文 章 搜 索
 
最新 NEW10
1  太赫兹研究动态&nb
2  日本软银最新技术验证
3  由合成拓扑相变实现的
4  低能量激光引发半导体
5  新研究揭示太赫兹波对
6  首个弯曲数据链路绕过
7  科学家模板绘制对柔性
8  科学家研制出高梯度太
9  【科研动态】非均匀等
10  研究实现相对论强激光
热门 TOP10 点击
 太赫兹科学技术的新发 72219
 (2011.10-2 72041
 第五届全国太赫兹科学 71629
 (2011.7-20 39259
 (2011.4-20 35762
 (2012.10-2 35755
 基于光学方法的THz 27516
 石墨烯在微波光子学中 27107
 (2012.04-2 26651
 (2012.07-2 26198
     文 章 新 闻 中 心
太赫兹通信在无人机网络中的应用及挑战研究
发布时间:2022-12-05 16:24:41 阅读:938

来源:太空与网络

    引言

    太赫兹频段(0.1~10THz)通信由于其固有的大带宽和高数据速率优势,是6G系统的候选技术之一。本文探讨了太赫兹通信在无人机传感网络(DSN)中的应用前景。6G非地面通信中,无人机不仅是作为地面基站的备用基站或为实现回传而按需部署的基站,还将为借助超可靠低延迟服务传输多媒体数据的分布式监测和监视应用提供无缝连接。太赫兹频段传感还可提供从天空到太赫兹赋能无人机传感网络的额外传感能力。

    1. 简 介

    小型无人机因其维护费用低且便于部署等优势广受欢迎,执行任务时通常以联网方式成群部署。这种无人机网络或无人机传感网络(DSN)可实现大范围监测,并且可在多种环境下以增强的可靠性、韧性和容错性来收集感测到的数据。

    DSN适用于很多现实场景:在军事监视应用(图1(a))中,DSN可以监视敏感区域,例如需要安全传输高度敏感军事数据(以图像或视频形式)的边界地区。除通信外,具有传感和处理能力的DSN还可用于如灾害管理(图1(b))等一些应用。此外,具有类似基站能力的无人机网络可按需从空中提供无缝网络覆盖(图1(c)),作为地面基站的备用和支撑。

图1 太赫兹无人机网络的可能实现场景

    随着无线通信迅速迈向6G,网络业务的指数级增长引发了对现有近乎饱和的sub 6GHz以上频段电磁频谱的需求。满足这一需求的一种可能解决方案是利用处于5G毫米波和自由空间光频段之间的太赫兹频谱。太赫兹频段可提供巨大的带宽,支持极高数据速率应用,同时由于其波长较短,可实现极大天线增益。然而,太赫兹通信会受吸收损耗的限制。由于海平面大气气体浓度最大,太赫兹吸收损耗在海平面最高,因此曾主要针对海平面短距离太赫兹通信进行了研究。

    近期还出现了太赫兹频段应用于空中通信的一系列研究。例如,尽管空中飞行器机动性高,但由于太赫兹频段频率极高,因此有望将多普勒效应降至最低,从而可通过对波束方向图进行最优选择,在移动飞行器内实现高速率通信链路。由于载频在太赫兹量级,波束尖锐,因此盘旋飞行器之间的通信链路必须高度对准。另有研究对进行毫米波和太赫兹频段通信的无人机的微、小和大尺度移动性不确定性的影响进行了研究。研究结果表明,如果没有自适应波束宽度控制措施,微尺度移动性导致的链路容量下降可忽略不计,而小尺度和大尺度移动性会导致链路容量显著下降,同时导致更严重的中断。还有研究通过评估覆盖概率和区域频谱效率,对基于太赫兹的无人机网络进行了分析。分析结果表明,由于在0.35THz的太赫兹频段波引发的大量路径损耗,与较低载波频率相比,实现一定程度的覆盖概率需要更大的无人机密度。此外,还有研究通过分析方向和位置估计误差边界,研究了两架无人机之间的太赫兹MIMO-OFDM通信。结果表明,只要发射机到接收机的距离足够小,就可达到毫米级定位精度。

    2. 太赫兹频段无人机网络的应用

    太赫兹是6G关键使能技术之一,本文设想将太赫兹频段用于无人机网络,作为6G非地面网络的预期用例。图2展示了太赫兹无人机网络的可能应用,即监测和监视、传感、定位和按需网络覆盖。在以上各项应用中,十分重要的一点是具备太赫兹能力无人机的部署策略,从而在无人机网络和DSN中充分利用太赫兹频段。策略包括超大规模多输入多输出(UM-MIMO)和可重构智能表面(RIS)。

图2 太赫兹无人机传感网络:应用、挑战和解决方案

    2.1 监测/监视

    先进的联网无人机将成为许多现实监测应用的重要空中资源,例如军事监视、灾害管理等。以下将介绍太赫兹无人机网络的实际监测应用。

    (1)军事应用

    无人机网络已成为全球军事应用不可或缺的一部分。借助可快速部署的无人机网络,可以高效执行大量军事相关活动,包括通过监测高分辨率实时视频进行边境巡逻。例如一种新型无线传感网络混合概念——Bor-derSense,包括地下传感器、地面传感器和用于空中无线传感的无人机。借助BorderSense框架,无人机可与车载高分辨率摄像机和高灵敏度传感器一起提供机动自由,从而根据军事需求提供增强的覆盖范围。就军事应用而言,应同时提供宽带和超可靠低延迟服务,以便快速传输敏感军事数据/信息。

