基于深度学习的无人机群主动空间信道增益预测
信号处理
2023-10-10 v1
摘要
对无线信道增益（CG）在空间上的预测是许多重要无线网络设计问题的必要工具。本文开发利用环境特定特征（即建筑地图与 CG 测量值）以实现高预测精度的预测方法。我们假设测量值由一组协调的无人机（UAVs）群收集。我们提出新颖的主动预测方法，包含用于最优测量收集的 UAV 路径规划方法，以及基于所收集测量值对空间 CG 进行预测的方法。我们提出两种基于深度学习（DL）与克里金插值的主动预测方法。第一种方法不依赖发射机位置，并利用 3D 地图弥补其缺失。我们利用 DL 将 3D 地图纳入预测，并利用强化学习基于 DL 预测为 UAVs 进行最优路径规划。第二种主动预测方法基于克里金插值，其需要已知发射机位置且无法利用 3D 地图。我们在基于射线追踪的信道模拟器中训练并评估这两种方法。通过仿真，我们证明了主动预测相对于基于随机收集 CG 测量值的预测的重要性。此外，我们展示了利用 DL 与 3D 地图，即便不知发射机位置也能实现高预测精度。我们还证明了在使用多个 UAVs 时，相对于以贪婪方式独立收集测量值的 UAVs，协调路径规划对主动预测的重要性。
引用
@article{arxiv.2310.04547,
title = {Deep Learning Based Active Spatial Channel Gain Prediction Using a Swarm of Unmanned Aerial Vehicles},
author = {Enes Krijestorac and Danijela Cabric},
journal= {arXiv preprint arXiv:2310.04547},
year = {2023}
}
备注
13 pages