时间:2024-05-04
张恺嘉,杨瑞峰,郭开阳,侯 杰
(1.国网山西省电力公司繁峙县供电公司,山西 繁峙 034300;2.国网山西省电力公司忻州供电公司,山西 忻州 034099)
无人驾驶航空器(UAV)简称无人机,目前已经成为商业、公共服务和个人消费应用的重要工具,经过了近十多年的发展,其市场有了非常明显的增长,是目前的信息产业。无人机可以广泛应用于电力、农业、运输、天然气、石油、医疗卫生和公共事业服务等领域。对于无人机而言,高速度、超高可靠、低时延是其三大特性,为了保证无人机的飞行安全,无疑5G移动网络是其最佳的通信解决方案。
第五代移动通信(5th Generation Mobile Communi cation,5G)技术目前已经商用,5G已成为实现高速度、超高可靠性、低时延和海量机器类通信的最佳通信方案。为了更好地满足超高速率、海量连接和超低时延的需求,各大研究机构及专业人士都在争相努力为5G网络的更好发展添砖加瓦。一些新兴的应用场景也对5G网络提出了挑战。目前5G商用的是6 GHz以下的中低频段,随着中低频段利用率越来越高,对于人工智能、高清视频、云服务等数据流量爆炸式增长的应用而言,可能需要更多的流量资源和更好的网络质量来满足其应用服务的需求。相比中低频段而言,开发和使用6 ZGHz以上的毫米波频段将提供更多额外的带宽资源,进而解决拥挤堵塞的问题。虽然毫米波优势明显,但也面临着若干挑战:第一,衰减严重,随着电磁波频率的不断增加,传输需要经历的路径损耗也会变得越来越大,很明显毫米波的损耗要比5G中低频段高很多;第二,穿透、绕射能力差,相比FR1频段,毫米波对应的FR2频段对于障碍物的绕行能力较弱。归纳以上两点可以发现毫米波面临的首要问题就是持续有效的覆盖问题,波束赋形就是为了解决这一问题而诞生的。5G NR中的波束管理包括波束的扫描、测量、确认、上报以及失败恢复5个部分。本文首先对无人机应用场景及通信能力进行阐述,其次对毫米波段的NR系统中的波束管理过程进行阐述,最后对无人机应用中面临的波束管理难题及解决方案进行探讨。
无人机是利用无线遥控和程序控制的不载人飞机。其涉及传感器技术、通信技术、信息处理技术、智能控制技术以及航空动力推进技术等,是信息时代高技术含量的产物。无人机价值在于形成空中平台,结合其他部件扩展应用,替代人类完成空中作业[1]。目前无人机应用在以下几个领域中优势突出,且经济增长点较快。分别是:物流运输、农业植保、巡检、安防、救援、测绘、直播、多机编队飞行、未来云端AI自主飞行等。每种应用场景对无人机通信能力的要求侧重点都有所不同,但都对通信能力都有一些共性的需求。下面对无人机应用场景中通信能力的基本要求做阐述。
对于无人机而言,高速度、超高可靠、低时延是其三大特性。从通信能力指标来看,主要有以下几个方面的要求。
(1)上下行速率要求:对于不同的应用场景,上行速率的要求在200 kbp~100 Mbps。下行速率的要求在300 kbp~50 Mbps。
(2)业务面端到端时延要求:对于不同的应用场景至少要保证在20~500 ms。
(3)控制面端到端时延要求:对于不同的应用场景至少要保证在10~100 ms。
(4)定位精准度要求:不同的应用场景下,至少要保证在0.5~1 m。
(5)覆盖高度要求:不同的应用场景下,至少要保证在100 m以上。
(6)覆盖范围要求:农村,城市、无人区等。
综上所述,从无人机对通信能力的要求可以看出,目前的5G通信技术是无人机应用场景的通信最佳方案。5G网联无人机的无人机终端和地面控制终端均通过5G网络进行数据传输和控制指令传输,并通过业务服务器加载各类场景的应用[2]。如图1所示为5G联网无人机整体解决方案。
图1 5G网联无人机整体解决方案
Massive MIMO是5G NR的一项关键技术,5G NR中的天线数量相比LTE中的天线数量有了大幅增加。多天线通过波束赋型(Beam forming)可以提升两方面的能力,一是提升频谱利用率,二是提升资源利用率,满足覆盖需求。在LTE中引入波束,能提升小区容量和频谱利用率,可以认为是锦上添花。而对于NR,整个空口无线设计基于波束,所有上下行信道的发送接收都是基于波束来完成的。
以发送端为例对波束赋型进行介绍,天线阵列包含n个天线单元通过移相器实现不同天线单元射频信号相位偏移(AWV-Antenna Weight Vector天线权重矢量),生成波束,发送端原理如图2所示。不同天线单元个数波束赋型后的示意如图3所示,同样的接收端原理类似,进行反向处理:即多个天线单元信号需要经过加权合并。
图2 波束赋型发送端原理
图3 不同天线单元个数波束赋型后示意
根据3GPP组织所定义的标准,5G NR中的波束管理机制,总体流程主要包括以下5个过程。
(1)波束扫描:发送参考信号的波束,在预定义的时间间隔进行空间扫描;波束扫描是一种在一定的间隔内将波束按预定的方向发射的技术。
