利用机载传感器实现无人机感知飞行状态的速率自适应

如今，无人机（UAV）正被广泛应用于大量民用和军事应用中。稳健且高吞吐量的无线通信是这些无人机应用的关键。然而，空对地链路因敏捷的机动性和动态环境而遭受时变信道的困扰。速率自适应算法通常根据当前信道条件选择最优数据速率。现有最优方法利用物理层信息进行速率自适应，并在某些条件下表现良好。然而，上述协议在空对地链路持续变化的飞行状态和环境下面临局限。为解决此问题，我们提出 StateRate，一种状态优化的速率自适应算法，其利用混合深度学习模型充分挖掘无人机系统的特性。关键观察是速率自适应策略需要根据依赖于运动的信道模型进行调整，而这可由飞行状态反映。本工作中，速率自适应协议借助无人机中的机载传感器得到增强。为充分利用传感器数据，我们引入一个基于学习的预测模块，利用内部状态在可变飞行状态下动态存储时间特征。我们还提出一种在线学习算法，通过采用预训练模型使速率自适应算法适应不同环境。我们在商用无人机平台上实现该算法，并在多种环境中评估。结果表明，在速度为 2-6~m/s 时，我们的系统在吞吐量方面优于已知最优速率自适应算法达 53%。