6G低空通信场景下无人机部署优化综述

doi:10.7527/S1000-6893.2024.31296

综述

本期目录 | 过刊浏览 | 高级检索

前一篇 |

6G低空通信场景下无人机部署优化综述

张海君¹(), 夏清悦¹, 马旭¹, 任超¹, 陆阳²

^1.北京科技大学计算机与通信工程学院，北京 100083
^2.中国电力科学研究院，北京 100192

收稿日期:2024-09-30 修回日期:2024-10-14 接受日期:2024-11-05 出版日期:2024-11-26 发布日期:2024-11-20
通讯作者: 张海君 E-mail:zhanghaijun@ustb.edu.cn
基金资助:
国家自然科学基金(62225103);国家自然科学基金(U22B2003);国家自然科学基金(62341103);北京市自然科学基金(L212004)

A review of unmanned aerial vehicles deployment optimization in 6G low-altitude communication scenarios

Haijun ZHANG¹(), Qingyue XIA¹, Xu MA¹, Chao REN¹, Yang LU²

^1.School of Computer & Communication Engineering，University of Science and Technology Beijing，Beijing 100083，China
^2.China Electric Power Research Institute，Beijing 100192，China

Received:2024-09-30 Revised:2024-10-14 Accepted:2024-11-05 Online:2024-11-26 Published:2024-11-20
Contact: Haijun ZHANG E-mail:zhanghaijun@ustb.edu.cn
Supported by:
National Natural Science Foundation of China(62225103);Beijing Municipal Natural Science Foundation(L212004)

摘要/Abstract

摘要：

随着6G标准的迅速演进，无人机在低空通信网络中的应用成为研究热点。针对无人机在低空通信场景下的部署优化问题，开展了无人机的静态与动态部署策略研究，并对相关的部署优化算法进行了分析。首先，阐述了无人机部署的3种基本策略，即静态部署、单无人机动态部署和多无人机动态部署，探讨了它们在不同应用场景下的优势。其次，详细讨论了无人机部署优化模型，从低空通信网络的信道模型、约束条件和目标函数3个方面分别进行阐述。在此基础上，系统地对现有的无人机部署优化算法进行了对比，从多角度分析了各类算法的优势与不足。最后，展望了未来无人机部署优化的研究方向，并结合智能反射面、通感一体化等前沿技术进行了分析，旨在为相关领域的研究人员提供参考和借鉴。

关键词: 低空通信网络, 6G, 无人机, 部署优化, 资源分配

Abstract:

With the rapid evolution of 6G standards， the application of Unmanned Aerial Vehicles （UAVs） in low-altitude communication networks has become a research hotspot. This paper gives a review of UAV deployment optimization in low-altitude communication scenarios， conducting analysis of both static and dynamic deployment strategies for UAVs， as well as related deployment optimization algorithms. The article first explains three basic strategies for UAV deployment： static deployment， single-UAV dynamic deployment， and multi-UAV dynamic deployment， exploring their advantages in different application scenarios. Then， the UAV deployment optimization models are discussed in terms of the channel model， constraints， and objective functions within low-altitude communication networks. Based on this， the paper systematically compares existing UAV deployment optimization algorithms， analyzing the strengths and weaknesses of each algorithm from multiple perspectives. Finally， future research directions of UAV deployment optimization are forecasted， and emerging technologies such as intelligent reflecting surfaces and integrated communication and sensing are analyzed to provide reference and insights for researchers in the field.

Key words: low-altitude communication network, 6G, Unmanned Aerial Vehicle (UAV), development optimization, resource allocation

中图分类号:

V279

张海君, 夏清悦, 马旭, 任超, 陆阳. 6G低空通信场景下无人机部署优化综述[J]. 航空学报, 2025, 46(11): 531296.

Haijun ZHANG, Qingyue XIA, Xu MA, Chao REN, Yang LU. A review of unmanned aerial vehicles deployment optimization in 6G low-altitude communication scenarios[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(11): 531296.

