B5G无蜂窝无人机网络中的智能化传输

20250116

信息传输、软件和信息技术服务业

本项目在信息与通信、人工智能等前沿领域取得了较大进展，尤其是在智能化传输机制和多维资源管理方面。本研究通过将联邦学习等分布式人工智能技术与无线通信相融合,探索无蜂窝的无人机网络，解决了大规模、动态环境下的传输优化新问题。研究发现和提出的新原理、新方法为无蜂窝无人机网络的智能化传输提供了理论基础，推动了 B5G 时代无线通信与智能计算交叉学科的融合和发展。 项目开发了一系列创新性的算法和模型，包括基于 PPDC 的无人机系统覆盖性能分析方法、基于UMCF-UAV 网络的低时延传输策略研究方法、CF-UAV 网络频谱效率最大化的智能传输策略研究方法、FDRL-DDON辅助的兼顾系统时延和能耗的资源分配方法、无蜂窝大规模 MIMO 网络下基于联邦学习的用户接入策略及能耗优化方法、基于联邦深度强化学习的计算负载和资源分配方法、联合双维度用户调度的自适应联邦边缘学习方法等。 提升了无人机网络的自适应能力、抗干扰能力，缓解了无人机动态特性带来的频繁越区切换问题，与传统方法相比，系统时延降低了 9.9%，能耗降低 14.1%，频谱效率提升 37%。同时，本研究针对新型的无蜂窝无人机网络，提出了适配联邦学习的智能传输信令交互协议(已获得专利授权)，研究成果达到了国内外领先水平，为B5G/6G 通信系统传输技术的涉及和优化提供了重要参考。 人才培养指标: (1)授权专利7项，受理专利 4 项，共计 11 项。具体为: 提出一种基于深度强化学习的 NB-IoT边缘计算资源分配算法、一种无蜂窝网络下的通感融合UAM系统和信息传输方法、CF-UAM 网络空域容量与连通性折中分析方法和装置、一种无蜂窝城市空中交通联邦边缘学习方法和装置、兼顾时延与能耗的CF-UAV 智能传输信令交互方法、一种基于联合双维度用户调度的自适应联邦边缘学习方法、一种用户下行速率和能效提升方法和装置、系统、存储介质、一种基于无人机群的通信感知协作方法和系统、无人机辅助的易故障移动边缘计算资源调度优化方法、不完美CSI下异构共存网络的资源分配方法、一种智能反射面驱动的多用户协同传输方法。 (2)已获批软件著作权6项。具体为:基于DRCA模型的无蜂窝网络资源分配优化软件 V1.0、可扩展无蜂窝网络设计及优化软件V1.0、基于莱斯信道的无蜂窝无人机网络上行传输模型软件V1.0、MEC网络中基于DDON 算法的计算资源和无线资源管理软件V1.0、MEC 网络中基于HFFE 算法的计算资源与无线资源联合管理软件V1.0、基于 DRCA 模型的无蜂窝网络资源分配优化软件 V1.0。 (3)已发表期刊及会议论文 13 篇，已录用论文11 篇，共计发表 13 篇。其中 SCI论文4篇，EI论文4篇，中文核心及卓越期刊论文共计5篇。 (4)培养硕士生9人。其中已毕业:方禹、王锦程、张九川、张荣崎;在读:何健、贾文悦、罗钟昊、庄颖瑜、马子瑜。 (5)已提供本科毕业设计共计 17 项。其中,2024年提供本科毕业设计5项，2023 年提供本科毕业设计8项，2022 年提供本科毕业设计4项。 (6)已按时提交项目报告及相关成果材料。

