考虑功耗故障的通信无人机路径规划和带宽分配方法组成比例

本发明专利技术公开了一种考虑功耗故障的通信无人机路径规划和带宽分配方法，包括以下步骤：S1、根据应用场景中真实物理实体构建物理环境，并将场景数据同步到中央服务器；S2：中央服务器构建数字孪生模型，并实现场景数据的状态更新；S3：在中央服务器中设置经过训练学习的机器学习模型，包括ESN预测模块和DRL决策优化模块，ESN预测模块从数字孪生模型中获取状态更新后的场景数据并预测出用户智能终端在下一时隙的位置信息；DRL决策优化模块根据ESN预测模块预测出的用户智能终端在下一时隙的位置信息实现无人机路径规划和带宽分配。其效果是：能同时实现无人机路径规划和带宽分配，有效避免用户智能终端因为计算任务过重导致的过热问题。过热问题。过热问题。

【技术实现步骤摘要】
考虑功耗故障的通信无人机路径规划和带宽分配方法


[0001]本专利技术涉及移动通信技术，尤其涉及一种考虑功耗故障的通信无人机路径规划和带宽分配方法。

技术介绍

[0002]随着移动通信技术的快速发展，无人机(UAV)与蜂窝网络相融合所形成的新型移动通信网络已经引起了越来越多的关注。由于蜂窝通信能够支持每秒十亿比特的数据传输速率，导致智能终端将执行大量的数据处理进程，从而引起巨大的计算资源消耗，使得未来无线网络中出现了一个称为功耗故障(PCO)的新问题。
[0003]功耗故障与智能终端设备温度有关，具体地说，智能终端中芯片的计算是数据处理的核心，尤其是基带处理器(BP)和应用处理器(AP)所执行的部分。以智能手机为例，芯片计算产生的热量会提高智能手机后盖温度，导致用户体验的恶化。为了保护用户不受低温烫伤，有人提出应将智能手机后盖温度保持在皮肤阈值温度(45℃)以下，一旦超过该热限值，智能手机的管理器将会通过降低芯片运算频率来降低温度。在5G之前的蜂窝通信中，由于其数据传输速率相对较低的，热量产生较少，过热问题通常与本地任务相关，即计算密集型任务，因此过热时的频率降低不会影响无线传输。然而，对于未来的无线网络，例如元宇宙和云游戏等流量密集型应用程序需要Gbps级别的高速数据传输，这使得与蜂窝通信相关的数据处理成为过热的诱因。
[0004]通信无人机被视为未来无线网络的重要组成部分，对于无人机在非正交多址(NOMA)系统中作为空中基站的情况，也有学者针对不同的目标需求也提出了各种解决方案。但是现有研究主要在于独立关注功耗故障和无人机通信问题，作为未来无线网络的一个有前途的应用，通信无人机能够为地面用户提供高速率的传输，因此，在无人机场景下，智能终端也面临着由PCO引起的过热问题。然而，目前缺乏针对UAV通信中PCO影响的研究。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种考虑功耗故障的通信无人机路径规划和带宽分配方法，通过采用数字孪生技术和机器学习，使其能够在考虑PCO的情况下，同时实现UAV的路径规划和带宽分配的优化设置。
[0006]为实现上述目的，本专利技术所采用的具体技术方案如下：
[0007]一种考虑功耗故障的通信无人机路径规划和带宽分配方法，其关键在于，包括以下步骤：
[0008]S1、根据应用场景中真实物理实体构建物理环境，所述真实物理实体包括无人机、用户智能终端和场景中的固定物体；无人机获取各个用户智能终端的信息，并将场景数据同步到中央服务器；
[0009]S2：中央服务器根据步骤S1所得物理环境构建数字孪生模型，并实现场景数据的状态更新；
[0010]S3：在中央服务器中设置经过训练学习的机器学习模型，包括ESN预测模块和DRL决策优化模块，所述ESN预测模块从所述数字孪生模型中获取状态更新后的场景数据并预测出用户智能终端在下一时隙的位置信息；所述DRL决策优化模块根据所述ESN预测模块预测出的用户智能终端在下一时隙的位置信息实现无人机路径规划和带宽分配。
[0011]可选地，所述ESN预测模块包括输入层、存储池和输出层，设定物理环境中存在N个用户智能终端，所述输入层的输入向量u
in
(t)为当前N个用户智能终端的位置信息，所述输出层的输出向量y
out
(t)为下一时隙N个用户智能终端的位置预测信息；所述存储池的状态向量由表示，且按照：
[0012]x
res
(t)＝(1
‑
α
l
)x
res
(t
‑
1)+α
l
tanh(W
in
u
in
(t)+W
res
x
res
(t
‑
1))
[0013]进行更新，其中：α
l
∈(0,1]是保证x
res
(t)平滑更新的泄漏率，tanh(
·
)是激活函数，表示存储池和输入层之间的权重矩阵，是存储池神经元本身之间的权重矩阵，W
in
和W
res
在网络初始化时随机生成，并在整个训练阶段保持不变，N
res
为存储池中神经元的数量；
[0014]所述输出层按照y
out
(t)＝W
out
[u
in
(t)；x
res
(t)]确定输出向量，其中：
[0015][u
in
(t)；x
res
(t)]表示向量u
in
