面向城市多无人机通信的低复杂度路径损耗预测模型研究

《IEEE Open Journal of Antennas and Propagation》：A Low-Complexity Path Loss Prediction Model for Multi-UAV Communication in Urban Environments

　　本文针对多无人机(UAV)在线决策系统对实时路径损耗(PL)预测的高精度与低复杂度需求，提出了一种基于射线追踪(RT)与反向传播神经网络(BPNN)的低复杂度确定性路径损耗预测模型。研究人员通过将连续PL值依据通信系统参数（如接收机灵敏度、发射功率）简化为“低、中、高、严重”四个衰减等级，构建了四等级PL数据集，并利用BPNN进行训练。结果表明，该模型在保证高预测精度的同时，显著降低了计算复杂度和训练时间，有效支持了不同频率、不同分布下多无人机间的通信性能评估，为动态城市传播环境中的无人机实时决策提供了实用解决方案。

　　

随着无线通信技术的飞速发展和低空经济的兴起，无人机(UAV)凭借其强大的机动性和灵活性，在通信、物流、农业等诸多领域展现出巨大潜力。然而，在复杂的城市环境中，无人机之间的无线电波传播特性快速变化，从基站发射的信号经过多条路径到达无人机接收天线，会产生不同程度的传输损耗。这使得为复杂环境下的多无人机设计一个有效、敏捷且鲁棒的在线决策系统面临重大挑战。为了提升无人机的通信能力，探索精确且高效的无线电传播模型并将其集成到决策系统中变得至关重要。

目前，路径损耗(PL)预测模型主要分为经验模型和确定性模型。经验模型基于实际场测数据，但在不同场景下需要大量数据采集，费时费力。确定性模型，如抛物线方程法和射线追踪法(RT)，虽然能获得更满意的精度，但其计算复杂度通常很高。这意味着，无论是经验模型还是确定性模型，都难以同时满足高预测精度和快速性这两项要求，无法适用于复杂环境中多无人机的在线决策系统。

在此背景下，研究人员将目光投向人工智能与机器学习技术。机器学习算法能够自主发现输入数据中的模式和规律，并对新数据进行预测和处理。已有研究尝试将人工神经网络(ANN)、自适应神经模糊推理系统(ANFIS)、随机森林(RF)等机器学习方法应用于路径损耗预测，并取得了良好效果。然而，这些模型通常依赖于成本高昂且不灵活的实测数据，或者直接基于复杂环境下的PL数据建立智能预测模型，导致模型训练时间和内存消耗巨大。

为了克服这些挑战，本文提出了一种低复杂度的路径损耗预测模型。该模型的核心创新在于，其考虑到了影响无人机通信链路的关键电磁现象——信道衰落，并摒弃了单一收发对的理想化假设。通过结合通信系统参数，将路径损耗的严重程度划分为四个等级：低路径损耗、中度路径损耗、高路径损耗和严重路径损耗。这种分类方法简化了复杂的PL数据集，使模型训练难度和训练时间显著降低，更重要的是，它能让无人机直观地了解其目的地的路径损耗衰减程度，从而做出更合理、准确的实时通信决策和航路调整。

研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，利用Winprop射线追踪软件这一确定性建模工具，在指定的海口和三亚城市区域进行电磁仿真，构建用于模型训练和测试的原始路径损耗数据集，确保了数据源的准确性。其次，对原始数据集进行关键简化处理，即依据接收机灵敏度、发射功率等固定系统参数，将连续的路径损耗值归类为四个离散的严重性等级，从而形成低复杂度的四等级PL数据集。接着，采用反向传播神经网络(BPNN)作为核心机器学习算法，以频率、发射无人机高度、收发信机水平坐标、收发天线间距离等作为输入参数，路径损耗衰减等级作为输出，构建并训练预测模型。此外，还通过排列特征重要性评估方法分析了各输入参数对模型性能的影响，确认距离是最关键因素。研究还对比了不同隐藏层数和神经元数量对模型预测精度（如均方根误差RMSE、平均绝对误差MAE）的影响，以确定最优网络结构（最终选定12隐藏层、64神经元用于PL数据集预测，10隐藏层、64神经元用于四等级数据集预测），并采用Adam优化器、ReLU激活函数和交叉熵损失函数进行模型优化。

数值结果与讨论

A. 射线追踪方法的精度验证

为了验证用于获取神经网络训练和测试数据集的射线追踪方法的准确性，研究选择了一个城市环境（加拿大渥太华）进行验证。通过将RT方法获得的路径损耗结果与Whitteker的实测数据进行比较，结果表明两者吻合良好，证明了所选RT方法能够获得较高的精度。

