低空无人机通信性能下降的最差边界评估与测量侧搜索方法

《AEU - International Journal of Electronics and Communications》：Worst-boundary evaluation and measurement-side search for low-altitude UAV communication degradation

　　周正阳|张金宝|张丹•无人机通信中最恶劣的链路状态可能由信号效应与遮挡效应的共同作用导致。•通过接收端评估器可实现不良边界搜索。•遗传算法、粒子群优化、模拟退火和差分进化都会收敛到相同的脆弱区域。•AERPAW和Dryad方法可支持有界测量端的最恶劣区域搜索。

引言
低空无人机的通信性能通常通过平均覆盖范围、平均传输速率或特定目标的优化指标来衡量。这些指标仍是有用的一阶描述方式，现有研究也在此方面取得了显著进展。然而，低空无人机密集部署时的决策往往受另一个因素影响：即当几何结构、遮挡情况或干扰程度发生微小变化时，接收端的通信状态就可能会越过某个临界阈值。在这样的场景中，理想的链路状况、整体干扰环境以及信号传播特性并非始终呈单调变化关系。向上飞行虽然能提升服务可视性，但也会带来更强的屋顶干扰或旁瓣干扰；横向移动则可能抑制一个干扰源，同时引发另一个干扰源；视距/非视距状态的切换或建筑物边缘的影响都可能使信号衰减情况发生突变。因此，这种脆弱性应被视为一种对阈值敏感、呈分段非单调变化的性能下降问题，而不仅仅是单纯的平均链路问题[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]。

这一认识虽改变了评估对象，但并未否定现有方法的价值。如果部署过程中的关键风险在于，在理想链路变化、干扰程度及信号传播特性切换的共同作用下越过临界阈值，那么需要关注的重点就是围绕临界功率裕度所在的不利区间，以及导致系统进入该区间的最恶劣通信边界。最危险的薄弱状态并不一定出现在路径损耗最大、干扰最强或场景平均性能最差的点上，它可能存在于可行区域内，那里各种因素共同压缩了接收端的性能裕度。这也是为什么在性能裕度较低的区间，系统容易出现故障，经过误码率调整后的吞吐量以及低尾部分吞吐量的变化会更为明显[11]、[12]。

现有研究为理解这一问题提供了重要基础，但多是从相关角度展开的。关于信号传播及蜂窝网络连接无人机的研究，探讨了空地通信信道、覆盖范围权衡、干扰机制以及特定目标的优化方法[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]。近期的AEU-neighbor相关研究则聚焦于故障分析、短数据包优化、吞吐量或覆盖范围最大化、空间调制或全双工性能提升，以及在标准通信目标下的抗干扰优化[21]、[22]、[23]、[24]、[25]。此外，针对低空经济领域的大规模人工智能模型应用的研究指出，智能低空服务需要在动态的物理环境中具备可靠的通信、感知和计算能力[26]。这些研究之所以仍具有重要参考价值，正是因为它们提供了实际部署所依赖的一阶信道、覆盖范围及优化理论基础。而本文要解决的则是更为具体的问题：当多种因素共同作用形成内部薄弱状态时，仅依靠平均值或单一因素的分析无法揭示那些出现在最恶劣边界或不利区间内的关键部署场景。

现有的公开测量数据可为这一研究提供补充证据。AERPAW和Dryad数据虽然无法提供构建合成评估模型所需的全部场景级信息，但它们包含了足够的几何结构、射频特性、吞吐量、双链路信息、服务环境相关数据以及频谱信息，足以用于基于可观测性限制的检测[27]、[28]、[29]、[30]、[31]、[32]、[33]。在这里，这些测量数据并非仅仅作为独立的弱场筛选基准或分类排名工具，而是用于回答两个相互关联的问题。第一个问题是物理层面的：在公开测量数据中是否存在理想链路强度不足、对干扰敏感的性能下降，以及因遮挡或瓶颈效应导致的信号劣化现象？第二个问题是算法层面的：在可观测性受限的情况下，是否可以通过基于测量数据的逐链路不良状态检测方法，找出那些非随机的薄弱区域或不良区间，即便在已知的可观测界面范围内？

因此，本文提出了一种完整的五步理论-方法-测量循环框架，而非回到仅进行简单筛选的传统思路（见图1）。
1. 必要性与存在性。我们阐明了为何仅依靠平均值或单一因素的分析无法全面揭示低空无人机通信中的关键薄弱状态，并证明了理想链路变化、干扰程度以及离散状态切换等因素能够在功率裕度范围内形成内部的最恶劣通信边界。
2. 通过Dcomm实现方法化。我们将上述理论转化为通用的接收端评估器以及混合连续-离散搜索接口，使得不良状态下的系统行为能够被有效检测、比较和实现，而不仅仅停留在描述层面。
3. 合成方差与不良邻域诊断。在固定的评估器逻辑下，差分进化/遗传算法/粒子群优化等方法能够提供统计上有依据但受物理条件限制的证据，表明它们比随机搜索更频繁地进入高评分的不良邻域状态，但这并不意味着两者在物理层面完全等价。
4. 公开数据的可观测一致性验证。在公开数据允许的范围内，我们利用AERPAW和Dryad数据重建服务几何结构、路径损耗残差、对干扰敏感的性能下降情况、受高度影响的遮挡特性、双链路不对称性、服务环境恶化状况以及频谱使用情况。
5. 基于测量数据的薄弱区域/不良区间推断。通过针对重建后的公开数据目标进行测量端搜索，我们能够在可观测性受限的情况下找出非随机的薄弱区域和不良区间，而Dataset-25和Dataset-27中的城市直升机通信数据则仅用于验证可观测性的一致性及存在限制。

