《Drones》：Performance Analysis of Uplink Opportunistic Scheduling for Multi-UAV-Assisted Internet of Things
编辑推荐：
本文针对多无人机辅助物联网（UAV-IoT）上行数据收集场景，提出了一种基于信道互易性的低开销机会调度（OS）框架。该框架通过利用下行链路干扰（MDI）或下行链路信干噪比（MD-SINR）作为调度准则，有效降低了传统上行链路调度带来的巨大信道训练开销。文章在瑞利块衰落信道下，针对双无人机部署场景，推导了系统平均和速率、渐近和速率以及自由度（DoF）的闭式表达式，证明了当用户数K随信噪比ρ按K=ρα增长时，系统可获得2α的总DoF。对于三无人机部署场景，通过采用伽马分布近似上行干扰，得到了平均和速率的可处理表达式。仿真结果表明，在中等至高信噪比区域，双无人机部署方案在瑞利和Nakagami-m信道下均优于单无人机或三无人机方案，为大规模低功耗物联网数据收集提供了理论依据和工程指导。
研究背景与动机
随着4G/5G乃至6G时代的到来，物联网（IoT）的应用领域和市场规模呈指数级增长。然而，传统的蜂窝物联网（Cellular IoT）依赖于现有基础设施，限制了其在偏远或基础设施匮乏地区的应用。为此，无人机辅助物联网（UAV-IoT）应运而生。无人机凭借其高机动性、灵活性和低成本，能够为地面物联网设备提供高效的数据通信和计算卸载服务，特别适用于环境监测、野生动物追踪、灾后救援等基础设施缺失的远程场景。
在典型的UAV-IoT数据收集场景中，地面传感器数量远多于无人机数量。传统的轮询调度或时分多址（TDMA）方案无法充分利用大量物联网节点带来的多用户分集增益。虽然机会调度（OS）或机会波束赋形（OBF）技术能够有效利用多用户分集，但现有研究主要集中在下行链路广播信道（BC）或干扰广播信道（IBC）场景。若直接应用于上行链路物联网数据传输，将导致巨大的上行信道训练开销，因为所有地面传感器都需要依次发送信道训练符号。此外，地面传感器通常发射功率较低，上行信道估计的误差通常大于下行信道估计。因此，设计一种低开销的上行链路调度策略，对于大规模、低功耗的物联网数据收集至关重要。
系统模型与信道互易性
本文考虑一个多无人机上行数据收集场景，其中包含N架无人机和K个地面传感器，且K远大于N。所有无人机和传感器均配备单天线。系统采用时分双工（TDD）模式，并假设信道在相干时间内具有互易性，即上行信道系数等于下行信道系数的共轭转置。文章主要考虑了两种典型的信道模型：瑞利（Rayleigh）衰落信道和Nakagami-m衰落信道。瑞利信道适用于散射环境，而Nakagami-m信道则适用于高海拔应用，其形状因子m描述了信道衰落的严重程度。当m=1时，Nakagami-m信道退化为瑞利衰落信道。
基于信道互易性的上行机会调度
为了降低上行信道训练开销，本文提出了一种基于信道互易性的低复杂度多无人机上行机会调度框架。其核心思想是利用下行信道信息来间接推断上行链路的信道质量，从而避免直接进行大规模的上行信道估计。具体提出了两种调度准则：最小下行干扰（MDI）和最大下行信干噪比（MD-SINR）。
MDI调度准则
MDI调度方法利用了一个关键特性：如果一个地面传感器在下行传输中经历来自非目标无人机的弱干扰，那么它在进行上行传输时，也会对这些非目标无人机产生弱干扰。具体流程如下：
- 1.
下行信道训练：所有无人机依次发送训练信号，地面传感器测量来自所有无人机的下行接收信号功率。
- 2.
信道质量反馈：每个传感器计算其从每个无人机接收信号时，来自其他无人机的总下行干扰功率。然后，传感器选择使其经历最小下行干扰的无人机作为其目标无人机，并将该最小干扰值反馈给该无人机。
- 3.
传感器调度：每个无人机根据接收到的反馈信息，选择报告了最小干扰值的传感器作为其上行传输的目标传感器。
- 4.
