《Future Internet》：Swarm Intelligence for Enabling Human-Centric Telepresence in Citiverse Environment
编辑推荐：
未来第六代网络预计将支持沉浸式和临场感服务，用户通过可穿戴和多感官终端与数字环境进行交互。在密集和移动场景中，静态接入支持可能变得不足，因为无线链路质量和服务可用性会随用户群体的移动而变化。本文研究了一种机器人网络协调器，它作为一组佩戴临场感服用户的移动基站运
未来第六代网络预计将支持沉浸式和临场感服务，用户通过可穿戴和多感官终端与数字环境进行交互。在密集和移动场景中，静态接入支持可能变得不足，因为无线链路质量和服务可用性会随用户群体的移动而变化。本文研究了一种机器人网络协调器，它作为一组佩戴临场感服用户的移动基站运行。协调器位置通过信干噪比（SINR）、可达传输速率和M/M/1排队模型与通信性能相关联。为支持动态定位，研究人员提出了一种两阶段FCM–ACO方法。首先，模糊C均值（FCM）聚类识别当前用户群体并确定其聚类中心。然后，蚁群优化（ACO）在移动约束下构建移动基站的可行轨迹，采用反映数据包时延和无线链路质量的服务质量（QoS）导向目标。数值结果在基站轨迹长度、覆盖率、时延、成本和计算时间方面比较了FCM–ACO与FCM、K-means和K-means–ACO。FCM–ACO在四种评估配置中实现了最短基站轨迹，相对于FCM减少约三分之一的行进距离，相对于K-means减少近一半，相对于K-means–ACO减少约9%。这一减少伴随着覆盖率、时延和计算时间方面的权衡。
论文解读：基于FCM–ACO的群智移动基站轨迹规划研究
一、研究背景与问题提出
随着通信系统向第六代网络（6G）演进，未来移动系统不再局限于传统无线接入技术的革新，更需支持全新类型的服务场景。国际电信联盟无线电通信部门（ITU-R）M.2160建议书定义的IMT-2030框架中，沉浸式通信、泛在连接以及通感一体化等新用例和能力成为发展重点。与此同时，以元宇宙和临场感服务为代表的新型应用对通信网络提出了更高要求，用户通过化身、可穿戴终端和多感官接口与数字环境交互，这种交互模式需要网络同时承载视觉、音频以及时间敏感的触觉数据流。
临场感服是此类场景中最具挑战性的用户终端类型之一。与传统设备不同，临场感服集成了多种感知与驱动功能，能够捕捉用户状态并再现远程或虚拟环境的反馈，包括运动感觉信息、热感觉、湿度相关线索以及用户化身与虚拟物体交互产生的响应。这意味着通信系统不仅要支持视听流，还要支持对时延高度敏感的触觉数据。即使是短暂的时延恶化、无线链路质量下降或服务可用性波动，都可能降低用户的沉浸感体验，削弱物理用户与数字表征之间的交互质量。
在超密集环境中，大量佩戴临场感服的用户可能集体移动，固定接入点难以始终靠近活跃用户群体，无线链路质量随用户空间分布变化而波动。网络空洞、非均匀覆盖和局部拥塞会进一步增加数据包丢失或服务质量（QoS）降级的概率。因此，需要研究自适应网络支撑机制，而非单纯依赖静态接入配置。一种可行的方案是利用机器人网络协调器作为移动基站，动态部署在密集用户群体附近。然而，协调器的轨迹规划不能简化为对用户群体的几何追踪，因为协调器位置影响无线链路质量，链路质量影响服务速率，服务速率进而影响数据包时延，三者构成耦合关系。
二、研究内容与核心结论
针对上述问题，研究人员提出了一种基于模糊C均值聚类与蚁群优化（FCM–ACO）的机器人协调器动态定位方法。该方法首先利用模糊C均值（FCM）聚类识别当前用户群体并确定聚类中心，因为用户可能位于聚类边界附近，硬分配可能导致参考点的不稳定变化。随后，蚁群优化（ACO）在移动约束下构建移动基站的可行轨迹，采用反映数据包时延和无线链路质量的QoS导向目标函数进行路径评估。
