用于无人机通信系统的鲁棒多层网络设计

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Design of robust multiple-layer networks for unmanned aerial vehicle communication systems

　　•开发了一种网络拓扑和无人机位置的联合优化方法，以大幅增强多层无人机网络的鲁棒性。•构建了层内和层间势场来控制多层网络架构中的无人机，解决了传统人工势场适应能力较差的问题。•边界节点被发现是一个关键的结构组成部分。提出了一种无模型方法，以减少多层网络对边界节点的过度依赖，并提高多层无人机网络的鲁棒性。

引言
多层（Multi-layer）无人机系统已广泛应用于空地一体化网络、无线通信网络和区域覆盖[1]、[2]、[3]。通常，多层无人机系统包括多种类型的无人机。不同类型的无人机位于不同的层上，并具有不同的能力[4]。与单类型无人机系统相比，多层无人机系统能够以协作的方式完成更复杂的任务[5]、[6]、[7]。通信系统是无人机协作的重要保障[8]、[9]。由于通信范围的限制，每架无人机只能与其可检测到的邻居（通信范围内的其他无人机）建立连接[10]、[11]、[12]。因此，在多层无人机通信系统中存在两种类型的链接：层内链接和层间链接。层内链接用于在同一层上的无人机之间传输数据。层间链接负责将数据传输到相邻层的无人机。然而，在任务执行过程中，无人机可能会发生故障。如果大量无人机失效，大量的链接将会消失，无人机将无法相互传输数据，从而影响无人机之间的协作[13]。因此，设计一个高度可靠的通信系统以确保剩余无人机之间的数据传输至关重要。
通信系统通常表示为网络。在网络中，节点和边分别代表无人机和链接。连通性用于衡量网络是否连通[14]、[15]。如果网络是连通的，则任意两个节点之间存在可达路径，无人机之间的数据传输可以得到保证。鲁棒性用于评估在某些节点失效时剩余网络的连通性[16]、[17]。具有强鲁棒性的网络即使在移除了大量节点后仍能保持连通。
为了提高网络鲁棒性，已经提出了许多方法，这些方法可以分为两类：基于网络结构的方法和基于网络指标的方法。对于基于网络结构的方法，大多数方法通过调整节点之间的链接来使网络具有特定的结构。例如，由于无标度网络和社区结构的出色鲁棒性[18]、[19]、[20]，一些方法修改网络的链接，使其具有与无标度网络和社区结构相同的结构。对于基于网络指标的方法[21]、[22]，大多数方法根据网络指标建立目标函数，并设计适当的优化方法来不断调整节点之间的链接，直到目标函数达到最优或次优值。
然而，这些方法存在以下缺点：(Q1) 受通信范围的限制，无人机只能与周围的无人机建立链接。如果无人机之间的距离较小，则通信范围内的无人机会更多，这有利于后续优化算法寻找更鲁棒的网络结构。因此，减少无人机之间的距离对于提高网络鲁棒性至关重要。然而，大多数方法仅通过优化网络结构来提高网络鲁棒性。(Q2) 一些方法通过一种控制策略来调整无人机的位置。但是，不同类型的无人机受到不同的约束，一种控制策略不能应用于多种类型的无人机。(Q3) 增加链接数量是提高网络鲁棒性的有效方法。然而，在多层网络中，具有大量链接的某些节点极容易成为脆弱点。原因如下：在多层网络中，一些节点既与同一层的节点建立链接，也与不同层的节点建立链接。这些节点是关键节点，我们将其定义为边界节点。对于多层网络，其他节点不仅依赖边界节点来建立到达同一层节点的路径，还依赖边界节点来建立到达不同层节点的路径。如果增加边界节点的链接数量，更多的节点将依赖边界节点来建立路径，从而使网络进一步依赖于这些节点。一旦边界节点失效，网络的鲁棒性将急剧下降。
受这些问题的启发，提出了一种改进多层无人机网络鲁棒性的优化方法。为了解决(Q1)，我们将无人机的位置和网络结构结合起来以提高多层无人机网络的鲁棒性。所提出的方法包括两个部分：飞行策略设计和网络结构优化。飞行策略设计用于调整无人机的位置，而网络结构优化则用于根据调整后的位置获得高度鲁棒的多层无人机网络。对于(Q2)，基于人工势场（APF）设计了两种具有不同约束的势场。这些势场用于减少无人机之间的距离，并能满足不同类型的约束。对于(Q3)，我们使用图卷积神经网络（GCN）和深度Q网络（DQN）在增加链接数量的同时均匀分配链接。这样，可以促使节点避免通过边界节点建立路径，从而减少网络对边界节点的依赖。
主要贡献如下：
- 大多数现有方法仅通过优化网络拓扑来提高多层网络的鲁棒性，而未能充分利用无人机的移动性。我们提出了一种结合网络拓扑和无人机位置的联合优化方法，显著提高了多层无人机网络的鲁棒性。
- 为了解决传统人工势场方法在适应多层网络结构方面的困难，我们构建了层内和层间势场来调整无人机之间的距离。此外，我们从理论上证明了所提出的势场满足多层网络的约束，并确保了碰撞避免和多层结构的稳定性。
- 揭示了边界节点对多层网络鲁棒性的关键影响。为了减轻多层网络对边界节点过度依赖导致的鲁棒性下降，提出了一种基于DQN和GCN的无模型方法。同时，所提出的方法克服了多层网络优化中的建模困难和计算复杂性问题。

