情景知觉的无人机中继传输自主优化方法研究

Due to its advantages such as maneuverability and on-demand real-time deployment, Unmanned Aerial Vehicle (UAV) will play a vitally important role in military and civilian fields. UAV communications is the key element to its applications, and is essentially application-driven with heterogeneous user demands. It faces technical challenges like large scale, high mobility and limited energy, and at the same time could utilize the opportunity of controllable position and/or trajectory to improve performance. This project studies UAV communications by treating it as relay communications. It investigates the self-organizing optimization approaches of UAV relay transmission (including relay selection, resource allocation and position and/or trajectory optimization) with context awareness in large scale, high dynamic and controllable environments in details, aiming to realizing the matching and optimization between heterogeneous user demands and UAV relay transmission. It focuses on the challenges and opportunities posing on UAV communications, and utilizes methods including game theory, matching theory, machine learning and decision-making theory in a comprehensive way to conduct research in a hierarchical way from problem formulation to target function and algorithm design. The research in the project could enrich the self-organizing decision-making theory and methods with context awareness for wireless network, could help in establishing UAV relay transmission optimization method and system, and could promote the development and application of UAV techniques.

无人机具有机动灵活和按需即时部署等优点，将在军用和民用领域发挥极其重要作用。无人机通信是实现无人机应用的关键环节，从根本上来说是应用驱动的，其用户需求异构，面临大规模、高机动和能量受限等技术挑战，同时又可利用无人机位置/轨迹可控这个机遇提升通信效能。本项目从中继通信角度出发，研究无人机通信。针对无人机通信面临的挑战和机遇，综合利用博弈论、匹配理论、机器学习和决策理论等方法，从问题建模、目标函数与算法设计三个层次展开，深入研究大规模、高动态和可控环境下，情景知觉的无人机中继传输（包括中继选择、资源分配和位置/轨迹优化）自主优化方法，实现不同环境下异构用户需求与无人机中继传输的匹配优化。本项目的研究能丰富情景知觉的无线网络自主决策相关理论和方法，推动无人机中继传输优化方法体系建立，以及无人机技术的发展和应用。

项目围绕无人机中继传输自主优化开展研究，从应对大规模、高机动和能量受限等挑战与利用位置/轨迹可控的机遇出发，提出了情景知觉的无人机中继传输自主优化方法。. 大规模环境下中继选择与资源分配研究中，针对多源和多中继无人机通信，将中继无人机通信与源无人机中继选择与信道接入分别建模为拥塞博弈与多对多非替代匹配博弈问题，提出了基于最优响应的分布式信道竞争接入算法与分布式多对多匹配学习算法，并进行联合迭代优化，能适应大规模环境。同时，针对无人机接入通信场景，提出了基于加权干扰的智能分布式频谱动态共享方法，可反映终端实际干扰，能对干扰进行更为精细描述。最后，针对无人机作为中继路由器（或交换机）的无线mesh网络，结合软件定义网络技术，实现了物理上分布、逻辑上集中的无线资源管理架构，以及基于商用设备的端到端路由优化能力。. 高动态环境下中继选择与资源分配研究中，提出了非替代性的快速势能匹配算法，能有效提高收敛速度、适应拓扑结构动态变化环境。同时，在无线资源自主优化中，提出了利用自动重传请求（ARQ）信息作为反馈，可减少信息交互量，克服无法获得完全反馈信息等问题，易于形成统一且兼容的自主优化反馈信息传输机制。最后，提出了包括二阶统计量的二阶多臂老虎机学习问题，设计了二阶强化学习算法，可通过调整权重系数适应不同和变化的环境，能获得阶数最优的后悔值。. 可控环境下中继位置/轨迹优化研究中，利用无人机飞行轨迹信息提升通信效能，提出了基于动态匹配模型的分布式双向匹配算法进行无人机与传输模式选择、基于最优响应匹配结果辅助信道接入算法进行多信道接入，并进行联合迭代优化。此外，以实际无人机运动方程为约束，提出将无人机信息收集建模为状态变量与控制变量都受限的最优控制问题，并提出基于Q值迭代学习的无人机自主控制方法，探索了无人机轨迹优化研究中融合无线通信和控制理论的跨学科研究方法。