ＭＳＡＳ ＡＩＢＭ 方案相比傳統的簡單窮舉ＢＭ 方案能夠極大降低系統開銷，擁有良好的ＲＳＲＰ 保持性能。

關鍵詞：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 文獻標識碼：Ａ 開放科學（資源服務）標志碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０５０３－０７

０ 引言

隨著無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）技術的迅猛發展，ＵＡＶ 在無線通信系統中扮演著至關重要的角色。其飛行速度和靈活的機動性使其成為通信網絡的理想節點，為各種應用場景提供了廣闊的可能性［１］。在未來通信系統中，波束管理（ＢｅａｍＭａｎａｇｅｍｅｎｔ，ＢＭ）作為一項關鍵技術將發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，成為通信系統優化的關鍵手段［２］。然而，由于ＵＡＶ 的高速飛行和多樣化的應用場景，傳統方案往往無法適應其快速變化的通信需求。靜態的ＢＭ 模型難以適應ＵＡＶ 在動態環境中的快速移動，而傳統方法對于ＵＡＶ 應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 與無線通信技術的結合已成為業界共同關注的熱點研究領域。這種跨學科的融合不僅為無線通信系統帶來了新的發展機遇，同時也為ＢＭ 及其他關鍵技術提供了更為智能和自適應的解決方案［３－４］。通過ＡＩ 技術的學習和優化，無線通信系統得以更好地適應復雜多變的通信環境和用戶需求。

在相關研究中，已經對利用ＡＩ 技術進行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］將強化學習技術應用于為不同車輛提供服務，特別是通過聯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］采用卷積神經網絡從正交（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在規律。

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據：文獻［９］將ＵＥ 位置信息集成到波束預測中，通過應用基于ＵＥ 移動模式的深度學習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）模型，實現了超過９０％ 的預測精度；文獻［１０］提出了一種生成高速應用訓練集的方法，該方法利用當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練數據，有效提高了波束預測的精度；文獻［１１］提出了一種生成用于機器學習的５Ｇ 傳播信道數據的方法，通過結合車輛交通模擬器和光線追蹤模擬器，為具有移動性的５Ｇ 場景生成了信道數據，為波束選擇提供了有力支持。

在ＢＭ 和干擾協調方面：文獻［１２］引入了ＤＬ技術，開發了一種深度神經網絡來取代復雜的傳統算法，顯著降低了計算復雜度和延遲；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 技術在無線通信領域的應用為ＢＭ 及其他關鍵技術帶來了諸多創新和改進，未來隨著ＡＩ 技術的不斷發展，可以期待更多智能、自適應的ＢＭ 解決方案的出現。本文概述了當前ＢＭ 的標準化方案，研究了基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）ＵＡＶ 下行鏈路的波束的時域預測，展示了數據收集過程和模型訓練過程。提出了一種信道傳播環境驅動的模型選擇方法，并基于環境特征提出了基于模型切換的區域化ＡＩＢＭ （Ｍｏｄｅｌ Ｓｗｉｔｃｈｉｎｇ ｂａｓｅｄ ＡｒｅａＳｐｅｃｉｆｉｃ ＡＩＢＭ，ＭＳＡＳ ＡＩＢＭ），通過劃分區域并分別訓練模型的方法，實現精準高效的ＡＩＢＭ。