数值仿真结果表明，在四种评估配置中，FCM–ACO实现了最短的基站轨迹长度，相对于FCM减少约三分之一的行进距离，相对于K-means减少近一半，相对于K-means–ACO减少约9%。然而，这一移动性优势伴随着覆盖率、时延和成本方面的权衡。在观测后期，无ACO的配置在部分时刻提供更高的覆盖率和更低的时延，FCM–ACO仅在观测结束时达到约80%的覆盖率，低于K-means的约90%。在计算时间方面，FCM–ACO平均约需400毫秒，远高于无ACO配置。该研究的主要贡献在于证明了减少基站移动是FCM–ACO最直接的优势，同时强调了轨迹长度必须与服务质量指标和计算开销联合评估。
三、关键技术方法概述
研究人员采用的主要技术方法包括以下方面。系统模型方面，采用距离相关的有界功率增益信道模型描述无线链路，通过香农表达式计算物理层参考速率，并假设正交上行接入与均等空中时间分配，引入有效服务速率模型。排队模型方面，将每个目标用户到协调器的链路建模为等效单服务器M/M/1队列，假设数据包到达服从泊松过程，服务时间服从指数分布，在队列稳定条件下计算平均数据包系统时间。优化方法方面，FCM聚类采用模糊划分机制，通过加权最小二乘目标函数迭代更新隶属度矩阵和聚类中心，模糊指数设为2；ACO轨迹规划在规则空间网格上构建可行图，利用信息素和启发式信息指导人工蚂蚁生成候选轨迹，启发式信息以聚类中心为空间参考，信息素更新包含蒸发和沉积机制。性能评估方面，采用蒙特卡洛模拟方法，对每种方法和配置执行50次独立运行，使用学生t分布构建95%置信区间。
四、研究结果分析
4.1 基站轨迹长度
通过比较四种配置的总基站轨迹长度，研究发现FCM–ACO实现了最低值，约50个长度单位，而K-means–ACO约55，FCM约75，K-means约98至99。在各自聚类族内比较，加入ACO搜索均与轨迹长度减少相关。该结果表明聚类方法的选择与结合轨迹规划时的基站移动行为存在关联。需要注意的是，目标函数J并未包含显式的轨迹长度惩罚项，最短轨迹是四种配置下的经验结果而非全局最优性保证。
4.2 成本的时间演化
成本轨迹在初始阶段四种配置相对接近，总体随时间下降并伴随局部波动。约15秒后差异变得明显，在16至23秒的部分区间内，FCM的成本低于FCM–ACO。观测结束时，FCM–ACO达到约0.17，低于其他三种配置。该结果表明轨迹长度减少并不意味FCM–ACO在每个时刻都维持最低成本，最终值仅表征观测区间末端的状态。
4.3 覆盖率与时延
覆盖率在初始阶段约三分之一左右，约15至16秒开始分化，无ACO配置在部分时刻提供更高覆盖率。观测结束时，FCM–ACO约80%，K-means–ACO约78%，FCM约74%，K-means约90%。时延结果与覆盖率一致，初始阶段集中在约3.5毫秒，15秒后四种配置均下降但幅度不同，16至23秒区间无ACO配置时延更低，结束时FCM–ACO约1.4毫秒。这些结果印证了轨迹长度与服务条件之间的权衡关系。
4.4 计算时间
FCM–ACO平均计算时间约400毫秒，K-means–ACO约405毫秒，无ACO配置所需时间显著更少。若控制更新间隔为1秒，约400毫秒的平均计算时间约占该间隔的40%。但平均计算时间低于更新间隔并不足以保证实时运行，还需考虑处理时间分布以及状态获取和指令交付的延迟。
五、讨论与结论
研究讨论指出，FCM–ACO在评估条件下最直接的优势是减少基站移动距离，但并未在全部服务指标上同时表现出优越性。配置选择取决于应用场景对行进距离和服务阈值的优先级设定。研究结论认为，FCM–ACO方法能够使协调器随用户空间分布变化自适应调整轨迹，在四种配置中实现最短基站轨迹，但该移动性优势伴随覆盖率、时延和成本方面的权衡，且ACO搜索需要更大的计算开销。未来可在多协调器部署场景中引入用户集群优先级分配和机器人节点间协调机制，并探索替代元启发式方法用于轨迹选择阶段，从而将所提框架扩展至更广泛的机器人网络架构，支持未来密集网络中的自适应流量卸载和通信质量保障。
