基于人工智能的无人机网络优化计算技术研究

熊刚 蒋天瑜 刘洋 刘丹

（中国电子科技集团公司第三十研究所 四川省成都市 6100411）

近年来，无人机已广泛用于民用和军事领域，包括环境监测、协同作战、搜索救援、交通监控等方面。通常，无人机能够配备各种传感器、通信载荷、计算单元、摄像头和GPS 导航等。传统的通信载荷侧重于遍布各个角落的基础设施网络，例如基于基站的 LTE 网络。然而，缺乏机动性阻碍了适应动态移动环境，此外高成本和全面部署使其不适合远程和紧急情况，因此无人机网络优化计算技术是研究的新方向。由于其机动性、易于部署、悬停能力和成本效益，并且小型无人机在更具动态性和临时性的场景中越来越受欢迎。在网络中，无人机连接地面传感器和设备进行数据收集，不需要向相邻节点传输数据，可以降低设备能耗。无人机的高机动性是最重要的挑战之一，将导致网络拓扑的高度动态。无人机通常配备定向天线以进行节能传输；并且位于不同区域的网络设备可以在不同时间与无人机进行通信，这会导致网络中出现不公平的访问机会。另一方面，降低设备能耗在无人机网络中作用非常重要。因此，如何通过合理、优化的无人机网络计算技术实现合适的网络架构及协议，是一个值得努力探索的问题。

1 无人机网络系统

1.1 无人机系统分类

目前有各种无人机，根据不同的支持高度、速度和自主性等，可适用于多种不同的应用。通常，对无人机型号的选择应考虑具体的应用目标，例如 QoS、能量容量、环境限制。通常，无人机可分为三种类型：旋翼无人机、固定翼无人机和固定翼混合垂直起降无人机。

无人机具有动态、敏捷、易于维修、易于部署等特点，并具有及时提供各种测量数据的潜力，由此它们为向智能系统提供信息提供了一种低成本方案，也可以进行必要的数据分析。无人机将极大地促进国防、工业、紧急援助和物流等方面的进步。

1.2 无人机网络通信

无人机通信网络包含有两种：自组织无人机网络和无人机辅助通信网络。前者的特点是灵活的拓扑结构和自组织架构，而后者的主要特点是网络边缘侧的灵活调度。无人机可以通过配备不同尺寸、形式、特性和功能的传感器来收集大量数据。收集的数据在无人机上本地处理或传到云服务器。因此，实用的无人机网络框架需要一个协调平台，该平台可以识别有关无人机的信息，例如飞行轨迹和电池状态。

无人机网络的应用发展前景广阔。无人机可以成为网络的一部分，在通信覆盖范围较差和基础设施有限的地区提高网络服务的可用性。例如，无人机可以在偏远地区环境中提供 FC 和 EC 服务以及蜂窝通信。作为对通信网络的支持，无人机可以作为具有各种操作单元的节点进行调度，例如飞行 BS、中继节点或端节点站。无人机充当中继/终端节点，构建起通信链路。在无人机网络中，需要考虑三种能源消耗：电池供电能源消耗，机载传感器设备的能源消耗，以及地面网络设备和传感器节点的能源消耗。通信协议机制的选择取决于所需的可实现吞吐量、功耗、范围、实施成本、可靠性、延迟和安全性，有多种可用的通信协议可用于支持无人机的边缘计算。除了高机动性和可扩展性，无人机还可以在网络通信方面提供许多支持，例如普适连接、空中智能和传感器部署，这些将扩大网络覆盖范围，并提供多样化和灵活的智能设施；它们还支持并行智能区域服务，例如 CC、EC 和 LC。