本文的其余部分组织如下：第2节讨论了网络鲁棒性的相关工作。第3节阐述了多层无人机网络鲁棒性的优化问题。第4节介绍了所提出的方法。第5节展示了实验结果和讨论。第6节讨论了所提出方法的局限性和约束。第7节总结了本文的工作内容和未来的研究方向。

文献综述
提高网络鲁棒性的方法可以分为两类：基于网络结构的方法和基于网络指标的方法。在基于网络结构的方法中，大多数方法侧重于发现特殊结构，这些结构对网络鲁棒性有显著影响。通过调整这些特殊结构，可以改善网络的鲁棒性。对于基于社区结构的方法，Ma等人[19]进行了深入研究。

问题陈述
多层无人机网络是一个重要的研究课题。在多层无人机网络中，不同层的无人机处于不同的高度[47]、[48]、[49]。由于通信范围有限，无人机只能与其信号范围内的其他无人机建立连接。因此，多层无人机网络是一个中继网络。典型的多层无人机网络如图1所示。多层无人机网络由高层、中层和底层组成。同一层的无人机通过...（原文此处内容不完整）

所提出的方法
对于具有大量边的网络，即使某些无人机发生故障，剩余的链接仍能确保无人机之间的连接。因此，增加链接数量对于提高网络鲁棒性非常重要。为了建立更多的链接，需要减小无人机之间的距离以解决通信范围有限的问题。对于多层无人机网络，仅仅增加链接数量是不够的，还需要调整网络结构。这是因为不适当的网络...

实验结果
在我们的场景中，无人机的基本速度vb由四个方向组成：前方、后方、左侧和右侧。在每一步中，所有无人机随机选择一个方向。我们验证了飞行策略的性能和强化学习的收敛性。此外，还验证了某些无人机失效时剩余网络的连通性强度。在模拟中，我们分别对33架无人机和111架无人机组成的网络进行了实验。无人机在三维空间中移动...

局限性和约束
尽管所提出的方法可以有效提高多层无人机网络的鲁棒性，但仍存在一些局限性：(i) 所提出的方法主要关注通信功能的失效问题，没有考虑环境因素对网络鲁棒性的影响，例如障碍物对通信的影响以及强风对无人机控制的影响。(ii) 优化控制方法尚未纳入无人机控制模块。如图6和图7所示...

结论和未来工作
在本文中，我们提出了一种在多种故障模式下设计鲁棒多层无人机网络的方法。由于多层无人机网络是一个中继网络，通过减小无人机之间的距离可以建立大量链接。因此，使用层内势场和层间势场来减少无人机之间的距离，并满足不同类型无人机的约束。此外，为了减少边界节点对网络的影响...

作者贡献声明
陈 Zhang：撰写 – 审稿与编辑、方法论、概念化。
王 晖：撰写 – 审稿与编辑、验证、监督。
刘 书雷：撰写 – 审稿与编辑、调查、资金获取。
张 开：可视化、形式分析。
李 永军：撰写 – 审稿与编辑、验证、项目管理、资金获取。

利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢
本研究得到了中国博士后科学基金会（项目编号GZC20233578）和国家自然科学基金（项目编号62502371）的支持。

作者列表：
陈 Zhang | 王 晖 | 刘 书雷 | 张 开 | 李 永军