(t)和x
res
(t)的垂直串联，是输出层和存储池之间的权重矩阵，且通过学习训练确定。
[0016]可选地，在对ESN预测模块进行学习训练时，训练目标函数为：
[0017][0018]其中：W
out
的第n行记为w
out,n
，||
·
||代表欧几里德范数，δ||w
out,n
||2是避免过度拟合的Tikhonov正则化项，δ是正则化参数，y
target,n
(t)表示训练样本中实际位置信息向量y
target
(t)的第n个元素，y
out,n
(t)为输出向量y
out
(t)的第n个元素，T为训练样本时隙长度，最优权重矩阵通过岭回归得到，具体如下：
[0019][0020]其中Y
target
∈R
2N
×
T
和分别是训练时隙上y
target
(t)和[u
in
(t)；x
res
(t)]的堆叠版本，I为单位矩阵。
[0021]可选地，所述DRL决策优化模块收到时隙t的状态信息为：
[0022]s
t
＝[q
p
(t),H
diag
(t),T
sur
(t)][0023]其中：q
p
(t)为所述ESN预测模块输出的N个用户智能终端的位置预测信息，H
diag
(t)＝H(t)H
H
(t)是一个对角矩阵，主对角线的条目表示功率衰减，为复数形式的信道矩阵；H
H
(t)是信道矩阵H(t)的共轭转置矩阵；N
Rx
为用户智能终端天线数量，N
Tx
为无人机天线数量，T
sur
(t)为用户智能终端的设备温度；
[0024]且按照问题P1作出决策动作q
u
(t+1)和w(t)，其中，问题P1定义为：
[0025][0026]q
u
(t+1)表示下一时隙无人机的坐标位置，w(t)表示当前时隙分配给各个用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑功耗故障的通信无人机路径规划和带宽分配方法，其特征在于，包括以下步骤：S1、根据应用场景中真实物理实体构建物理环境，所述真实物理实体包括无人机、用户智能终端和场景中的固定物体；无人机获取各个用户智能终端的信息，并将场景数据同步到中央服务器；S2：中央服务器根据步骤S1所得物理环境构建数字孪生模型，并实现场景数据的状态更新；S3：在中央服务器中设置经过训练学习的机器学习模型，包括ESN预测模块和DRL决策优化模块，所述ESN预测模块从所述数字孪生模型中获取状态更新后的场景数据并预测出用户智能终端在下一时隙的位置信息；所述DRL决策优化模块根据所述ESN预测模块预测出的用户智能终端在下一时隙的位置信息实现无人机路径规划和带宽分配。2.根据权利要求1所述的考虑功耗故障的通信无人机路径规划和带宽分配方法，其特征在于，所述ESN预测模块包括输入层、存储池和输出层，设定物理环境中存在N个用户智能终端，所述输入层的输入向量u
in
(t)为当前N个用户智能终端的位置信息，所述输出层的输出向量y
out
(t)为下一时隙N个用户智能终端的位置预测信息；所述存储池的状态向量由表示，且按照：x
res
(t)＝(1
‑
α
l
)x
res
(t
‑
1)+α
l
tanh(W
in
u
in
(t)+W
res
x
res
(t
‑
1))进行更新，其中：α
l
∈(0,1]是保证x
res
(t)平滑更新的泄漏率，tanh(
·
)是激活函数，表示存储池和输入层之间的权重矩阵，是存储池神经元本身之间的权重矩阵，W
in
和W
res
在网络初始化时随机生成，并在整个训练阶段保持不变，N
res
为存储池中神经元的数量；所述输出层按照y
out
(t)＝W
out
[u
in
(t)；x
res
(t)]确定输出向量，其中：[u
in
(t)；x
res
(t)]表示向量u
in
(t)和x
res
(t)的垂直串联，是输出层和存储池之间的权重矩阵，且通过学习训练确定。3.根据权利要求2所述的考虑功耗故障的通信无人机路径规划和带宽分配方法，其特征在于，在对ESN预测模块进行学习训练时，训练目标函数为：其中：W
out
的第n行记为w
out,n
，||
·
||代表欧几里德范数，δ||w
out,n
||2是避免过度拟合的Tikhonov正则化项，δ是正则化参数，y
target,n
(t)表示训练样本中实际位置信息向量y
target
(t)的第n个元素，y
out,n
(t)为输出向量y
out
(t)的第n个元素，T为训练样本时隙长度，最优权重矩阵通过岭回归得到，具体如下：其中Y
target
∈R
2N
×
T
和分别是训练时隙上y
target
(t)和[u
in
(t)；x
res
(t)]的堆叠版本，I为单位矩阵。4.根据权利要求2或3所述的考虑功耗故障的通信无人机路径规划和带宽分配方法，其
特征在于，所述DRL决策优化模块收到时隙t的状态信息为：s
t
＝[q
p
(t),H
d...

【专利技术属性】
技术研发人员：刘青海，肖继攀，李剑峰，胡娟，王贺，李朝国，张伟东，
申请(专利权)人：重庆控环科技集团有限公司，
类型：发明
国别省市：