2 无人机网络计算架构

移动边缘计算（Mobile Edge Computing, MEC）被广泛认为是为下一代无人机网络应用中最重要的优化技术，该技术的提出和发展主要为针对大规模、密集型运算处理和低时延的需求，通常采用基于在网络边缘部署服务器等手段，把运算资源与服务移向边缘，使得终端能够高效、近距离的接收网络服务。由于其多功能性和易于部署，无人机可以在提供网络边缘计算服务方面发挥重要作用。无人机网络的移动边缘计算设计可以分类并专用于特定的应用场景。无人机可以被视为移动服务器、网络节点或中继器。无人机可以被视为一个特定的用户，可以将那些超出其内存和处理能力的计算任务加载到计算服务器，如图1(a)所示。无人机通常电池容量有限，内存和计算能力不足，无法执行复杂的计算任务。因此，将它们的处理加载到地面计算服务器进行计算可能会延长其电池使用。在另一种情况下，如图 1(b)所示，一旦地面用户将他们的计算责任加载给地面用户，无人机可以将边缘计算服务器保持在机载并飞行以协助地面用户完成计算任务。在图1(c)中，无人机作为中继，协助移动用户将他们的计算任务加载到特定的 MEC 服务器。

图1： 无人机网络优化计算技术应用

3 基于AI的网络优化计算

边缘计算是一种有效的优化计算方法，能够克服资源受限移动网络设备中时间受限计算的挑战，有助于提高无人机网络的处理效率。基于AI 的网络优化计算目标是使服务更接近用户，以最大限度地减少延迟和网络拥塞。具有存储、处理和通信功能的无人机可以作为网络系统边缘的MEC 服务器。在这种情况下，资源受限的网络设备通过连接将其计算处理加载到安装MEC 服务器的无人机。具有灵活性和机动性的无人机网络将会采用分布式解决方案，其架构旨在提高实时性，可以在网络的边缘而不是集中式数据中心实现计算过程，从而减少通信延迟并促进实时决策和控制。

由于MEC 网络提供无缝连接，满足许多传感器的QoS 需求，因此基于人工智能的优化方法可以应用到无人机网络MEC 系统中，以提供强大的智能分析、学习和识别能力，更高效地执行信息挖掘、高级学习和复杂决策。相关的人工智能（AI, Artificial Intelligence）技术包括监督学习、无监督学习和强化学习。其中，深度强化学习（DRL, Deep reinforcement learning）的方法不需要标记的训练数据来分配资源，因此它可以增强基于信道环境的各种状态的卸载选择的过程。这导致减少能量带宽和计算。同时，通过分析能量到达的不稳定性、无线用户提供的随机计算任务和时变信道状态，可采用基于马尔可夫决策的方法来减少无人机边缘计算中的延迟、能量消耗和带宽。另一方面，在今后无人机通信将与 6G 网络相结合，由于网络设备的移动性可能会导致位置不确定性，基于DRL 的思路可以提供决策并实时优化轨迹切换，此方法提高了无人机网络的动态性和实时移动性，同时使得通信延迟最小化。

下面对人工智能在无人机网络优化计算中的新应用思路进行分析归纳：

（1）该技术允许地面用户获得最佳的策略，具有节能和处理速度的提高。

（2）对于 AI 技术在无人机网络中的应用，可采取基于人工智能的方法的架构，特别是联邦学习和强化学习，该框架能够使地面移动用户能够同时、智能和灵活地处理他们的计算任务，从而增强连接性并减少传输延迟和能源消耗。

高中思想政治教学之中“文化生活”板块的引入强调了我国高中教育对于文化的重视，这部分的知识内容与传统文化有很多融合之处，教师必须要深刻认识到高中政治文化生活板块中传统文化的教学渗透至关重要。本文从课堂情境创设、实践学习组织和教师素养提升三方面进行了具体的渗透方向探索。

（3）增强学习（RL, Reinforcement learning）和迁移学习算法可用于减少支持无人机网络中的延迟和能量消耗。当迁移学习与 RL 相结合时，可以显着提高网络用户动态操作时的系统训练性能。

（4）基于马尔可夫的优化思路可以解决无人机安装的 MEC 网络中无人机轨迹优化问题。该方法旨在提高整个系统的 QoS，并满足 QoS 约束，包括移动用户的计算任务。

