本文介绍了一项关于无人机（UAV）辅助的空中无线电环境地图（Radio Environment Map, REM）构建的研究。该研究由Junyi Lin、Hongjun Wang、Tao Wu、Zhexian Shen、Ruhao Jiang和Xiaochen Fan等人共同完成，分别来自国防科技大学电子工程学院和清华大学电子工程系。研究论文于2025年1月21日发表在《Drones》期刊上。

研究背景

无线电环境地图（REM）用于描述地理空间中接收信号强度（Received Signal Strength, RSS）的空间分布，广泛应用于通信网络优化、基站部署、通信干扰减少和用户定位等领域。随着人类活动向空中扩展以及无人机在多种应用中的广泛使用，构建空中REM对于提高空中通信服务质量至关重要。传统的REM构建依赖于地面传感器，但这些方法不适用于空中REM的构建。无人机配备频谱监测设备（SMD）可以在空中采样RSS数据，从而构建高质量的空中REM。然而，由于缺乏环境先验信息，无人机难以在线确定合适的采样位置，且多无人机协作探索目标区域也存在挑战。

研究目标

本研究旨在提出一种多阶段的数据采样和路径规划方法，通过多无人机协作来提高空中REM的构建质量。具体目标包括： 1. 通过Voronoi分区方法协调多无人机进行数据采样。 2. 提出一种基于不确定性的细粒度采样策略，利用飞行中采样的RSS数据估计未采样位置的RSS值和不确定性。 3. 设计一种基于自注意力机制的网络结构作为策略网络，通过Actor-Critic框架训练，替代传统的手工设计策略，规划无人机的最短飞行路径。

研究方法

研究分为多个阶段，每个阶段包括以下步骤： 1. 阶段位置选择：基于Voronoi分区方法，将目标区域划分为多个局部区域，每个无人机负责探索其分区内的区域，避免重复探索。 2. 细粒度采样策略：根据当前阶段位置与前一个阶段位置的RSS值变化，决定是否在局部区域进行细粒度采样。采样策略通过估计未采样位置的RSS值和不确定性，生成采样概率分布，确保采样点尽可能广泛分布在感兴趣区域。 3. 路径规划：使用基于自注意力机制的网络结构作为策略网络，通过Actor-Critic框架训练，规划无人机在采样点之间的最短飞行路径。

研究结果

实验结果表明，该方法在三种不同场景下均能提高空中REM的构建质量，并有效规划无人机的最短飞行路径。具体结果包括： 1. Voronoi分区方法：有效协调多无人机进行数据采样，避免了重复探索，提高了采样效率。 2. 细粒度采样策略：通过估计未采样位置的RSS值和不确定性，生成了合理的采样概率分布，确保了采样点的广泛分布。 3. 路径规划：基于自注意力机制的网络结构能够有效规划无人机的最短飞行路径，减少了飞行时间。

结论

本研究提出了一种多阶段的数据采样和路径规划方法，通过多无人机协作和细粒度采样策略，显著提高了空中REM的构建质量。该方法不仅能够有效协调多无人机进行数据采样，还能够规划最短飞行路径，具有较高的科学价值和应用价值。

研究亮点

1. 多无人机协作：通过Voronoi分区方法，实现了多无人机的有效协作，避免了重复探索。
2. 细粒度采样策略：基于不确定性的细粒度采样策略，确保了采样点的广泛分布，提高了REM的构建精度。
3. 自注意力机制：基于自注意力机制的网络结构，通过Actor-Critic框架训练，替代了传统的手工设计策略，显著提高了路径规划的效率和精度。

研究意义

本研究为无人机辅助的空中REM构建提供了一种新的方法，具有重要的科学价值和应用价值。该方法不仅能够提高REM的构建精度，还能够有效规划无人机的飞行路径，为未来的空中通信网络优化提供了新的思路。