图/表 7

图1

图 2

表1

图 3

图 4

图 5

表2

参考文献 128

[1]	易芝玲，王森，韩双锋，等. 从5G到6G的思考：需求、挑战与技术发展趋势［J］. 北京邮电大学学报， 2020， 43（2）： 1-9.
	YI Z L， WANG S， HAN S F， et al. From 5G to 6G： Requirements， challenges and technical trends［J］. Journal of Beijing University of Posts and Telecommunications， 2020， 43（2）： 1-9 （in Chinese）.
[2]	陈新颖，盛敏，李博，等. 面向6G的无人机通信综述［J］. 电子与信息学报， 2022， 44（3）： 781-789.
	CHEN X Y， SHENG M， LI B， et al. Survey on unmanned aerial vehicle communications for 6G［J］. Journal of Electronics & Information Technology， 2022， 44（3）： 781-789 （in Chinese）.
[3]	GUPTA L， JAIN R， VASZKUN G. Survey of important issues in UAV communication networks［J］. IEEE Communications Surveys & Tutorials， 2016， 18（2）： 1123-1152.
[4]	VAEZI M， AZARI A， KHOSRAVIRAD S R， et al. Cellular， wide-area， and non-terrestrial IoT： A survey on 5G advances and the road toward 6G［J］. IEEE Communications Surveys & Tutorials， 2022， 24（2）： 1117-1174.
[5]	JAVED S， HASSAN A， AHMAD R， et al. State-of-the-art and future research challenges in UAV swarms［J］. IEEE Internet of Things Journal， 2024， 11（11）： 19023-19045.
[6]	MOZAFFARI M， SAAD W， BENNIS M， et al. A tutorial on UAVs for wireless networks： Applications， challenges， and open problems［J］. IEEE Communications Surveys & Tutorials， 2019， 21（3）： 2334-2360.
[7]	CHEN R R， SUN Y J， LIANG L P， et al. Joint power allocation and placement scheme for UAV-assisted IoT with QoS guarantee［J］. IEEE Transactions on Vehicular Technology， 2022， 71（1）： 1066-1071.
[8]	NGUYEN H T， TUAN H D， DUONG T Q， et al. Joint D2D assignment， bandwidth and power allocation in cognitive UAV-enabled networks［J］. IEEE Transactions on Cognitive Communications and Networking， 2020， 6（3）： 1084-1095.
[9]	ZHONG X J， GUO Y， LI N， et al. Joint optimization of relay deployment， channel allocation， and relay assignment for UAVs-aided D2D networks［J］. IEEE/ACM Transactions on Networking， 2020， 28（2）： 804-817.
[10]	PAN H Y， LIU Y H， SUN G， et al. Resource scheduling for UAVs-aided D2D networks： A multi-objective optimization approach［J］. IEEE Transactions on Wireless Communications， 2024， 23（5）： 4691-4708.
[11]	YU Z， GONG Y M， GONG S M， et al. Joint task offloading and resource allocation in UAV-enabled mobile edge computing［J］. IEEE Internet of Things Journal， 2020， 7（4）： 3147-3159.
[12]	MEI W D， WU Q Q， ZHANG R. Cellular-connected UAV： Uplink association， power control and interference coordination［C］∥2018 IEEE Global Communications Conference （GLOBECOM）. Piscataway： IEEE Press， 2018.
[13]	ZHOU L Y， CHEN X H， HONG M Y， et al. Efficient resource allocation for multi-UAV communication against adjacent and co-channel interference［J］. IEEE Transactions on Vehicular Technology， 2021， 70（10）： 10222-10235.
[14]	LU J， LI J F， YU F R， et al. UAV-assisted heterogeneous cloud radio access network with comprehensive interference management［J］. IEEE Transactions on Vehicular Technology， 2024， 73（1）： 843-859.
[15]	YANG P， XI X， QUEK T Q S， et al. Power control for a URLLC-enabled UAV system incorporated with DNN-based channel estimation［J］. IEEE Wireless Communications Letters， 2021， 10（5）： 1018-1022.
[16]	LIN N， LIU Y H， ZHAO L， et al. An adaptive UAV deployment scheme for emergency networking［J］. IEEE Transactions on Wireless Communications， 2022， 21（4）： 2383-2398.
[17]	PAN W， LV N， HOU B， et al. Resource allocation and outage probability optimization method for multi-hop UAV relay network for servicing heterogeneous users［J］. IEEE Transactions on Network Science and Engineering， 2024， 11（3）： 2769-2781.
[18]	YANG Z Y， BI S Z， ZHANG Y A. Deployment optimization of dual-functional UAVs for integrated localization and communication［J］. IEEE Transactions on Wireless Communications， 2023， 22（12）： 9672-9687.
[19]	LIU K， LIU Y M， YI P F， et al. Deployment and robust hybrid beamforming for UAV MmWave communications［J］. IEEE Transactions on Communications， 2023， 71（5）： 3073-3086.
[20]	ZHANG X Q， ZHANG H J， SUN K， et al. Human-centric irregular RIS-assisted multi-UAV networks with resource allocation and reflecting design for metaverse［J］. IEEE Journal on Selected Areas in Communications， 2024， 42（3）： 603-615.
[21]	YUAN X P， HU Y L， ZHANG J， et al. Joint user scheduling and UAV trajectory design on completion time minimization for UAV-aided data collection［J］. IEEE Transactions on Wireless Communications， 2023， 22（6）： 3884-3898.
[22]	WANG Y L， CHEN M， PAN C H， et al. Joint optimization of UAV trajectory and sensor uploading powers for UAV-assisted data collection in wireless sensor networks［J］. IEEE Internet of Things Journal， 2022， 9（13）： 11214-11226.
[23]	付澍，杨祥月，张海君，等. 物联网数据收集中无人机路径智能规划［J］. 通信学报， 2021， 42（2）： 124-133.
	FU S， YANG X Y， ZHANG H J， et al. UAV path intelligent planning in IoT data collection［J］. Journal on Communications， 2021， 42（2）： 124-133 （in Chinese）.
[24]	ZHU B T， BEDEER E， NGUYEN H H， et al. UAV trajectory planning for AoI-minimal data collection in UAV-aided IoT networks by transformer［J］. IEEE Transactions on Wireless Communications， 2023， 22（2）： 1343-1358.
[25]	SHEN L F， WANG N， ZHANG D， et al. Energy-aware dynamic trajectory planning for UAV-enabled data collection in mMTC networks［J］. IEEE Transactions on Green Communications and Networking， 2022， 6（4）： 1957-1971.
