面向RIS辅助能效无线车载网络的端到端无人机轨迹生成视觉GANs研究

本研究针对密集城市环境中无人机(UAV)轨迹设计的复杂挑战，提出了一种基于视觉生成对抗网络(vGANs)的端到端轨迹规划框架。该研究解决了传统方法在运动学约束、避障和实时通信链路维护方面的不足，通过处理鸟瞰图(BEV)图像生成运动基元和控制信号，动态优化UAV轨迹以提升信道性能和导航可行性。仿真结果表明，vGANs在实时导航和无碰撞视距(LoS)通信方面优于传统方法，为智能交通系统中的高效无线通信提供了创新解决方案。

　　

在智慧城市快速发展的今天，无人机(UAV)作为空中基站或中继节点，在无线通信网络(WCNs)中扮演着越来越重要的角色。特别是在未来超越5G(B5G)和6G系统中，高频毫米波(mmWave)通信虽然能提供大带宽，却受限于严重的信号衰减、快速衰落和阻塞问题，必须依赖视距(LoS)通信。无人机凭借其灵活性和建立空中LoS链路的能力，为这些挑战提供了潜在的解决方案。此外，无人机在实现间接车辆到车辆(V2V)和车辆到一切(V2X)通信方面也至关重要，尤其在城市峡谷中，它们有助于传感和感知，以及传感器融合和动态地图构建，确保安全驾驶。

然而，在密集城市环境中，为LoS无线通信设计无碰撞的无人机轨迹并非易事。传统的路径规划技术难以应对运动动力学约束、避障和实时运动可行性，使得标准凸优化方法无法有效解决这一问题。此外，波束成形(beamforming)作为未来智能交通网络的关键要求，能耗较高，因此需要能效更高的替代方案，如可重构智能表面(RIS)。但是，在城市结构上部署RIS进一步复杂化了无人机路径规划，因为必须在无人机、RIS和地面车辆之间建立直接的LoS链路。

为了应对这些挑战，Mohsen Eskandari、Andrey Savkin和Mohammad Deghat开展了一项创新研究，提出了一种人工智能驱动的轨迹规划框架，利用生成对抗网络(GANs)。他们的端到端视觉GANs(vGANs)框架处理原始鸟瞰图(BEV)图像，生成运动基元和控制信号，动态优化无人机轨迹，以增强信道性能和导航可行性。该研究成果发表在《Green Energy and Intelligent Transportation》上，为复杂城市环境中的无人机路径规划提供了新思路，显著提高了通信可靠性、避障能力和操作效率。

研究人员采用了几项关键技术方法来实现这一目标。首先，他们利用快速探索随机树(RRT)方法生成随机路径(RPs)，并离线预验证这些路径以确保无人机、RIS和地面车辆之间的LoS连接。这一步骤保证了训练过程中只使用可行的LoS兼容轨迹，而不会在部署时增加计算负担。其次，他们设计了条件视觉GANs(vGANs)架构，包括生成器和判别器网络，将BEV图像映射到有效的RPs。生成器网络基于卷积神经网络(CNN)处理图像，并加入高斯噪声和低频滤波以提取关键空间特征；判别器网络则区分生成路径与真实训练数据。训练过程使用Adam优化器，进行60个epoch，采用标签平滑和dropout正则化来避免模式崩溃和增强收敛。最后，通过运动学方程离散化，从生成路径中推导控制信号(输入加加速度jerk)，并选择最小化能量消耗和最大化通信性能的最优轨迹。

在系统描述与建模部分，研究人员详细阐述了无人机运动学和信道性能的数学模型。无人机运动采用欧几里得空间中的运动学方程建模，状态包括3D位置和速度，输入为加加速度。信道性能方面，毫米波通信依赖于直接LoS路径或通过地面RIS的间接级联LoS(CLoS)路径。 achievable rate at user k 通过香农公式计算，考虑带宽、发射功率、噪声协方差和信道增益。信道增益又取决于无人机辐射增益、RIS反射增益、信号波长以及直接和间接信道增益，这些增益通过几何波束成形优化，基于位置感知的方向波束控制，使用离散傅里叶变换(DFT)码本。然而，优化问题非凸且NP难，传统方法计算量大，难以实时求解。

在轨迹设计与视觉GANs部分，研究人员提出了vGANs框架来生成有效的3D随机路径。训练数据通过RRT类似方法创建，包括标记的RPs和对应 aerial images。每个RP由随机控制输入生成，并通过运动方程解算 waypoints，同时检查运动动力学约束和非完整约束。 valid RPs 被标记为2，无效为1。 aerial images 预处理包括灰度转换、高斯噪声添加和低通滤波，以保留基础结构并增强鲁棒性。生成器网络将处理后的图像转换为生成数组，判别器网络区分真假数据。训练遵循 minimax 游戏，价值函数通过生成器和判别器的对抗优化达到均衡。训练后，生成器实时映射BEV图像到有效RPs，控制信号通过离散化运动方程解算，最优轨迹基于目标函数选择，最小化能量消耗和最大化LoS/CLoS连接及通信速率。

仿真结果部分展示了在Matlab平台上的实验效果。3D占用地图包括建筑障碍物和地面车辆路线，RRT生成RPs用于训练vGANs。预处理后的 aerial images 显示用户车辆位置，生成器生成多样RPs。训练分数显示网络达到均衡，生成数组可转换为有效路径。vGANs生成RPs仅需7.12秒，远快于RRT的243秒，证明了实时性。性能分析表明，vGANs在轨迹平滑度(平均垂直和水平航向变化率0.8381)、控制努力(比RRT减少11%)、能量消耗(减少10%)和通信可靠性(LoS得分1.4 vs. RRT的0.65)方面均优于传统方法，凸显了其在城市环境中支持无人机辅助通信的优越性。

讨论部分强调，vGANs框架与传统采样方法如RRT相比，具有数据驱动和泛化能力优势。RRT缺乏嵌入领域特定约束(如通信感知目标)的能力，而vGANs通过BEV图像条件化，能适应不同城市布局和环境条件，支持多无人机协调。预处理和噪声增强提高了鲁棒性，使模型更通用和可扩展。

结论部分总结，实时无人机轨迹设计在城市峡谷中面临计算挑战，传统方法如凸编程和RRT难以应对。vGANs通过端到端解决方案，离线训练后实时推断可行轨迹，整合感知、定位、路径规划和控制，有效处理运动动力学约束和LoS链接。仿真验证了其高效性，为城市环境中的无人机导航提供了有力工具。

这项研究的重要意义在于，它不仅解决了无人机在复杂城市环境中的实时路径规划问题，还通过AI技术提升了无线通信的可靠性和能效，为未来智能交通系统和6G网络的发展提供了关键技术支撑。通过视觉GANs的创新应用，研究人员为无人机导航和通信一体化设立了新标杆，具有广泛的应用前景和学术价值。