本文的其余部分将按照这一循环结构展开。第2节将定义通用的评估器接口，并说明在实际观测数据、分析模型以及合成数据中，相同的性能下降机制是如何因可观测性差异而呈现不同特征的。第3节将证明存在对阈值敏感的内部最恶劣边界。第4节将通过Dcomm及其相关的搜索接口将这一理论具体化。第5节则将进一步把测量数据转化为可用于AERPAW薄弱区域识别、Dryad不良区间识别以及Dataset-25和Dataset-27城市直升机通信数据可观测性验证的测量端搜索框架。最后的讨论与结论部分将回到最初的部署问题，区分在已知可观测条件下得出的不良状态一致性结论，与那些声称能够完全重建物理场景的不实观点之间的差异。

章节要点
系统模型与通用评估接口
在本文中，同一套接收端性能下降分析逻辑发挥着三种作用：用于解释薄弱状态的理论分析、用于发现合成数据中的最恶劣边界，以及用于在可观测性受限情况下对不良状态进行测量端重建。设计通用评估接口的目的并非要将这些不同的分析内容合并为单一的数据来源，而是确保在不同可观测性水平下，性能下降的分析逻辑保持一致。图4展示了原始数据中的几何结构信息、活跃的发射源类型以及接收端性能下降相关参数。

本节在引入任何搜索算法之前，首先回答了本文关于问题存在性的疑问。由于决定部署过程中关键薄弱状态的核心因素，正是那些最容易使接收端性能裕度越过临界阈值的状况，因此理论分析对象被设定在接收端层面。假设理想链路的传输功率为Ps，大尺度增益为L0(d0)，衰落增益为G0，那么接收到的瞬时信号功率为S=PsL0(d0)G0。在存在总体干扰I和热噪声N的情况下，就可以基于这些参数构建接收端性能评估模型。

作为性能下降评估方法的接收端评估器
该评估方法以第3节中介绍的接收端相关参数为基础构建。它并非从优化算法出发，去考虑其能够优化哪些目标，而是从不良状态区域出发，思考在具有连续与离散状态变量混合特征的复杂城市环境中，如何实现对这类不良状态的检测。由此形成的评估模型将基于地图信息的信号传播模型、视距/非视距状态切换机制、不同类型的干扰源，以及接收端性能裕度分析等内容整合在一起，形成一个统一的分析框架。

公共数据集、相关研究及环境类型
这里的测量数据不再被视为普通的独立测试数据，其用途是在公共数据集的可观测性限制条件下，检验Dcomm方法提出的三种不良状态特征——理想链路强度不足、过度干扰或对干扰敏感的性能下降，以及不良的路径损耗或遮挡效应——是否能够被转化为可搜索的公共数据目标。因此，问题不在于公共数据是否能够完全复现原有的合成评估模型。

讨论
测量端搜索框架表明，基于测量数据的分析需要承担两种不同的分析任务。第一种是可观测性一致性分析。在这方面，当前的研究框架保持了原有的结构，但简化了表述方式：AERPAW数据可用于重建服务几何结构、基于距离条件的路径损耗残差、受高度影响的遮挡特性，以及对干扰敏感的非单调性能变化情况；而Dryad数据则可用于分析双链路之间的不对称性以及服务环境恶化状况。

结论
本文通过在测量数据基础上添加明确的算法层，完成了理论-方法-测量之间的闭环。核心理论结论依然成立：理想链路变化、干扰程度以及离散状态切换等因素确实能够形成内部的最恶劣通信边界，而这些边界是仅通过平均值或单一因素的分析无法发现的。通过合成数据分析得到的结果则提供了统计上有依据但受物理条件限制的证据，表明差分进化/遗传算法/粒子群优化等方法确实更容易进入那些高评分的不良状态区域。

CRediT作者贡献说明
周正阳：论文撰写——初稿编写、可视化处理、结果验证、研究指导、软件开发、资源协调、项目管理、方法设计、实验研究、资金申请、形式化分析、数据整理、概念构思。张金宝：论文撰写——审稿与编辑、结果验证、研究指导、方法设计、资金申请。张丹：论文撰写——审稿与编辑、结果验证、研究指导、项目管理。

数据与代码获取方式
本研究中所使用的公开测量数据集均通过其官方数据集页面或DOI地址进行引用，包括Dataset-24 [45]、Dataset-18 [28]、Dataset-25 [29]以及Dataset-27 [30]。为便于验证，相关可复现研究材料已整理并上传至GitHub仓库，仓库链接会在回复函以及修改后的投稿材料中给出。这些材料包括配置文件描述、固定随机种子、数据结构报告以及评估模型的来源说明。

利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：张金宝表示其研究工作得到了中国国家自然科学基金联合项目的资助，项目编号为U2568201。其他作者则声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金联合项目的资助，项目编号为U2568201。周正阳于2023年在中国青岛的青岛大学获得自动化专业学士学位，目前他正在北京交通大学的自动化与智能学院电磁安全与防护研究所攻读控制工程专业硕士学位。他的研究兴趣包括无人机通信测试与评估以及电磁兼容技术。