[26]	CHAI R， GAO Y F， SUN R J， et al. Time-oriented joint clustering and UAV trajectory planning in UAV-assisted WSNs： Leveraging parallel transmission and variable velocity scheme［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（11）： 12092-12106.
[27]	LIU K， ZHENG J. UAV trajectory planning with interference awareness for time-constrained data collection［C］∥GLOBECOM 2023-2023 IEEE Global Communications Conference. Piscataway： IEEE Press， 2023.
[28]	MA Y， TANG Y Q， MAO Z J， et al. Energy-efficient 3D trajectory optimization for UAV-aided wireless sensor networks［C］∥GLOBECOM 2023-2023 IEEE Global Communications Conference. Piscataway： IEEE Press， 2023.
[29]	LIU J， YANG F， WANG X J， et al. Joint optimization of charging station placement and UAV trajectory for fresh data collection［J］. IEEE Internet of Things Journal， 2024， 11（14）： 25057-25073.
[30]	LIU B Y， WAN Y Y， ZHOU F H， et al. Resource allocation and trajectory design for MISO UAV-assisted MEC networks‍［J］. IEEE Transactions on Vehicular Technology， 2022， 71（5）： 4933-4948.
[31]	WANG D， TIAN J， ZHANG H X， et al. Task offloading and trajectory scheduling for UAV-enabled MEC networks： An optimal transport theory perspective［J］. IEEE Wireless Communications Letters， 2022， 11（1）： 150-154.
[32]	YE W D， ZHAO L， ZHOU J， et al. Energy-efficient flight scheduling and trajectory optimization in UAV-aided edge computing networks［J］. IEEE Transactions on Network Science and Engineering， 2024， 11（5）： 4591-4602.
[33]	LI P M， XIE L F， YAO J P， et al. Cellular-connected UAV with adaptive air-to-ground interference cancellation and trajectory optimization［J］. IEEE Communications Letters， 2022， 26（6）： 1368-1372.
[34]	LIU K， ZHENG J. UAV trajectory planning with interference awareness in UAV-enabled time-constrained data collection systems［J］. IEEE Transactions on Vehicular Technology， 2024， 73（2）： 2799-2815.
[35]	ZHAO N， YE Z Y， PEI Y Y， et al. Multi-agent deep reinforcement learning for task offloading in UAV-assisted mobile edge computing［J］. IEEE Transactions on Wireless Communications， 2022， 21（9）： 6949-6960.
[36]	LI C L， GAN Y Z， ZHANG Y， et al. A cooperative computation offloading strategy with on-demand deployment of multi-UAVs in UAV-aided mobile edge computing［J］. IEEE Transactions on Network and Service Management， 2024， 21（2）： 2095-2110.
[37]	LIAO Z F， YUAN C H， ZHENG B， et al. An adaptive deployment scheme of unmanned aerial vehicles in dynamic vehicle networking for complete offloading［J］. IEEE Internet of Things Journal， 2024， 11（13）： 23509-23520.
[38]	TARIQ Z U A， BACCOUR E， ERBAD A， et al. RL-based adaptive UAV swarm formation and clustering for secure 6G wireless communications in dynamic dense environments［J］. IEEE Access， 2024， 12： 125609-125628.
[39]	DUAN X J， LIU H Y， TANG H， et al. A novel hybrid auction algorithm for multi-UAVs dynamic task assignment［J］. IEEE Access， 2019， 8： 86207-86222.
[40]	CHAI S Q， LAU V K N. Multi-UAV trajectory and power optimization for cached UAV wireless networks with energy and content recharging-demand driven deep learning approach［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（10）： 3208-3224.
[41]	SONG S， CHOI M， KO D E， et al. Multi-UAV trajectory optimization considering collisions in FSO communication networks［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（11）： 3378-3394.
[42]	HU W J， YU Y， LIU S M， et al. Multi-UAV coverage path planning： A distributed online cooperation method［J］. IEEE Transactions on Vehicular Technology， 2023， 72（9）： 11727-11740.
[43]	SHAO X X， GONG Y J， ZHAN Z H， et al. Bipartite cooperative coevolution for energy-aware coverage path planning of UAVs［J］. IEEE Transactions on Artificial Intelligence， 2022， 3（1）： 29-42.
[44]	YAN C X， FU L G， ZHANG J K， et al. A comprehensive survey on UAV communication channel modeling［J］. IEEE Access， 2019， 7： 107769-107792.
[45]	AL-HOURANI A， KANDEEPAN S， LARDNER S. Optimal LAP altitude for maximum coverage［J］. IEEE Wireless Communications Letters， 2014， 3（6）： 569-572.
[46]	DING R， GAO F， SHEN X S. 3D UAV trajectory design and frequency band allocation for energy-efficient and fair communication： A deep reinforcement learning approach［J］. IEEE Transactions on Wireless Communications， 2020， 19（12）： 7796-7809.
[47]	CAO H J， YU G H， CHEN Z G. Cooperative task offloading and dispatching optimization for large-scale users via UAVs and HAP［C］∥2023 IEEE Wireless Communications and Networking Conference （WCNC）. Piscataway： IEEE Press， 2023.
[48]	GONG S M， WANG M， GU B， et al. Bayesian optimization enhanced deep reinforcement learning for trajectory planning and network formation in multi-UAV networks［J］. IEEE Transactions on Vehicular Technology， 2023， 72（8）： 10933-10948.
[49]	DAI C， ZHU K， HOSSAIN E. Multi-agent deep reinforcement learning for joint decoupled user association and trajectory design in full-duplex multi-UAV networks［J］. IEEE Transactions on Mobile Computing， 2022， 22（10）： 6056-6070.
[50]	TSAI H C， HONG Y P， SHEU J P. Completion time minimization for UAV-enabled surveillance over multiple restricted regions［J］. IEEE Transactions on Mobile Computing， 2023， 22（12）： 6907-6920.
