海事活动是经济增长的一个主要领域,有几个新兴的海事物联网用例,如智能港口、自主导航和海洋监测系统。这一令人兴奋的生态系统的主要推动者是为数量不断增加的船舶、浮标、平台、传感器和执行器提供宽带、低延迟和可靠的无线覆盖。为此,无人机(UAV)在海上通信中的集成为无线连接引入了空中维度,超出了目前的部署,目前的部署主要依赖覆盖有限的岸基基站和高延迟的卫星链接。考虑到无人机辅助无线通信的潜力,本综述了无人机辅助海上通信的研究现状,主要基于传统的优化方法和机器学习方法。更具体地说,将讨论相关的基于无人机的网络体系结构及其构建模块的作用。然后,讨论了海洋环境下的物理层、资源管理、云/边缘计算和缓存无人机辅助解决方案,并根据其性能目标进行分组。此外,由于无人机具有部署灵活、再定位能力强的特点,针对海上应用的无人机轨迹优化问题进行了深入的研究。此外,针对实际部署的现状,给出了无人机辅助海上通信的实验研究和实现细节。最后,给出了与第六代(6G)进步集成相关的无人机辅助海上通信领域的几个重要开放问题。这些未来的挑战包括物理层方面、非正交多址访问方案、针对蜂群无人机和无人水面和水下航行器的激进学习范式,以及无人机辅助的边缘计算和缓存。

https://www.zhuanzhi.ai/paper/6c43ca1542fd75263b505897afc76e84

在过去的几十年里,无线网络一直在向支持用户服务发展,这些服务位于城市环境中,而第四代和第五代移动通信(4G和5G)特别强调移动用户和物联网(IoT)设备[1]-[4]的共存。不幸的是,大多数网络架构和通信技术都是为陆基通信而设计的,而海上领域在这场革命中被很大程度上忽视了。因此,它主要基于卫星部分,具有已知的高延迟和低数据速率[5]问题。考虑到绝大多数贸易依赖海上运输,而对广泛的海上活动,如海洋自然资源勘探和污染监测的兴趣急剧增加,有必要彻底转向海上通信。在此背景下,无人机的兴起及其与无线网络的融合为实现海上[7]-[9]宽带覆盖提供了一种可行的手段。无人机能够根据应用的QoS (Quality-of-Service)要求,灵活地提供无线电资源,实现分布式自主操作,保证高可靠性和低时延。

因此,为了实现无处不在的连接,并支持水面和水下的海上应用,在海洋环境中高效地集成无人机是至关重要的。在本综述中,无人机在促进海上通信网络(MCNs)中的作用被提出,并详细给出了当前的解决方案。为此,本文根据网络层和性能目标对相关通信技术进行了讨论和分类。此外,还展示了包括无人机、卫星、陆地和异构海上网络节点在内的几个网络架构主张,并详细给出了来自这一重要研究领域的各种开放问题,旨在激发对无人机辅助海上通信的进一步兴趣。

MCNs旨在支持贸易、海洋勘探、污染监测、海洋旅游和搜救(SAR)行动等相关应用[11],[12]。这样的生态系统依赖于船舶、浮标、平台、无人水面艇(USVs)和无人水下艇(UUVs)、传感器和执行器[8]的异质组合。此外,海事服务的特点是不同的QoS类型,例如,邮轮上的船员和乘客可能对宽带连接感兴趣,SAR操作需要传输实时视频,而智能海洋环境和智能交通系统中的物联网服务基于超可靠和超低延迟(URLLC)[13],[14]。目前覆盖海上活动的模式依赖于岸基基站(BSs)和卫星星座。不幸的是,由于低数据速率、高通信延迟和不可靠的连接,这样的海上网络架构无法支持新兴的海上应用。虽然已经在陆地和卫星部分提出了工业倡议,有了宽带卫星覆盖和使用蜂窝标准[16]-[18]的远距离岸对船通信,但仍需要进一步研究如何发展灵活和智能的海上网络。为此,利用各种6G网络架构中设想的空中节点,可以减轻地理特征对路径丢失的影响,减少通信延迟,并通过额外的无线数据传输路径增强通信可靠性。

