UTM 系统中基于联邦学习的无人机协同宽带频谱感知与调度
机器学习
2024-06-05 v1 多智能体系统
信号处理
摘要
在本文中，我们提出了一个数据驱动的框架，用于网络化无人机（UAV）的协同宽带频谱感知和调度，这些无人机作为次要用户（SU）机会性地利用检测到的“频谱空洞”。我们的总体框架包含三个主要阶段。首先，在模型训练阶段，我们探索了多小区环境中的数据集生成，并使用联邦学习（FL）架构训练机器学习（ML）模型。与现有的关于无线 FL 且假设数据集随时可用于训练的研究不同，我们提出了一种新颖的架构，该架构将无线数据集生成（涉及在多小区环境中从空中信号捕获 I/Q 样本）直接集成到 FL 训练过程中。其次，在协同频谱推理阶段，我们提出了一种与无人机系统交通管理（UTM）生态系统兼容的协同频谱融合策略。最后，在频谱调度阶段，我们利用强化学习（RL）解决方案将检测到的频谱空洞动态分配给次要用户。为了评估所提出的方法，我们建立了一个综合的仿真框架，该框架使用 MATLAB LTE 工具箱生成近乎真实的合成数据集，方法是在选定感兴趣的区域纳入基站（BS）位置、执行光线追踪，并根据 I/Q 样本模拟主用户的信道使用情况。这种评估方法提供了一个灵活的框架来生成大型频谱数据集，可用于为空中设备开发基于 ML/AI 的频谱管理解决方案。
引用
@article{arxiv.2406.01727,
title = {Federated Learning-based Collaborative Wideband Spectrum Sensing and Scheduling for UAVs in UTM Systems},
author = {Sravan Reddy Chintareddy and Keenan Roach and Kenny Cheung and Morteza Hashemi},
journal= {arXiv preprint arXiv:2406.01727},
year = {2024}
}
备注
This is a preprint version submitted to IEEE Transactions on Machine learning in Communications and Networking. arXiv admin note: text overlap with arXiv:2308.05036