[51]	TANG G F， DU P F， LEI H J， et al. Trajectory design and communication resources allocation for wireless powered secure UAV communication systems［J］. IEEE Systems Journal， 2022， 16（4）： 6300-6308.
[52]	HU X Y， WONG K K， YANG K， et al. UAV-assisted relaying and edge computing： Scheduling and trajectory optimization［J］. IEEE Transactions on Wireless Communications， 2019， 18（10）： 4738-4752.
[53]	QIAN Y W， WANG F F， LI J， et al. User association and path planning for UAV-aided mobile edge computing with energy restriction［J］. IEEE Wireless Communications Letters， 2019， 8（5）： 1312-1315.
[54]	DENG X H， LI J， GUAN P Y， et al. Energy-efficient UAV-aided target tracking systems based on edge computing［J］. IEEE Internet of Things Journal， 2022， 9（3）： 2207-2214.
[55]	LIU Y， LIU S， LIU X， et al. Sensing fairness-based energy efficiency optimization for UAV enabled integrated sensing and communication［J］. IEEE Wireless Communications Letters， 2023， 12（10）： 1702-1706.
[56]	YUAN X P， JIANG H， HU Y L， et al. Joint analog beamforming and trajectory planning for energy-efficient UAV-enabled nonlinear wireless power transfer［J］. IEEE Journal on Selected Areas in Communications， 2022， 40（10）： 2914-2929.
[57]	XIA W C， ZHU Y X， DE SIMONE L， et al. Multiagent collaborative learning for UAV enabled wireless networks［J］. IEEE Journal on Selected Areas in Communications， 2022， 40（9）： 2630-2642.
[58]	WU T H， LIU J F， LIU J， et al. A novel AI-based framework for AoI-optimal trajectory planning in UAV-assisted wireless sensor networks［J］. IEEE Transactions on Wireless Communications， 2022， 21（4）： 2462-2475.
[59]	SUN H G， ZHOU Y， TANG J C， et al. Average AoI-minimal trajectory design for UAV-assisted IoT data collection system： A safe-TD3 approach［J］. IEEE Wireless Communications Letters， 2024， 13（2）： 530-534.
[60]	CHEN B Q， LIU D， ZHANG J L， et al. Learning-aided UAV-cooperation reduces the age-of-information in wireless networks［J］. IEEE Communications Letters， 2024， 28（5）： 1053-1057.
[61]	YANG G， QIAN Y W， REN K， et al. Covert wireless communications for augmented reality systems with dual cooperative UAVs［J］. IEEE Journal of Selected Topics in Signal Processing， 2023， 17（5）： 1119-1130.
[62]	ZHOU L， WU D， WEI X， et al. Seeing isn’t believing： QoE evaluation for privacy-aware users［J］. IEEE Journal on Selected Areas in Communications， 2019， 37（7）： 1656-1665.
[63]	DU H Y， NIYATO D， XIE Y A， et al. Performance analysis and optimization for jammer-aided multiantenna UAV covert communication［J］. IEEE Journal on Selected Areas in Communications， 2022， 40（10）： 2962-2979.
[64]	LI Z， LIAO X M， SHI J， et al. MD-GAN-based UAV trajectory and power optimization for cognitive covert communications［J］. IEEE Internet of Things Journal， 2022， 9（12）： 10187-10199.
[65]	SUN C， XIONG X X， ZHAI Z Y， et al. Max-Min fair 3D trajectory design and transmission scheduling for solar-powered fixed-wing UAV-assisted data collection［J］. IEEE Transactions on Wireless Communications， 2023， 22（12）： 8650-8665.
[66]	DIAO X B， ZHENG J C， CAI Y M， et al. Fair data allocation and trajectory optimization for UAV-assisted mobile edge computing［J］. IEEE Communications Letters， 2019， 23（12）： 2357-2361.
[67]	REN Y H， ZHANG L. An adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning［J］. IEEE Access， 2023， 11： 50038-50051.
[68]	LI J H， SUN G， DUAN L J， et al. Multi-objective optimization for UAV swarm-assisted IoT with virtual antenna arrays［J］. IEEE Transactions on Mobile Computing， 2024， 23（5）： 4890-4907.
[69]	WAN Y T， ZHONG Y F， MA A L， et al. An accurate UAV 3-D path planning method for disaster emergency response based on an improved multiobjective swarm intelligence algorithm［J］. IEEE Transactions on Cybernetics， 2023， 53（4）： 2658-2671.
[70]	SHAMI T M， EL-SALEH A A， ALSWAITTI M， et al. Particle swarm optimization： A comprehensive survey［J］. IEEE Access， 2022， 10： 10031-10061.
[71]	FU Y G， DING M Y， ZHOU C P， et al. Route planning for unmanned aerial vehicle （UAV） on the sea using hybrid differential evolution and quantum-behaved particle swarm optimization［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2013， 43（6）： 1451-1465.
[72]	HARIS M， BHATTI D M S， NAM H. A fast-convergent hyperbolic tangent PSO algorithm for UAVs path planning［J］. IEEE Open Journal of Vehicular Technology， 2024， 5： 681-694.
[73]	YAN F， CHU J， HU J， et al. Cooperative task allocation with simultaneous arrival and resource constraint for multi-UAV using a genetic algorithm［J］. Expert Systems with Applications， 2024， 245： 123023.
[74]	ZHENG J B， DING M H， SUN L， et al. Distributed stochastic algorithm based on enhanced genetic algorithm for path planning of multi-UAV cooperative area search［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（8）： 8290-8303.
[75]	WU L J， SUN Q， XU H T， et al. Design of hybrid simulated annealing algorithm for UAV scheduling based on coordinated task scheduling［C］∥2021 40th Chinese Control Conference （CCC）. Piscataway： IEEE Press， 2021.
[76]	MA M X， WU J， SHI Y， et al. Chaotic random opposition-based learning and cauchy mutation improved moth-flame optimization algorithm for intelligent route planning of multiple UAVs［J］. IEEE Access， 2022， 10： 49385-49397.
