城市蜂窝网络中基于强化学习的无人机辅助覆盖盲区检测
信号处理
2025-04-02 v2
摘要
在城市地区部署蜂窝网络需要应对各种挑战。例如，几何形状与高度各异的高层建筑会导致信号衰减、反射、衍射和散射效应。这使得建筑物附近极有可能出现覆盖盲区（CHs）。检测这些 CHs 对于网络运营商确保服务质量至关重要，因为这些区域的客户可能会经历微弱或无信号接收。为应对这一挑战，我们提出了一种使用自主飞行器（如无人机 UAV）检测 CHs 的方法，以最小化路测工作量并减少人力。该 UAV 利用强化学习（RL），基于存储的局部建筑地图、其当前位置以及测量的信号强度来寻找 CHs。在移动过程中，UAV 动态更新其对信号环境及前往附近 CH 方向的认知，同时避免与建筑物碰撞。我们利用 OpenStreetMap 的建筑地图和 NVIDIA Sionna 光线追踪仿真生成的信号强度数据，创建了广泛的测试场景。结果表明，在城市地区的 CHs 检测中，基于 RL 的方法优于非机器学习的几何方法。此外，即使 UAV 测量数量有限，该方法也能达到接近假设具备所有信号强度完整知识的理论上界的性能。
引用
@article{arxiv.2503.06494,
title = {UAV-Assisted Coverage Hole Detection Using Reinforcement Learning in Urban Cellular Networks},
author = {Mushfiqur Rahman and Ismail Guvenc and David Ramirez and Chau-Wai Wong},
journal= {arXiv preprint arXiv:2503.06494},
year = {2025}
}
备注
Accepted at the ICC 2025 Workshop on 6G Connected Robotics for Collaborative Control, Sensing, and Communication