(2)波束测量:基站或者用户终端测量接收到的波束信号的质量。
(3)波束报告:UE上报根据测量结果选择的波束信息发给基站。
(4)波束选择:根据波束选择准则,基站或者用户终端选择确认一个或者多个波束。
(5)波束失败恢复:包括波束失败检测,发现新波束,波束恢复流程[3]。
波束管理在以下两个阶段中起着重要作用,分别是:随机接入过程期间和呼叫连接之后。如图4所示为每个过程涉及的流程。
图4 波束管理
下一代5G网络通过毫米波通信和波束赋形两大新技术,能够为网联无人机提供高质量的无线覆盖,不管是带宽资源,还是覆盖质量都是其他网络演进方案无法替代的。但是毫米波也存在衰减严重、穿透绕行能力差等特点。毫米波以上的特点势必会影响基站与无人机之间的通信波束质量,进而导致链路中断。下面对波束管理技术中的波束快速恢复和波束选择进行探讨。
由于无人机飞行过程速度非常高,而且部分应用场景的飞行速度有可能是超高速,速度可达150 km/h以上,所以无人机频繁的位置变化会导致毫米波波束信号因为受到障碍物或者小区切换频繁而产生波束故障。这里要求最明显的首先是无人机的高速移动会对波束测量的时效提出更高的要求;其次在波束故障的情况下需要快速完成波束的恢复;波束快速恢复过程中候选波束选择机制直接关系到波束恢复的时延及成功率。传统的候选波束选择方式是选取多个最高接收质量的波束,但是这种选择方式很容易选到一组同时被阻塞的波束,这样会增加波束恢复的时延并且会导致反复的波束选择失败,对于无人机的飞行安全是非常严峻的考验。
根据3GPP TS 38.213标准,波束恢复流程主要有4个步骤:分别是波束故障事件触发、候选波束检测、用户终端波束恢复请求、基站波束恢复响应。如图5所示波束恢复流程[3]。
图5 波束恢复流程
在波束故障事件触发后,用户终端在候选波束集合中选择RSRP值大于门限值的最佳波束,最佳波束可以是一个或者多个。如果候选波束检测成功,则用户会进入基于费竞争的随机接入流程。如果用户终端检测到的候选波束均不合格,则用户终端会进入基于竞争的随机接入流程。明显可以看出,最理想的状态是用户终端能够成功选择到波束,进行基于非竞争的随机接入的波束恢复流程。下面介绍一种提高候选波束检测成功率的方案。基于强化学习的波束检测,强化学习是机器学习算法的其中一种,其强调如何基于环境反馈获得最大化收益。无人机的每个位置点对应着强化学习的状态,选择不同方向的毫米波波束是强化学习的动作。通过强化学习来分析基站周围环境的信号群分布情况,进行不断的探索。探索过程分两种方式,假设分别是A过程和B过程。初始化状态下设定集合A为所有发送波束的索引,集合B为空。通过用户终端上报的位置信息,基站在集合A和集合B中读取数据,设定一个概率值P,用于区分A过程和B过程。A过程从集合A中随机选择一个发送波束,根据用户反馈的测量结果、计数器信息和探索次数来判断其是否存在视距波束,然后计算波速相干时间,判断其是否加入集合B。B过程从集合B中选择测试次数最小的一个发送波束,同样根据用户反馈的测量结果、计数器信息和探索次数来判断其是否存在视距波束,然后计算波速相干时间,判断其是否加入集合A。集合B是探索后可靠性较高的候选波束集合。通过调整概率P的值可以适应因环境变化等因素对波束探索结果的影响。将基于强化学习候选波束探索后的波束按照其分布情况划分为若干个集合,从每个集合中选择权最佳波束作为某个位置的候选波束。可以避免选择到同一个位置的一组波束,从而避免因候选波束选择不当而导致的波束恢复反复失败的问题,进而提高波束恢复的性能。
从图5可以看到,在全部候选波束检测失败后,用户终端会进入基于竞争的随机接入流程,相比基于非竞争的随机接入过程,其成功率和时延都给无人机的安全飞行带来巨大的挑战。提高其接入成功率和减低时延是评价此过程的两个重要指标,其中波束选择是该过程的关键。传统的波束搜索方法有穷举扫描算法、分级扫描算法、单边搜索算法等[4]。基于多小区协作的波束搜索方法可以消弱小区间的干扰,并提高波束选择的成功率。基于机器学习的波束搜索算法在获取波束样本之后,使用样本对机器学习算法进行性能测试,选择性能最好的神经网络模型来解决波束搜索的问题[5]。该方法可以在覆盖无限接近穷举搜索算法的同时,一定程度上减少了波束搜索的时间复杂度,是目前较好的波束选择方案,可以满足5G无人机在飞行安全中的低时延要求。
随着无人机在各个行业使用的大幅增长,现在已经成为基础建设、商业和消应用的重要工具。随着移动网络的不断演进,对5G无人机通信解决方案的研究势在必行。保证5G无人机在飞行过程中的安全是第一要素,无人机飞行速率快,位置切换频繁,所以对无线侧各项性能指标提出了更高的要求。针对无人机的飞行特征,研究发现波束管理中的波束选择和故障后的波束恢复流程是影响5G无人机飞行安全的重要过程,利用人工智能及机器学习优化以上两个过程可以有效保障无人机飞行安全。
我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!