[77]	DEWANGAN R K， SHUKLA A， GODFREY W W. Three dimensional path planning using grey wolf optimizer for UAVs［J］. Applied Intelligence， 2019， 49（6）： 2201-2217.
[78]	张国印，孟想，李思照. 基于果蝇优化算法的无人机航路规划方法［J］. 无线电通信技术， 2021， 47（3）： 344-352.
	ZHANG G Y， MENG X， LI S Z. UAV path planning method based on fruit fly optimization algorithm［J］. Radio Communications Technology， 2021， 47（3）： 344-352 （in Chinese）.
[79]	DUAN H B， ZHAO J X， DENG Y M， et al. Dynamic discrete pigeon-inspired optimization for multi-UAV cooperative search-attack mission planning［J］. IEEE Transactions on Aerospace and Electronic Systems， 2021， 57（1）： 706-720.
[80]	WU Y， LIANG T J， GOU J Z， et al. Heterogeneous mission planning for multiple UAV formations via metaheuristic algorithms［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（4）： 3924-3940.
[81]	SHI L， XU S K. UAV path planning with QoS constraint in device-to-device 5G networks using particle swarm optimization［J］. IEEE Access， 2020， 8： 137884-137896.
[82]	ALFATTANI S， JAAFAR W， YANIKOMEROGLU H， et al. Multi-UAV data collection framework for wireless sensor networks［C］∥2019 IEEE Global Communications Conference （GLOBECOM）. Piscataway： IEEE Press， 2019.
[83]	SHEN L F， WANG N， ZHU Z Y， et al. UAV-enabled data collection for mMTC networks： AEM modeling and energy-efficient trajectory design［C］∥ICC 2020-2020 IEEE International Conference on Communications （ICC）. Piscataway： IEEE Press， 2020.
[84]	JOSEPH J， RADMANESH M， SADAT M N， et al. UAV path planning for data ferrying with communication constraints［C］∥2020 IEEE 17th Annual Consumer Communications & Networking Conference （CCNC）. Piscataway： IEEE Press， 2020.
[85]	ROBERGE V， TARBOUCHI M， LABONTE G. Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning［J］. IEEE Transactions on Industrial Informatics， 2013， 9（1）： 132-141.
[86]	ZENG Y， ZHANG R. Energy-efficient UAV communication with trajectory optimization［J］. IEEE Transactions on Wireless Communications， 2017， 16（6）： 3747-3760.
[87]	WU Q Q， ZENG Y， ZHANG R. Joint trajectory and communication design for multi-UAV enabled wireless networks［J］. IEEE Transactions on Wireless Communications， 2018， 17（3）： 2109-2121.
[88]	HU Q Y， CAI Y L， LIU A， et al. Low-complexity joint resource allocation and trajectory design for UAV-aided relay networks with the segmented ray-tracing channel model［J］. IEEE Transactions on Wireless Communications， 2020， 19（9）： 6179-6195.
[89]	WANG H C， WANG J L， DING G R， et al. Completion time minimization for turning angle-constrained UAV-to-UAV communications［J］. IEEE Transactions on Vehicular Technology， 2020， 69（4）： 4569-4574.
[90]	ZHANG C M， LU Y. Study on artificial intelligence： The state of the art and future prospects［J］. Journal of Industrial Information Integration， 2021， 23： 100224.
[91]	ARULKUMARAN K， DEISENROTH M P， BRUNDAGE M， et al. Deep reinforcement learning： A brief survey［J］. IEEE Signal Processing Magazine， 2017， 34（6）： 26-38.
[92]	LUONG N C， HOANG D T， GONG S M， et al. Applications of deep reinforcement learning in communications and networking： A survey［J］. IEEE Communications Surveys & Tutorials， 2019， 21（4）： 3133-3174.
[93]	HE H S， YUAN W K， CHEN S W， et al. Deep reinforcement learning-based distributed 3D UAV trajectory design［J］. IEEE Transactions on Communications， 2024， 72（6）： 3736-3751.
[94]	MAO Q， HU F， HAO Q. Deep learning for intelligent wireless networks： A comprehensive survey［J］. IEEE Communications Surveys & Tutorials， 2018， 20（4）： 2595-2621.
[95]	HUANG Z H， XU X D. DQN-based relay deployment and trajectory planning in consensus-based multi-UAVs tracking network［C］∥2021 IEEE International Conference on Communications Workshops （ICC Workshops）. Piscataway： IEEE Press， 2021.
[96]	DENG D H， WANG C W， WANG W D. Joint air-to-ground scheduling in UAV-aided vehicular communication： a DRL approach with partial observations［J］. IEEE Communications Letters， 2022， 26（7）： 1628-1632.
[97]	LIU B H， LIU C X， PENG M G. Dynamic cache placement and trajectory design for UAV-assisted networks： a two-timescale deep reinforcement learning approach［J］. IEEE Transactions on Vehicular Technology， 2024， 73（4）： 5516-5530.
[98]	孙彧，曹雷，陈希亮，等. 多智能体深度强化学习研究综述［J］. 计算机工程与应用， 2020， 56（5）： 13-24.
	SUN Y， CAO L， CHEN X L， et al. Overview of multi-agent deep reinforcement learning［J］. Computer Engineering and Applications， 2020， 56（5）： 13-24 （in Chinese）.
[99]	XIAO Y， SONG Y Q， LIU J. Collaborative multi-agent deep reinforcement learning for energy-efficient resource allocation in heterogeneous mobile edge computing networks［J］. IEEE Transactions on Wireless Communications， 2024， 23（6）： 6653-6668.
[100]	PI Y， ZHANG W， ZHANG Y， et al. Applications of multi-agent deep reinforcement learning communication in network management： A survey［DB/OL］. arXiv preprint： 2407.17030，2024.
[101]	OUBBATI O S， LAKAS A， GUIZANI M. Multiagent deep reinforcement learning for wireless-powered UAV networks［J］. IEEE Internet of Things Journal， 2022， 9（17）： 16044-16059.
[102]	BAI C C， YAN P， PIAO H Y， et al. Learning-based multi-UAV flocking control with limited visual field and instinctive repulsion［J］. IEEE Transactions on Cybernetics， 2024， 54（1）： 462-475.