6G网络被设想为支持新的网络体系结构范式,包括支持动态资源配置的移动节点和增强的网络弹性[19],[20]。在这种背景下,无人机的集成以补充地面和卫星网络已经在各种最近的工作[8],[21],[22]中进行了研究。无人机辅助网络在偏远和农村环境下提供扩展覆盖,在灾害和紧急情况下快速恢复,在闪电人群交通需求下进行无处不在的通信,实现各种物联网用例,如精准农业和船队管理[14],[23]。在海上环境中,使用无人机满足异构海上服务,需要宽带连接或URLLC用于物联网,近年来引起了极大的兴趣[24]。更具体地说,无人机可以灵活部署,并承担无线中继的角色,实现地面BSs与海上船舶之间的多跳通信。在水下物联网的情况下,无人机可以通过与USV和UUV的协作,极大地便利了数据收集,增强了海洋监测系统[25]的能力。同时,在搜救行动中,无人机可以提供高容量的视距(LoS)链路,以促进参与船只和地面站[26]之间的实时视频数据传输。无人机的一个固有特征是必须采用节能通信和轨迹优化算法,而最近在无线功率传输(WPT)方面的进步可以为延长飞行时间提供进一步的收益。

近年来,人们对海上活动的兴趣有所增加,目前部署的通信基础设施无法满足新兴用例[13]、[15]的要求。在这种情况下,无人机辅助解决方案代表了一种根本性的范式转变,它补充了地面和卫星部分,在部署灵活性、路径损失和延迟减少方面带来了一些独特的优势。考虑到在海上网络中集成无人机的潜力,该综述提供了相关解决方案的全面概述,并根据它们所解决的网络层问题和性能目标对它们进行了分类。具体而言,我们的贡献如下:

  • 介绍了海上网络架构的现状,并讨论了无人机的集成和作用。此外,还给出了相关构建块的详细信息。
  • 海上通信的物理层、资源管理和云/边缘无人机辅助算法根据其性能目标进行分类。此外,最近的进展在无人机弹道优化海上应用深入讨论。
  • 然后,针对现实世界部署的现状,提出了无人机辅助海上通信的实验研究,并给出了实现细节。
  • 其中突出了几个开放问题,包括智能反射面(IRS)辅助通信、非正交多路访问(NOMA)、无人机、和uuv的群体智能以及通过WPT实现无人机飞行时间最大化。

表一总结了海事通信和海事物联网领域调查的贡献,并强调了它们对无人机集成问题的重视。从Wei等人[15]的综述开始,作者将重点放在了支持海上物联网需求的混合卫星网络架构上。详细讨论了与环境和地理特征相关的海上通信挑战,并根据其目标,即提高传输效率、确保广泛覆盖和保证海上服务QoS,对最新的解决方案进行了分类。然而,这项综述只包括非常少的无人机辅助海上通信研究。然后,Jahanbakht等人的调研。[10]提供了IoUT综合和大海洋数据分析的全面概述和教程。介绍了几种IoUT体系结构,并详细介绍了IoUT与机器学习辅助优化之间的相互作用。然而,这一调研与本文中提出的有很大的不同,因为在无人机辅助海上网络中完全没有最先进的技术。Alqurashi等人最近的另一项调研概述了海上通信问题,并着重于物理层方面、信道模型和辐射资源管理(RRM)算法的当前发展。此外,还讨论了有趣的海事用例,突出了该领域的研究潜力。尽管如此,基于无人机的解决方案并没有在调研中进行讨论,因此留下了文献中的空白,本工作旨在填补这一空白。

**本次调研的结构如下。**首先,第二节介绍了无人机辅助海上网络的最先进的架构设计,并提供了其组成部分的详细信息。然后,第三节包括工作侧重于无人机辅助海上通信的物理层问题。第四节讨论了资源管理和多访问方面,而第五节重点讨论了云/边缘计算和缓存的集成,以提高无人机辅助海上应用的性能。随后,第六节将讨论无人机在海洋环境下的最优轨迹设计,第七节将讨论无人机辅助海洋拓扑的实验实现。此外,第八节给出了无人机海上通信领域的几个重要的未决问题。最后,结论在第九节给出。总体而言,本次调研的结构如图1所示,而表II则包含了本次调研中使用的首字母缩略词列表。

