UAV辅助NOMA-V2X通信网络性能的优化

时间：2024-07-28

薛建彬，武清清，张海军（兰州理工大学，甘肃兰州 730050）

1 概述

近年来，车辆通信因其在提高道路安全性和缓解交通压力方面的巨大潜力而受到了广大学者的青睐［1］。V2X 应用对大连接的要求很高，这给车连网络带来了新的挑战，尤其是密集的环境下会造成严重的数据拥塞［2］。由于现有的LTE 网络是基于正交多址（Orthogonal Multiple Access，OMA）的，有限的频谱资源得不到充分有效的利用，且密集网络中数据拥塞和接入效率低的严重情况无法避免［3］，因而出现了基于发射端的功率域复用［4］和接收端的连续干扰消除（Successive Interference Cancellation，SIC）［5］的NOMA技术。NOMA 作为5G 无线网络的潜在解决方案，能够充分利用其容量，从而实现更高的传输速率、更低的系统延迟和更高的可靠性［6］。沿着将NOMA 集成到各种场景这一方向，文献［7-9］的学者已经做了大量的研究并取得了一些成果。

在复杂城市环境中，由于高楼等的阻挡，V2X的实现面临着严重压力，因此需要通过采用中继辅助方式来扩展车辆连接的覆盖范围，而无人机（Unmanned Aerial Vehicle，UAV）作为空中基站应当是首选方式。在文献［10-11］中，考虑了采用无人机作为中继。数据显示，目前无人机续航能力普遍较差，这对利用无人机作为空中中继站辅助车辆间的通信是一个挑战，例如文献［12］虽然提到了无人机由于蓄电池供电而导致能量受限从而限制了中继的计算能力，但没提出相应的解决办法。为增加无人机的续航能力，本文考虑了目前被广泛关注的无线携能（Simultaneous Wireless Information and Power Transfer，SWIPT）技术，并考虑了一个基于SWIPT 的UAV 辅助NONA-V2X 网络，地面基站通过空中中继为断开连接的地面车辆提供服务。

2 系统模型

本文考虑了一个UAV 做空中中继R 来辅助通信的NOMA-V2X网络，系统模型如图1所示。

图1 不同SNR的识别结果

2个未连接的车辆VEL1和VEL2分别以恒定的速度在不同的车道上行驶，由于建筑物的阻碍，基站（BS）与车辆之间没有直接通路。整个信息交互过程需要2 个阶段来完成。第1 阶段，BS 将发送给目标车辆的信号S1和S2进行叠加编码，并将混合信号发送给中继R，其中P1和P2分别是BS分配给VEL1 和VEL2 的功率。第2 阶段，UAV 中继根据DF 中继协议的处理方式把接收到的信号分别转发给VEL1 和VEL2，假设中继R 遵循半双工的工作模式。中继采用解码转发（DF）的工作方式而没有采用放大转发（AF）方式，是为了适用NOMA 传输网络中的接收机采用串行干扰消除技术（SIC）的工作方式而做的选择。中继采用DF 的工作方式可以很好地与SIC工作原理配合起来，采用分时隙转发的方式，更加适合NOMA 的传输原理。此系统中，假设一定的时间T内UAV 以固定的高度飞行，则BS、VEL1 和VEL2 的水平位置可表示为：Wi=[xi,yi]T，i∈{r,1,2}，无人机的水平位置是q=[x,y]T，BS 到UAV、UAV 到VEL1 和VEL2的信道增益分别用hr、h1和h2表示。在不失通用性的前提下，采用自由空间路径损耗模型的传输模型作为空对地的无线信道模型［13］，则有：

其中，i∈{r,1,2}，H为无人机的飞行高度，β0是参考距离d=1 m 时的无人机对地链路的信道增益，其与地面用户天线的发射增益和无人机天线的接收增益以及发射信号的波长等有关［14］。假设所有信道是AWGN 信道，表示节点k的噪声功率。第1 阶段，BS 分别以功率P1和P2将目的信号S1和S2发送给UAV，则中继UAV 接收到的信号为：

其中，Zr～CN(0,)是中继处引入的噪声。根据下行NOMA 链路的原理，有h1＞h2，即VEL1 的信道增益大于VEL2的。在中继UAV处部署SWIPT能量收集器，通过SWIPT 技术，UAV 在接收信息的同时，也根据自身的需求收集一部分能量，并加以存储。第2阶段，中继节点基于信号功率分割比ρk:1-ρk将接收到的信息yr进行处理后发送给VEL1 和VEL2。UAV 发送信息可以表示为：