[103]	DENG L Y， GONG W， LIWANG M H， et al. Towards intelligent mobile crowdsensing with task state information sharing over edge-assisted UAV networks［J］. IEEE Transactions on Vehicular Technology， 2024， 73（8）： 11773-11788.
[104]	ZHANG Y， ZHUANG Z R， GAO F F， et al. Multi-agent deep reinforcement learning for secure UAV communications［C］∥2020 IEEE Wireless Communications and Networking Conference （WCNC）. Piscataway： IEEE Press， 2020.
[105]	ZHANG Y， MOU Z Y， GAO F F， et al. UAV-enabled secure communications by multi-agent deep reinforcement learning［J］. IEEE Transactions on Vehicular Technology， 2020， 69（10）： 11599-11611.
[106]	ZHU B T， BEDEER E， NGUYEN H H， et al. UAV trajectory planning in wireless sensor networks for energy consumption minimization by deep reinforcement learning［J］. IEEE Transactions on Vehicular Technology， 2021， 70（9）： 9540-9554.
[107]	BRESSON X， LAURENT T. The transformer network for the traveling salesman problem［DB/OL］. arXiv preprint： 2103.03012， 2021.
[108]	LONG H， DUAN H. Cooperative mission planning based on game theory for UAVs and USVs heterogeneous system in dynamic scenario［J］. Aircraft Engineering and Aerospace Technology， 2024， 96（9）： 1128-1138.
[109]	CHEN J X， WU Q H， XU Y H， et al. Joint task assignment and spectrum allocation in heterogeneous UAV communication networks： A coalition formation game-theoretic approach［J］. IEEE Transactions on Wireless Communications， 2021， 20（1）： 440-452.
[110]	WU H C， LI M， GAO Q Y， et al. Eavesdropping and anti-eavesdropping game in UAV wiretap system： A differential game approach［J］. IEEE Transactions on Wireless Communications， 2022， 21（11）： 9906-9920.
[111]	CHEN G， ZHAI X B， LI C D. Joint optimization of trajectory and user association via reinforcement learning for UAV-aided data collection in wireless networks［J］. IEEE Transactions on Wireless Communications， 2023， 22（5）： 3128-3143.
[112]	YU Y F， LIU X， LEUNG V C M. Fair downlink communications for RIS-UAV enabled mobile vehicles［J］. IEEE Wireless Communications Letters， 2022， 11（5）： 1042-1046.
[113]	YE J， QIAO J P， KAMMOUN A， et al. Nonterrestrial communications assisted by reconfigurable intelligent surfaces［J］. Proceedings of the IEEE， 2022， 110（9）： 1423-1465.
[114]	BANSAL A， AGRAWAL N， SINGH K， et al. RIS selection scheme for UAV-based multi-RIS-aided multiuser downlink network with imperfect and outdated CSI［J］. IEEE Transactions on Communications， 2023， 71（8）： 4650-4664.
[115]	WU Z Q， LI X H， CAI Y X， et al. Joint trajectory and resource allocation design for RIS-assisted UAV-enabled ISAC systems［J］. IEEE Wireless Communications Letters， 2024， 13（5）： 1384-1388.
[116]	ZHANG H J， HUANG M L， ZHOU H， et al. Capacity maximization in RIS-UAV networks： A DDQN-based trajectory and phase shift optimization approach［J］. IEEE Transactions on Wireless Communications， 2023， 22（4）： 2583-2591.
[117]	BALASUBRAMANIAM A， GUL M J J， MENON V G， et al. Blockchain for intelligent transport system［J］. IETE Technical Review， 2021， 38（4）： 438-449.
[118]	AGGARWAL S， KUMAR N， TANWAR S. Blockchain-envisioned UAV communication using 6G networks： Open issues， use cases， and future directions［J］. IEEE Internet of Things Journal， 2021， 8（7）： 5416-5441.
[119]	CHENG X， HUANG Z W， BAI L. Channel nonstationarity and consistency for beyond 5G and 6G： A survey［J］. IEEE Communications Surveys & Tutorials， 2022， 24（3）： 1634-1669.
[120]	WU J， YUAN W J， HANZO L. When UAVs meet ISAC： Real-time trajectory design for secure communications［J］. IEEE Transactions on Vehicular Technology， 2023， 72（12）： 16766-16771.
[121]	PAN Y， LI R G， DA X Y， et al. Cooperative trajectory planning and resource allocation for UAV-enabled integrated sensing and communication systems［J］. IEEE Transactions on Vehicular Technology， 2024， 73（5）： 6502-6516.
[122]	DENG C L， FANG X M， WANG X B. Beamforming design and trajectory optimization for UAV-empowered adaptable integrated sensing and communication［J］. IEEE Transactions on Wireless Communications， 2023， 22（11）： 8512-8526.
[123]	KANG H Y， CHANG X L， MIŠIĆ J， et al. Cooperative UAV resource allocation and task offloading in hierarchical aerial computing systems： A MAPPO-based approach［J］. IEEE Internet of Things Journal， 2023， 10（12）： 10497-10509.
[124]	ARANI A H， HU P， ZHU Y Y. HAPS-UAV-enabled heterogeneous networks： A deep reinforcement learning approach［DB/OL］. arXiv preprint： 2303.12883， 2023.
[125]	JAVED S， ALOUINI M S， DING Z G. An interdisciplinary approach to optimal communication and flight operation of high-altitude long-endurance platforms［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（6）： 8327-8341.
[126]	NGUYEN M D， LE L B， GIRARD A. Integrated computation offloading， UAV trajectory control， edge-cloud and radio resource allocation in SAGIN［J］. IEEE Transactions on Cloud Computing， 2024， 12（1）： 100-115.
[127]	YU J D， LIU X L， GAO Y， et al. 3D channel tracking for UAV-satellite communications in space-air-ground integrated networks［J］. IEEE Journal on Selected Areas in Communications， 2020， 38（12）： 2810-2823.
[128]	HU Z Z， ZENG F Z， XIAO Z， et al. Joint resources allocation and 3D trajectory optimization for UAV-enabled space-air-ground integrated networks［J］. IEEE Transactions on Vehicular Technology， 2023， 72（11）： 14214-14229.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