上行数据传输：被调度的传感器同时向其目标无人机发送上行数据。
MD-SINR调度准则
MD-SINR调度方法利用了另一个原理：当一个传感器在下行链路中达到最大信干噪比（SINR）时，它在上行传输中也很有可能获得良好的SINR性能。其流程与MDI类似，区别在于传感器计算并反馈的是下行最大SINR值，而无人机则选择报告了最大SINR值的传感器进行调度。
双无人机场景下的性能分析
为了回答“应该部署多少架无人机”的问题，本文首先对双无人机部署场景进行了严格的性能分析。在瑞利块衰落信道下，基于MDI调度准则，文章推导出了系统平均和速率的闭式表达式。该表达式表明，平均和速率与用户数K、发射信噪比ρ以及指数积分函数E1(·)有关。
进一步，文章分析了系统的自由度（DoF）性能。自由度定义为当发射信噪比ρ趋于无穷大时，系统可实现和速率与log2ρ的比值。分析结果表明，在双无人机K传感器场景中，当用户数K随信噪比ρ按K=ρα（0<α<1）的比例增长时，系统可以获得2α的总自由度。这意味着，通过增加用户数量，系统可以线性地提升其自由度性能，从而在理论上证明了多用户分集增益的有效性。
三无人机场景下的性能分析
对于三无人机部署场景，由于干扰项的分析变得更为复杂，直接推导闭式表达式变得困难。为此，本文采用了一种近似分析方法。首先，将上行链路中归一化的干扰项建模为一个伽马（Gamma）分布。然后，通过矩匹配法，确定了该伽马分布的参数，使其均值和方差与原始干扰分布的均值和方差相匹配。基于此近似，文章推导出了三无人机场景下系统平均和速率的可处理表达式。为了验证该近似的准确性，文章还进行了Kolmogorov-Smirnov（KS）拟合优度检验。结果表明，当传感器数量K大于30时，理论结果与仿真结果之间的归一化误差低于1%，证明了该近似方法的有效性。
仿真结果与性能比较
通过蒙特卡洛仿真，文章验证了理论分析的正确性，并比较了不同传输策略和部署方案的性能。
理论验证
在瑞利衰落信道下，双无人机和三无人机场景的理论平均和速率曲线与仿真结果高度吻合，验证了所推导的闭式表达式的准确性。同时，仿真结果也证实了MDI和MD-SINR两种调度方案具有相同的自由度性能，其和速率曲线的斜率在高信噪比区域与理论预测的2α一致。
信道衰落严重性的影响
文章在Nakagami-m衰落信道下评估了系统性能。结果表明，信道衰落的严重程度对系统性能有显著影响。在Nakagami-m信道中，较小的形状因子m（即更严重的衰落）会导致更大的信道波动，从而带来更大的多用户分集增益。因此，在更严重的衰落环境下，系统可以获得更高的和速率和自由度。
不同传输策略的比较
文章比较了MDI-OS、MD-SINR-OS以及传统的TDMA轮询调度方案。仿真结果表明，在中等至高信噪比区域，基于机会调度的双无人机部署方案显著优于单无人机部署方案。这是因为双无人机部署能够利用多用户分集增益来克服干扰带来的性能损失。而传统的TDMA轮询调度由于无法利用多用户分集，其性能最差。
不同无人机部署数量的比较
文章比较了单无人机、双无人机和三无人机部署方案的性能。结果表明，增加无人机数量并不总是能提高系统性能。虽然三无人机部署允许更多的传感器同时传输，但它也引入了额外的用户间干扰。在中等至高信噪比区域，双无人机部署方案在瑞利和Nakagami-m信道下均表现出最优的性能。这是因为双无人机部署在利用多用户分集增益和控制干扰之间取得了最佳平衡。
结论与工程指导
本文针对多无人机辅助物联网上行数据收集场景，提出了一种基于信道互易性的低开销机会调度框架。通过利用下行链路信息进行上行用户调度，该框架在显著降低系统开销的同时，充分挖掘了多用户分集增益。理论分析揭示了系统自由度与用户数增长比例之间的定量关系，为系统设计提供了理论依据。仿真结果表明，在中等至高信噪比区域，双无人机部署方案通常是最优选择。在实际工程中，系统可以根据发射功率、传感器数量和信道衰落特性，通过简单的阈值决策或查表法，动态选择最优的无人机部署数量，从而实现性能与复杂度的最佳折衷。