1. 科技成果概述 本项目围绕 B5G 无蜂窝无人机网络（Cell-Free UAV Networks, CF-UAV），研发了多项创新技术，包括联邦学习与分布式优化算法的结合、动态资源分配方法以及智能化传输机制，取得了显著的技术突破与应用前景。这些成果在应急通信、环境监测、公共安全等领域具有广泛应用潜力，并对推动无线通信与智能计算的交叉融合发展具有重要意义。
2. 合作需求与条件 （1）资金支持 为了实现成果的高效转化，拟合作方需在以下方面提供资金支持：技术研发投入：用于进一步优化核心算法、改进硬件设计、开发专用软件，预计资金需求不少于 200 万元。试验与样机开发：包括试验场景搭建及样机制造，预计投入 50 万元。市场推广与运营：包括产品营销、渠道建设、行业合作对接等环节，预计投入 30 万元。 （2）场地条件 科技成果转化需要配备以下场地支持：实验场地：提供至少 200 平方米 的实验室空间，用于测试无人机通信网络性能及硬件验证。试制场地：需要具备初步生产能力的场所，用于样机制造及规模化验证。办公及会议空间：支持研发团队的日常办公和与合作方的技术交流。 （3）设备支持 转化工作需依赖多种高性能设备和平台，包括：无人机及配套设备：用于测试分布式传输机制与多维度资源管理策略。高性能计算平台：支持联邦学习算法的训练及性能评估。网络通信设备：如测试基站、频谱分析仪等，用于模拟实际网络环境。 合作方可提供现有设备或协助采购，设备预算根据具体需求拟定。 （4）人员配置 转化工作需要多学科领域的专业技术团队，建议合作方配备以下人员：算法与系统研发人员：熟悉联邦学习、深度强化学习及无人机网络通信，建议配置 3-5 名 专家。硬件开发与测试人员：负责设备集成、样机测试及性能优化，建议配置 2-3 名 工程师。市场推广与运营人员：负责市场调研、产品推广及行业合作，建议配置 2 名 专业人士。 （5）政策与资源对接 为推动成果转化，合作方需协助申请相关政策支持与资质认证，包括但不限于北京市科技创新基金支持；无人机通信及资源管理相关专利技术的知识产权保护；行业认证及技术标准化工作。
3. 合作模式与目标 （1）合作模式 联合研发：双方共同参与成果优化，利用各自技术优势实现转化目标。资源共享：合作方提供场地、资金、设备等资源，项目团队提供技术支持与成果输出。利益分配：成果转化收益按照双方协议进行分配，具体细节可在合作协议中明确。 （2）转化目标 在 1-2 年内 实现成果的小批量生产与试验应用；在 3-5 年内 推动成果进入商业化规模应用，实现年度产值 500 万元以上；打造面向 6G 时代的高效智能化无人机通信网络解决方案，提升相关领域的行业竞争力。

仅限国内转让

1. 经济效益 （1）推动相关产业发展 项目成果在 B5G 无蜂窝无人机网络、联邦学习优化算法以及智能化传输策略等领域的技术突破，将为通信产业、无人机产业及智能计算行业注入新的增长动力。这些技术不仅提升了行业技术水平，还将推动其市场规模进一步扩大，助力相关企业获得更多竞争优势。 （2）促进技术服务与成果输出 基于本项目开发的创新算法和模型（如动态资源分配方案、低时延传输策略等），可为行业内企业提供高价值的技术服务，推动相关解决方案在不同行业场景中的应用，实现从技术到实际产品的快速转化。 （3）提升知识产权价值 项目成果中包含多项发明专利与软件著作权，通过技术许可、转让或与企业合作，能有效转化为知识产权收益，同时进一步巩固项目团队在该领域的技术领先地位。 （4）带动就业与区域经济发展 成果转化将创造研发、制造、运营等多个环节的就业机会，为区域经济发展提供支持，同时吸引更多相关领域的资源和资本聚集，形成产业链协同发展的良好局面。
2. 社会效益 （1）提升公共服务能力 本项目的技术在应急通信、公共安全、环境监测等领域具有显著应用价值。通过分布式、智能化的无人机网络，能够在灾难救援和应急通信中快速响应，显著提升信息传递效率，优化决策支持能力。 （2）促进绿色经济发展 项目提出的低功耗智能传输策略有效降低了系统能耗，符合绿色发展目标。在大规模推广后，可显著减少通信网络的碳排放，支持我国“双碳”目标的实现，同时带动绿色技术的应用与普及。 （3）推动学科交叉与技术创新 项目在通信、人工智能及无人机技术的交叉领域中取得了重要突破，对相关学科发展具有重要的引领作用。同时，这些成果可为下一代通信网络（6G）研究提供宝贵经验，助力我国在国际通信技术竞争中占据有利位置。 （4）增强社会韧性与安全性 通过在无人机网络中采用智能化技术和分布式优化方法，能更好地应对复杂动态环境下的资源管理挑战。其成果在提升公共安全和社会应急管理能力方面具有重要意义，为城市治理和社会管理提供高效的技术支持。
3. 综合效益展望 本项目科技成果转化将在技术创新、产业发展、社会服务及生态保护等方面发挥积极作用。随着成果进一步优化和推广，其影响力将持续扩大，为我国相关技术的产业化应用树立示范效应，同时助力实现经济效益与社会效益的双赢目标。