部署类型	3D/2D	优化目标	其他优化变量
无人机静态部署	2D	最大化系统容量	无人机数量，发射功率
	2D	最大化系统容量	信道分配，接入分配
	3D	最大化系统容量	无人机数量，发射功率，信道分配
	2D	最大化用户服务数量	时间、发射功率
	3D	最小化无人机数量
单无人机动态部署	2D	最小化任务完成时间	无人机悬停时间，接入分配
	2D	最小化任务完成时间	分簇策略，无人机速度
	2D	最小化能耗	发射功率
	3D	最大化能效
	2D	最小化AoI	充电站部署位置
多无人机动态部署	3D	最小化能耗与时延	任务分配，发射功率
	2D	最小化能耗与时延	信道接入，接入分配，时隙数量
	2D	最小化任务完成时间

算法类型	适用的无人机部署场景	优点	缺点	文献
智能搜索算法	适用于中等规模问题	可找到全局最优解或近似解，适用于多类应用场景	对于大规模问题计算成本高，易陷入局部最优	［71-74，77］
凸优化	适用于中等规模问题	可处理具有凸约束的优化问题，可以得到全局最优解	对于非凸问题不适用，大规模问题计算成本高	［86-89］
深度强化学习	适合大规模和复杂环境问题，如无人机自主部署	可处理高维状态空间和连续动作空间，具有较好的泛化能力	需要大量数据进行训练，对环境的动态变化敏感	［93，95-97］
多智能体深度强化学习	适用于多无人机协同任务和动态部署环境	在分布式决策和协同优化上具有优势，适合动态环境下的无人机协作部署	策略复杂，易受环境不稳定性影响，训练开销大	［102-105］
图论	适合离散和组合优化问题	算法成熟，在特定环境下求解迅速	对于复杂场景，其轨迹难以转化为图	［24，106-107］
博弈论	取决于无人机博弈的复杂性和参与者数量	有利于解决多无人机协作问题，确定纳什均衡策略解	对于非零和博弈或不完全信息博弈可能难以找到解	［109-111］