无人机辅助海上网络架构

海上活动依赖于异构网络拓扑,其中大量UUVs、USVs、海上船只、浮标、平台和传感器与无人机和卫星合作,在高度移动和动荡的环境中实现可靠通信。图2描述了一种说明性的无人机辅助海上通信体系结构。下面将分析该图中显示的主要体系结构部分,以及采用的不同通信技术和假设的各种性能目标。

图2所示,无人机辅助海上通信体系结构。

物理层的设计

本节将分析无人机辅助MCNs设计和部署中涉及物理层问题的各种研究成果。在这种情况下,在向终端用户提供可接受的QoS的同时,应该考虑的主要设计目标包括为5G/6G启用的通信进行适当的信道建模,考虑到恶劣的海上环境,以及数据速率最大化和节能传输,以应对无人机有限的电池寿命。

无线电源管理在无人机辅助海上通信中,适当的RRM包括各种不同的设计目标,如频谱效率的最大化,无人机的适当部署,以提供有效的网络覆盖和网络寿命最大化,以避免潜在的中断,特别是在距离地面网络很远的情况下。最后,适当的认证机制也非常重要,因为大量物联网设备的互连,更容易出现安全漏洞。在下列各小节中,将叙述上述各方面的有关工作,而表四则列出主要考虑事项。

开放问题

无人机在MCNs中的集成可以在覆盖、延迟降低、可靠性和部署灵活性方面提供巨大的收益。由于这一领域的研究最近才开始,因此有几个悬而未决的问题和有趣的研究方向有待探索。

A. 物理层问题

大量发射天线的部署导致大量MIMO (MIMO)配置。一般来说,这样的配置可以通过产生高度定向的叶状结构来改善活动节点之间的空间分离。因此,SE和EE都可以被利用[127]。然而,在MCN方向上,在无人机中部署mMIMO天线将导致安装成本增加和总体硬件复杂性增加。在这种情况下,分散式体系结构(d-MIMO)是一个活跃的研究兴趣领域,因为它可以提供与集中式结构相比的显著优势[128]。特别地,dMIMO系统可以有效地缩短传输距离,降低空间相关性,增加分集和复用增益,降低平均路径损耗,这在MCNs中是有益的。另一个前景看好的技术是以IRS-aided无人机网络有关。在这种情况下,可以通过部署携带IRSs的无人机,适当地执行中继信号的相移[129],[130]来显著提高无线信道质量。最后,一个有趣的研究课题是6G载频测量运动的设计和实现。到目前为止,即使是最新的工作,例如在[55]中提出的工作,也在性能评估中考虑了高达5GHz的频率。

B.无人机辅助非正交多路接入

无人机辅助MCN由于无人机的落位条件和重新定位能力的存在,具有很高的灵活性。由于NOMA方案在近年来越来越受欢迎,由于其在提高移动网络性能方面的潜力,为无人机辅助MCN开发NOMA解决方案是一个重要的研究领域。这种算法应该优化无人机的轨迹和定位,以保持共存网络节点之间的信道不对称,从而最大限度地提高传输的频谱效率[131]。此外,将NOMA集成到移动边缘网络中,共同确定NOMA的任务分配、缓存位置和功率分配是另一种高效的解决方案[132],[133]。与此同时,一些研究已经强调了NOMA在缓冲辅助网络中的优势,以轻微的延迟增加为代价进一步增强了通信可靠性[134],[135]。