B. 基于BP神经网络的PL数据集模型

研究在海口和三亚划定了特定区域进行仿真。以海口为例，发射UAV工作在1430-1444MHz频段，功率15W，高度10米。通过改变发射无人机的位置，测试了12个不同的发射点，并系统性地测量了区域内接收点的PL值。

研究发现，为了获得更高的路径损耗预测精度，需要不断增加网络的隐藏层数，使得神经网络结构越来越复杂。当隐藏层数设置为12层时，测试集的MAE为1.5303，RMSE为2.3224，MAPE为1.5454。当隐藏层数增加到13层时，性能指标略有上升，因此后续选择使用12个隐藏层进行PL数据预测。同时，测试表明隐藏层神经元数量超过64个后，精度提升趋于平缓甚至略有下降，因此选择64个神经元以达到性能和资源利用的平衡。训练、验证、测试和完整数据集的相关系数(R)分别达到0.99416、0.98894、0.98838和0.99251，表明网络预测模型具有很高的准确性。

通过比较不同发射位置的RT和BPNN结果图可以看出，当神经网络配置为12个隐藏层时，BPNN能够出色地预测不同位置的PL值，结构相似性指数(SSIM)达到0.87，RMSE降至9.94。此外，研究还探讨了不同接收高度下无人机间的路径损耗衰减程度。结果表明，在不同高度下，神经网络预测数据与RT方法获得的数据接近。但数值实验也表明，直接使用PL数据集训练神经网络会导致神经元网络深度增加，从而训练复杂度过高。

C. 基于BP神经网络的四等级数据集模型

针对直接使用PL数据集训练导致的高复杂度问题，研究对路径损耗数据集进行了简化，将其划分为四个严重性等级。以海口区域为例，设置了26个不同的发射点，接收UAV高度10米，以5米间隔记录路径损耗测量值。

通过比较不同接收无人机位置处的场强变化可以看出，利用简化后的数据集预测路径损耗衰减程度是可行的。BPNN预测结果与RT方法获得的结果差异很小，SSIM达到0.94，峰值信噪比(PSNR)达到23.3。三亚区域的仿真结果也显示了相似的趋势，SSIM为0.937，PSNR为23.8。这表明使用四等级PL数据集和神经网络方法可以获得低复杂度的无人机间路径损耗衰减程度预测模型。

图25显示了BP方法在不同频率下的准确性，表明本文提出的低复杂度路径损耗预测模型实现了高水平的预测精度，证明了网络在不同频率下的可行性。概率密度函数(PDF)和累积分布函数(CDF)分析表明，BPNN和RT方法在某些类别上显示出相似的分布趋势，表明BPNN在预测路径损耗分布方面具有很高的准确性。计算时间对比显示，在处理相同数量的样本时，BPNN预测的实时效果优于直接使用RT计算。

结论与讨论

本研究成功引入了BPNN算法，为在城市环境中工作的多无人机在线决策系统建立了一个智能且低复杂度的路径损耗预测模型。为确保模型的高精度，研究选择了RT方法在城市环境中获取训练和测试数据。结果表明，神经网络在预测不同位置的PL方面表现良好，但实现高精度PL预测往往导致网络结构更复杂、训练时间更长。为此，研究结合通信系统参数对PL数据集进行了简化，根据路径损耗严重性将其划分为四个等级，从而简化了模型结构，降低了计算开销。仿真结果验证了基于神经网络的路径损耗严重性预测方法的有效性。

该模型的重要意义在于，它能够有效支持不同频率、不同分布下的多无人机通信。与RT方法相比，所构建的预测模型具有更好的实时性能，可以提前给出每个无人机接收点的路径损耗衰减程度，为无人机的后续飞行决策提供辅助依据。这不仅解决了传统模型在精度和速度上难以兼顾的问题，还为动态城市环境中多无人机的协同通信提供了切实可行的技术路径。

展望未来，随着机器学习技术在无线通信中的应用日益广泛，后续研究可以探索更先进的算法，如深度学习模型和集成学习方法，以在更复杂的信道衰落和干扰条件下预测路径损耗严重性。这些改进有望进一步提高预测模型的效率、鲁棒性和准确性，确保其在动态多无人机通信环境中具有更好的适应性。本研究为无人机通信网络的智能化、实时化发展奠定了重要的理论基础和技术支撑。