6G低空通信场景下无人机部署优化综述

A review of unmanned aerial vehicles deployment optimization in 6G low-altitude communication scenarios

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 128

相关文章 15

编辑推荐

Metrics

本文评价

[1]	虞翔宇, 李文, 严杰, 梁世哲. 无人机液氢燃料电池热管理系统仿真研究[J]. 航空学报, 2025, 46(9): 630964-630964.
[2]	杨芃芊, 陈禹彤, 刘俊辉, 杨杰豪, 单家元, 孙士珺. 串列翼货运无人机大攻角气动与操稳特性[J]. 航空学报, 2025, 46(9): 131056-131056.
[3]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[4]	万开方, 吴志林, 武韫晖, 强皓植, 吴艺博, 李波. 拒止环境下基于深度强化学习的多无人机协同定位[J]. 航空学报, 2025, 46(8): 331024-331024.
[5]	姜凌峰, 李新凯, 张海, 李涵玮, 张宏立. 基于改进TD3算法的无人机动态环境无地图导航[J]. 航空学报, 2025, 46(8): 331035-331035.
[6]	向锦武, 马凯, 阚梓, 李道春, 郑可欣, 陈汉轩. 氢能源无人机关键技术研究进展[J]. 航空学报, 2025, 46(5): 531603-531603.
[7]	丁奇帅, 雷帮军, 吴正平. 基于孪生网络的轻量型无人机单目标跟踪算法[J]. 航空学报, 2025, 46(4): 330925-330925.
[8]	吴付杰, 王博文, 齐静雅, 曹铭智, 桑英俊, 李晟, 张玉珍, 陈钱, 左超. 机载多孔径全景图像合成技术研究进展[J]. 航空学报, 2025, 46(3): 630505-630505.
[9]	马诺, 卫社春, 孟军辉, 刘清洋, 雷宇声. 考虑减速伞作用的无人机内埋舱体分离流场特性与动力学[J]. 航空学报, 2025, 46(3): 130755-130755.
[10]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[11]	屈若锟, 王致远, 刘晔璐, 李诚龙, 江波. 面向城市空中交通的无人机视觉定位技术[J]. 航空学报, 2025, 46(11): 531168-531168.
[12]	李坤, 布树辉, 李佳朋, 王俱博玺, 韩鹏程, 李霄翰, 李浩玮. 基于单目视觉与测距信息的无人机集群定位方法[J]. 航空学报, 2025, 46(11): 531281-531281.
[13]	冯传宴, 刘双, 完颜笑如, 丁梦龙, 李道春, 周尧明. 无人机系统人因设计关键技术研究进展[J]. 航空学报, 2025, 46(11): 531213-531213.
[14]	杨锦, 杭旭, 王艳军. 机场管制空域内无人机运行安全风险评估[J]. 航空学报, 2025, 46(11): 531276-531276.
[15]	陈琳, 朱庆, 胡翰, 丁雨淋, 顾朋鑫. FLASH：无人机滑坡灾情轻巧感知系统[J]. 航空学报, 2025, 46(11): 531293-531293.