本文提出了一种用于无人机辅助LoRa网络的、基于方向性感知的链路模型与信道接入方法。研究团队来自北京邮电大学网络与交换技术国家重点实验室，主要作者包括Jiaqi Zhang、Xiaolong Zheng、Ruinian Li、Liang Liu、Huadong Ma，以及来自日本东北大学信息科学研究科的Nei Kato。该研究发表于IEEE Transactions on Networking，于2025年正式刊出。
研究背景方面，无人机搭载LoRa网关进行数据采集在缺乏公共网络基础设施的偏远地区具有广泛应用潜力。然而，研究团队通过实地测量发现，地空链路吞吐量远低于地面链路吞吐量，且当无人机飞临地面节点正上方时，链路质量反而急剧恶化，形成“数据采集空洞”。进一步分析表明，这一异常现象源于收发天线辐射方向失配。常用全向偶极子天线的能量主要集中在水平方向，天线顶部与底部辐射极弱，而现有地面通信方法普遍忽略这一方向性损耗。因此，本文旨在建立一种能够刻画地空链路方向性损耗的链路模型，并以此为基础设计自适应传输机制，以提升无人机辅助LoRa网络的数据采集效率。
研究工作主要分为三个环节：链路建模、系统设计与实验评估。
在链路建模阶段，作者首先基于天线方向性系数与Friis传输公式推导出接收信号强度与收发端水平距离及高度差之间的解析关系。接收信号强度可表示为常数因子与“位置损耗系数”的乘积，该系数定义为水平距离的四次方除以水平距离平方与高度差平方之和的三次方。理论曲线表明，当水平距离趋近于零时，位置损耗系数急剧下降，与实地测量得到的信号空洞现象高度一致。为进一步指导传输配置选择，作者提出了“环形模型”（annulus model）。该模型将每个扩频因子（SF）对应的可靠传输区域表示为同心圆环，每个圆环具有内边界与外边界。较小扩频因子的圆环更窄且嵌套在较大扩频因子的圆环内部。环形边界由位置损耗系数阈值与特定飞行高度下的系数曲线交点确定。由于位置损耗系数随高度变化，环形区域范围也随无人机飞行高度动态变化。
在系统设计阶段，作者提出了称为PreLoRa的地空信道接入方案。PreLoRa采用集中式架构，将主要计算开销置于网关侧，以降低地面节点功耗。网关进入数据采集区域后周期性广播信标唤醒并同步地面节点。节点随后以ALOHA方式发送若干确认包，网关记录每个确认包的接收信号强度、信噪比及接收时刻的GPS坐标。通过多个测量样本，网关利用圆交点累积与聚类方法估计节点位置，并根据滑动窗口内的样本更新环境噪声功率，进而更新各扩频因子对应的位置损耗系数阈值。作者采用二分搜索算法快速求解各扩频因子的内外水平边界，建立并动态更新环形模型。
传输调度模块基于无人机短期匀速直线运动假设，利用环形模型预测无人机进入和离开各扩频因子可靠区域的时间区间，生成组合传输时序序列。当不同扩频因子的时间区间重叠时，优先选择较小扩频因子以提高数据率。调度模块还根据各扩频因子区域内的驻留时间计算可发送的最大数据包数量及尾部数据包长度，以保证数据包在可靠传输时段内完成发送。针对多节点并发上传冲突，作者提出了SF退避算法。该算法将各节点在不同扩频因子下的传输时序视为时间集合，检测节点间相同配置下的时间重叠；对平均链路质量较差的节点，将其冲突时段内的传输计划退避至更低数据率的扩频因子信道，从而避免冲突并充分利用空闲信道资源。
在实验评估阶段，研究团队在商用LoRa平台上实现了PreLoRa。地面节点采用STM32 Nucleo-64开发板与Semtech SX1262模块，无人机网关由相同LoRa节点与Raspberry Pi 4B组成，无人机平台为AMOVLab Z410。实验在1平方公里的开阔场地进行，飞行高度分为a、b、c三个区间，默认飞行速度为5 m/s。对比基线包括LoRaWAN标准中的ADR（自适应数据率）、R-ARM以及固定SF=7的ALOHA方法。
整体性能实验表明，PreLoRa在所有飞行高度区间内均取得最优表现。在最高飞行高度区间c，PreLoRa的平均数据包投递率保持在81.5%，而ADR、R-ARM和LoRaWAN分别为60.6%、66.5%和18.3%。吞吐量方面，PreLoRa在三个高度区间的平均吞吐量分别为3.21 kbps、3.04 kbps和2.83 kbps，均优于所有基线方法。飞行高度越高，PreLoRa的性能优势越明显。
不同飞行路径实验显示，从路径1到路径6，PreLoRa相较固定SF的LoRaWAN吞吐量提升幅度从34.5%上升至220%。当飞行路径经过节点正上方时，所有方法的吞吐量均出现恶化，但PreLoRa能够依靠环形模型提前预测链路质量波动并主动切换配置。ADR和R-ARM由于依赖被动链路监测与重传计数触发配置切换，响应滞后于链路变化，性能明显下降。
在不可靠链路条件下，低速度与高速度飞行实验均显示PreLoRa能够保持稳定投递率与吞吐量。尤其在10 m/s高速飞行场景中，默认ADR由于等待确认失败次数达到阈值后才触发切换，吞吐量几乎降为零；修改参数后的ADR和R-ARM仍无法及时响应快速链路变化，而PreLoRa的主动预测机制使其性能与低速场景基本一致。
模块性能测试方面，节点定位误差随测量样本数增加而减小，约70个样本时误差低于15米，足以支持环形模型建立。参数更新模块在不同高度区间分别带来11%、18.4%和27.5%的投递率提升。数据包长度控制模块在链路越脆弱时提升越显著，在高度区间c吞吐量增益达17.9%。Ping周期实验表明，过短周期会增加下行调度开销，过长周期导致模型更新不及时，10秒周期取得最佳吞吐量。能耗测试显示，PreLoRa因减少重传而始终消耗最低能量。
多节点并发传输实验中，部署9个节点时，采用SF退避算法的PreLoRa将整体投递率从35.4%提升至76.6%，聚合吞吐量从14.22 kbps提升至21.6 kbps，提升幅度为51.9%。随着节点密度增加，信道容量趋于饱和，网络吞吐量收敛至理论上限。
PreLoRa通过建立方向性感知的地空链路模型，能够预测无人机移动过程中的链路质量变化，并主动为地面节点规划最优传输配置与发送时序。相比现有方法，PreLoRa在数据包投递率与吞吐量方面均取得显著提升，同时降低了节点能耗。该研究的重要创新在于首次将天线方向性损耗纳入无人机辅助LoRa网络的链路建模，并提出环形模型与SF退避算法，解决了地空链路中信号空洞与并发冲突问题。研究结果为偏远地区无人机辅助物联网数据采集提供了有效的系统设计与工程实现参考。