北京市自然科学基金海淀前沿项目

北京市科学技术委员会;中关村科技园区管理委员会

本项目研究B5G无人机无蜂窝网络，融合联邦学习、并行优化与回声状态网络方法，构建了智能化、分布式、多维度的传输及资源管理策略。首先将FL与CF-UAV网络相融合构建智能化的网络，设计适配FL的CF-UAV传输协议及优化机制;其次，将回声状态网络与FL相结合摒弃传统机器学习的集中式训练模型，设计分布式的空-时-频-设备多维度资源全动态配比。进一步，在CF-UAV中心单元及UAV计算资源有限的情况下，根据UAV、用户和业务的时变性，设计基于支持向量机的FL算法及传输优化策略，均衡计算资源和无线资源。本研究在无蜂窝无人机网络、智能化传输机制.多维度资源管理等多个前沿领域取得了阶段性的进展，提出了解决大规模、高维、动态环境下的传输优化问题新方法。研究成果可为无蜂窝无人机网络明确了应用场景,推动了B5G时代无线通信与智能计算的交叉融合和发展。 项目开发了一系列创新性的算法和模型，在兼顾时延与终端能耗的CF-UAV,智能化传输协议及优化方面，主要研究成果包括泊松点距离约東策略下的无人机部署方案、基于UMCF-UAV网络的低时延传输策略研究方法、基于深度强化学习的动态资源协同分配算法、面向近海通信的移动边缘网络动态服务缓存策略等。在兼顾频谱效率的CF-UAV,网络覆盖增强及多维度资源分配方面，主要研究成果包括联邦深度强化学习辅助的兼顾系统时延和能耗的资源分配方法、无蜂窝大规模MIMO网络下基于联邦学习的用户接入策略及能耗优化方案、基于联邦深度强化学习的计算负载和资源分配方案、基于深度强化学习的UAV通算网络资源分配方法研究等。在计算资源受限条件下的CF-UAV,网络智能化传输优化方面，主要成果包括联合双维度用户调度的自适应联邦边缘学习方法、时延和能耗受限的系统资源分配方案研究、工业互联网边缘计算网络中时延能耗优化算法等。 这些技术不仅提升了无人机网络的自适应能力和资源利用率，还显著降低了系统时延和能耗。本项目输出了通信和计算资源管理策略及性能评估结果。无蜂窝无人机网络端到端平均时延降低40%以上，实现网络覆盖率达到100Device/m3,数据传输丢包率小于1%,回程链路平均传输时延小于0.1ms，前程链路峰值速率高于100bps/Hz的技术指标，实现总体能量效率大大优于5G。在延迟方面，本项目提出的Federated-TD3算法与现有算法相比降低了9.9%，。在能耗优化方面，与DEDDPG算法相比降低了14.1%，与DETD3算法相比降低了4.5%。项目组提出的无人机轨迹优化算法明显优于角度搜索算法、AP搜索算法和线性路径方案，与角度搜索算法相比，无人机的SE提高了37%。在时延优化、频谱共享和智能传输信令交互等关键技术上，研究成果已经获得发明专利授权，为未来6G通信系统的设计和优化提供了重要参考。 研究成果在提升公共安全、灾难救援、环境监测等社会公共服务方面具有重要应用价值。本项目提出无蜂窝的无人机网络，克服了无人机高动态特性在现有蜂窝网中面临的频繁越区切换和小区间干扰问题进一步，通过设计分布式、智能的传输优化策略，提升了无人机网络的传输效率和可靠性，在应急通信场景下，能够提供高效的信息传递和决策支持，从而提高北京市应急救援效率和公共安全管理水平。此外，本项目通过低功耗的传输策略设计和智能化传输技术的应用，促进了绿色经济与可持续发展，降低了系统能耗，为北京市低碳可持续发展做出了积极贡献。 项目组已在国内外重要学术会议和期刊上发表学术论文13篇,授权发明专利7项,涵盖了核心技术创新点。此外，通过与相关企业和机构的技术对接与合作，项目组的研究成果已孵化多项企事业单位委托项目和北京市科研项目，涵盖分布式智能算法设计、去蜂窝大规模MIMO系统算法开发、5G基站测试与智能算法验证等内容。未来，项目组将继续推动技术的延续创新和落地应用，进一步落实技术的商业化转化，最大化其社会效益和经济效益。