其中，η表示能量转化效率，η∈[0,1]。在VEL1处，利用SIC 技术首先解码VEL2 的消息，然后从接收的信号中删除，最后再解码自己的信息。则在VEL1解码VEL2信息和解码自身信息的速率分别为：

则VEL2解码自身信息的速率为：

3 问题分析

通过优化中继轨迹、基站分配给车辆的功率系数、中继节点功率分配系数和中继节点处的能量分割比来建立本文的优化目标，目标函数可以表示为：

C1～C6 的约束条件的i表示任意一个时隙，K表示车辆数。其中C1 表示最低的传输速率约束，C2 是中继节点的运动速度约束，C3 表示UAV 可以飞行的距离，即其具有特定的初始和结束位置，这在现实生活中则表现为无人机的空域飞行限制。C4 和C5 分别表示基站BS 和中继节点的能量约束，EBS和Erth分别是基站和中继节点处的能量限制，且其中分别表示基站和无人机的平均发射功率，N为总的时隙数。C6 表示了所有的发射功率都是非负的。显然，目标函数相对于UAV 的飞行轨迹和功率变量是非凸的，目标问题无法用标准的凸优化方法去解决。因此，本文采用了交替优化的方法，分别用主次凸逼近（SCA）和凸差（DC）方法来求解轨迹和功率分配的方法，此外中继节点处的功率分割比的优化采用了黄金分割算法。

3.1 固定功率分配的UAV轨迹优化

将分配功率固定，以求得UAV 的最佳运行轨迹。因此，目标问题可以表示为：

此子目标函数仍然是一个非凸问题，因此可以通过SCA 技术和在第m次迭代中UAV 的位置q[m]来解决。由式（1）、（6）和（7）可得到：

其中，L1、L2和L3分别是第m次迭代时q[m]的一阶泰勒展开式。则PM1.1可以进一步转化为：

此时，可以使用标准的凸优化工具（例如CVX）来求解UAV的最佳位置。具体细节详见图2。

图2 算法1：迭代优化算法

3.2 固定UAV的轨迹优化中继功率分配

此时，约束条件和目标函数是凸的，所以可以使用常规凸优化方法解决此问题。在中继节点处布置了能量收集器，收集的能量的ρk部分储存，1-ρk部分用于信息传输，采用黄金分割法来获取最优的分割比，即，如图3所示。

图3 算法2：获取最佳功率分割比

3.3 优化基站功率分配

给定UAV 的轨迹变化和中继发射功率，基站分配给用户的发射功率可以通过PM1.3 子问题来优化，即获得

此约束条件与目标函数都是凸的，所以可以通过常规凸优化方法解决此问题。

4 仿真分析

本章对前述理论分析进行了相应的仿真，验证算法的有效性。在无人机辅助的NOMA-V2X 系统中，2辆车沿着与y轴相同的方向前后行驶。中继无人机在T=0。4 s 内固定高度100 m。β0=10-4，σ2=-110 dBm，

图4所示为系统和速率与无人机发射功率之间的关系示意。从图4 可以看出，随着无人机发射功率的增加，系统和速率也随之增加，但最终会趋于稳定，这是由香农公式的约束导致的结果。因此，无人机发射功率的无限增加并不能使系统的和速率继续提高。

图4 和速率与无人机发射功率

图5所示为不同中继发射功率下的系统和速率随着能量分割比ρ的变化而变化的趋势。从图5 可以看出，速率先是随着ρ的增加而增大，但是随着分割比在0.7 处速率达到最大值后则逐渐减小，这是由于当ρ增加到一定程度的时候，其已经不能成为影响能效的主要积极因素。

图5 和速率与功率分割比

图6 所示为最佳系统中继无人机的位置分布，可以看出UAV 的最佳位置是（x，y）=（351，270）。在无人机飞行的初止位置相同的情况下，无人机在x=351 m的线路上飞行多个时隙，其中车辆的和速率较好。此外还可以看到无人机的初止位置是分别是2个不同点（200，300），（500，500）时，UAV在x=351 m 的直线上花费了更多的时隙。使用前述小节给出的算法2，经过有限次的迭代，可以得到系统在不同中继发射功率条件下的和速率（见图7）。从图7可以看出，系统模型具有很好的迭代速度和收敛性，在第4 次迭代的时候均能收敛，并且随着功率的增加，系统速率也增加。

图6 最佳系统中继无人机的位置分布

图7 和速率与迭代次数