C. 机器学习

在无人机辅助MCNs关键性能指标优化和性能评估的相关工作中,绝大多数都考虑了有限的网络拓扑结构(即网络拓扑结构)。如减少无人机数量、服务节点等),以降低所采用优化方法的计算复杂度。然而,更准确的性能评估需要考虑使用真实数量的活动物联网设备进行大规模定向。为此,先进的机器学习算法(如DRL)由于其固有的适应各种网络条件并进行相应调整的能力,可以非常有效地进行流程优化[136],[137]。然而,由于MCN分布在广阔的领域,基于边缘的解决方案与联邦学习相结合,是6G方向上MCN集成的一个有前途的解决方案[138]。图7描绘了一个联邦学习架构,其中包含K个无人机辅助覆盖区域的海上网络利用局部模型更新来提高全局协作模型的效率。

D. 安全和保障

开发安全的无人机辅助通信系统以克服对通信可靠性[139]和关键基础设施安全性的不同攻击类型至关重要。在这种背景下,对于依赖无人机的MCNs,通过身份伪造干扰无人机的传输可能很难识别,特别是在无人机蜂群网络中。因此,需要无人机对接收到的信息内容进行认证和分析,这可能会影响延迟性能[81]。此外,在智能海上运输系统中,无人机集群协同执行各种程序。然而,仍然存在一些漏洞可以被攻击者利用来注入虚假数据,并对无人机操纵和避碰系统产生争议。在出现数据隐私问题的情况下,最好采用联邦学习,因为联邦平均算法通过聚合每个网络设备上局部更新模型的加权平均值来构建全局模型[140]。最后,尽管无人机辅助的MCNs具有高移动性、低成本、按需资源配置和LoS连通性等优点,但它们可能容易受到窃听者的攻击[141],[142]。因此,必须开发适用于无人机辅助MCNs的分布式低复杂度物理层安全(PLS)算法,利用ML领域的进展进行自主操作[143]。

**E.先进的边缘海事服务 **

当前MCNs的一个固有特性是由于有限的覆盖而产生的间歇性连接。海事服务将面向船舶、设备和无人船的自主运行,实时数据处理至关重要。无人机辅助的MEC可以缓解这个问题,因为数据将在本地处理,从而避免过度使用回程链路[144]。无人机(uav)、USVs (usv)和uuv (uuv)的深度融合可以实现最优的计算任务分配和实时的数据收集,从而最小化网络延迟。高效的边缘计算和缓存算法应将处理能力与无人驾驶车辆的轨迹及其能量约束结合起来考虑,以保持无人机在网络中的高可用性[145],[146]。

F. 无人机群智能

无人机辅助MCNs的自主运行对于为船舶和无人船提供无线覆盖,或用于边缘计算和缓存至关重要。无人机蜂群的自组织形成需要可靠的无人机间连接和分布式智能,无人机交换关于其速度和轨迹的数据,以避免碰撞并最大化覆盖和任务卸载能力[147]。然而,无线通信可能会面临数据交换延迟、信道质量下降、能量受限以及恶劣的气象条件影响无人机稳定性等问题。在这种背景下,基于ml的算法(如通过bandit信道预测)可以缓解过时的信道状态获取[48]问题,而针对无人机蜂群的WPT解决方案可以缓解能量限制的影响。

成为VIP会员查看完整内容
58

相关内容

基于资源管理视角的无人机边缘计算研究综述
专知会员服务
48+阅读 · 2022年10月19日
海事监控视频舰船目标检测研究现状与展望
专知会员服务
25+阅读 · 2022年7月24日
新年快乐!无人机测控通信自组网技术综述
无人机
27+阅读 · 2019年2月5日
无人机集群对抗研究的关键问题
无人机
47+阅读 · 2018年9月16日
智能无人机集群技术概述
无人机
35+阅读 · 2018年2月28日
国家自然科学基金
23+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
22+阅读 · 2022年3月31日
Arxiv
12+阅读 · 2021年7月26日
Arxiv
42+阅读 · 2019年12月20日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
VIP会员
相关VIP内容
基于资源管理视角的无人机边缘计算研究综述
专知会员服务
48+阅读 · 2022年10月19日
海事监控视频舰船目标检测研究现状与展望
专知会员服务
25+阅读 · 2022年7月24日
相关基金
国家自然科学基金
23+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员