（5）合理选取半马尔可夫优化思路和基于 DRL 的算法，可以解决支持无人机的 MEC 网络的加载决策和资源管理策略。

（6）采取基于最大似然估计的新框架，通过估计用户的移动数据以找到最佳初始 UAV 位置来优化 UAV轨迹。在采用基于多代理 Q 学习技术时，可解决由无人机轨迹和功率控制组成的联合优化问题，提高速率以保持移动用户的数据速率要求。

（7）采用基于深度 Q 学习的智能加载方法，能够根据连接到无人机网络的地面设备感知的延迟优化性能，实现高效的边缘计算。

人工智能技术与无人机网络相融合，扩展了网络应用前景和实施效能，具有十分巨大的潜力。建议研究人员应在今后对以下方面研究优化思路：

（2）抗干扰：无人机和网络设备之间的通信链路可能会因干扰而断开连接，这会降低延迟性能，也可能影响整个网络，尤其是当无人机充当移动基站时。尤其是在城市和工业环境中，同一频段上的互连设备数量非常密集。基于人工智能的解决方案可以应用于支持无人机的 MEC，以根据收集的信道状态信息预测信号干扰比。然后可以决定最合适的方案来对抗干扰的影响或调整传输参数以降低功耗。

（3）互操作性：在任何网络环境中，许多设备都有望处理所需的任务，而无需最终用户的任何努力。这些设备尝试使用不同的协议和通信范式相互连接和交互。由于这种多样性，有时很难顺利地编排系统。因此，有必要进一步研究统一控制器和通信协议，以确保它们之间的互操作性。

（4）机动性和路径规划：无人机需要在网络应用中无需远程人工干预的情况下进行自动操纵。因此，应该考虑许多智能方法来实现包括防撞在内的自主无人机飞行。人工智能算法是最可行的解决方案，可用于检测障碍物和避免碰撞。例如，人工智能技术可以从收集的数据中学习，成为一个重要的解决方案，采用增强学习（RL）技术，可确保准确的自动飞行决策以及路径和轨迹规划。

（5）可扩展性：可扩展性涉及资源、应用程序、负载平衡和连接。实现高可扩展性需要设计高效的方案，以便在支持无人机的 MEC 环境中有效管理异构移动设备和服务器，并具有高度动态的需求行为。MEC 系统在所需的服务器和服务数量方面应该具有可接受的可扩展性。

（6）安全性：无人机网络中，通信和控制是通过无线传输实现的，因此，未经授权的连接会威胁到系统的安全，有必要提出和设计安全机制以提高支持无人机的 MEC 系统的安全性，工作应集中在物理层、应用层和 MAC 层。这些解决方案应该集成区块链等最新的强大技术，无人机与区块链、人工智能的结合现在是一个新兴研究途径，可以预测威胁系统的各种攻击和恶意软件。

（7）资源分配：由于无人机电池和轨迹限制，资源分配在无人机网络边缘计算中至关重要。设计合适的轨迹最终会影响计算的性能和运营成本。资源分配可以被结构化以满足各种目标，包括计算位最大化、能量最小化、计算效率最大化、成本最小化、完成时间最小化以及公平性的考虑。

（8）针对面向6G 的未来无人机网络：大量数据将由异构设备生成，尤其是移动边缘的网络设备和智能手机；这些数据分散在多台机器上。因此，应在移动用户附近利用支持无人机的 MEC 等分布式解决方案来加载和处理数据。

4 结语

随着人工智能（AI）技术和信息技术的发展，使得无人机网络的应用在各领域中更加广泛，无人机网络优化计算技术应运而生，正是新时代中智能计算和通信网络融合的最佳展现之一。本文在介绍无人机系统与无人机网络通信的基础上，研究无人机网络网络协议机制和无人机网络计算架构等，探索基于AI 的无人机网络边缘计算技术，分别从深度监督学习（DSL）、增强学习（RL）、基于马尔可夫优化策略等多种具体应用思路开展分析阐述。并且，对于今后在人工智能与无人机网络的优化融合研究提出了抗干扰、互操作、安全性等方面的建议，期望为我国的智能化网络领域的发展贡献力量。