    此外,提供此类军事应用(如空对空和空对地)的无人机需要高能效,因为现实中无法频繁更换机载电源(电池)。利用太赫兹DSN,如同在BorderSense框架中那样,太赫兹频段的高带宽可实现对敏感地区的高分辨率视频监控。

    再者,由于太赫兹频段独特的传播特性,太赫兹波对金属表面具有独特反射特征,因此可有效用于军事监视应用,如探测某些武器。使用太赫兹频谱成像还可检测任何可能的爆炸物,例如探测地面雷达无法分辨的小型地雷。

    (2)灾害管理

    无人机网络或DSN可用于各种灾害管理应用,还可支持灾后搜救任务。灾害发生后,DSN可用来恢复受损通信基础设施。此外,具有视频监测功能的DSN可以用于进行灾后损害评估。

    2.2 太赫兹传感

    与红外和微波不同,太赫兹频段具有许多独特的传输特质,如准光学特性和分子吸收,使之成为一些传感应用的合适备用频段,如气体和材料传感、质量控制、化学和生物传感。因此,可在各种实际传感应用中部署太赫兹DSN。例如,可以利用太赫兹检测各种有毒/危险气体。有源和无源传感方法都可用于利用太赫兹频谱进行有毒气体检测。

    2.3 定位

    未来6G系统还需要高精度定位。利用太赫兹频段有望实现厘米级定位精度,远优于现有定位服务,如全球定位系统(GPS)和蜂窝多点定位。较高频率(如太赫兹频段)定位方法依赖于同时定位与地图构建(SLAM)技术,通过获取周围环境的超高分辨率图像来提高总体精度。与地面定位不同,太赫兹DSN可拓宽空中视野,扩大覆盖区域,提高定位精度。

    2.4 无人机基站

    近期研究提出了无人机基站(DBS)概念,这类具有类似基站能力的盘旋/移动无人机可作为地面网络的替代备份为地面用户服务。DBS已被作为5G扩展进行了研究,而近期也出现了一些DBS用于6G网络和技术的研究。例如,DBS被认为是无线基础设施设备(WID)的子集,有望提升未来6G网络的覆盖范围和容量。通过部署DBS,可向地面用户和热点提供空中无线覆盖,特别是在通信基础设施匮乏或缺失地区。此外,DBS还可为实时多媒体流和/或按需应用提供无缝高速连接,从而降低附近地面基站的总体通信负荷。对于DBS场景,在提供带宽的同时也应提供超低延迟服务,以便为地面用户提供不间断覆盖。由于太赫兹带宽大,太赫兹DBS可有效支持上述用例,但还需考虑相邻无人机基站之间的频繁切换,以便为地面用户提供无缝覆盖。

    3. 开放式问题和研究方向

    太赫兹无人机网络和DSN的设计及实现需要新颖的通信方案和组网协议,包括但不限于调制和波形设计、UM-MIMO、频谱和干扰管理、介质访问控制(MAC)和更高网络层、安全及隐私问题。

    3.1 物理层

    太赫兹频段无人机通信主要需要增强的太赫兹频段信道模型。为此,需要在各种传播环境和无人机机动场景中的无人机高度上进行基于测量的研究,利用针对无人机之间太赫兹链路的特定随机信道模型,改进现有的具有波束失准和一般多径衰落特征的视距及非视距模型。基于增强的信道模型,应针对无人机网络或DSN中的太赫兹频段通信定制调制和波形设计。

    (1)调制

    可用于太赫兹频段通信的最先进调制方案包括单载波(SC)调制、多载波调制、正交频分复用(OFDM)、循环前缀正交频分复用(CP-OFDM)甚至非正交多址(NOMA)。下面将从用于无人机网络的太赫兹频段通信角度讨论上述几种调制方案。

    无重叠传输窗口称为单载波调制,提供部分载波聚合。然而,由于太赫兹信道的固有频率选择性,多载波调制也可利用多个单独/无重叠单载波帮助实现某种形式的载波聚合。实现实用太赫兹收发机是另一项挑战,因为传统射频电路无法支持数百Gbps或Tbps量级的数据速率。此外,还需要新型信号处理技术来处理先进数字基带系统与太赫兹频段提供的大带宽之间的失配问题。

    自4G以来,OFDM已被广泛应用于宽带无线系统中,以实现更高频谱效率。针对5G,几种无线标准,包括长期演进(LTE)、Wi-Fi、非对称数字用户线(ADSL)等,已采用了CP-OFDM。网络中有多个通信节点,每个节点有Tbps量级的数据(在太赫兹DSN中也是如此),需要以异步方式中继数据。此外,在这种异步多用户接入中,采用CP-OFDM的子载波并不保持正交,从而引入了大量载波间干扰,使得CP-OFDM在DSN中不可行。但是,与基于脉冲的通信系统相比,OFDM系统有望利用无重叠频谱来提高频谱效率。由于有严格的频率同步要求,在太赫兹频段实现OFDM收发机尤为复杂,采样速率通常在每秒几个G甚至T的样本量级。再有,大峰均功率比(PAPR)也使OFDM在太赫兹频段不可行。

    近年来,非正交多址(NOMA)获得了大量关注,因为它不仅可实现下行和上行链路的更高传输速率,还提供了解决数据包碰撞的方法。通过利用受频率和距离限制的太赫兹频谱,有研究将NOMA技术应用于太赫兹系统。为缓解太赫兹频段中的水蒸气吸收效应,需要进一步优化传统调制方案。为此,有研究提出了距离感知多载波方案。通过调整符号时间和调制阶数,有研究针对具有单发射机和多接收机的系统提出了分层调制方案,针对可变范围内的多个用户支持多种数据流。还有研究提出了在太赫兹频段使用OFDM的距离自适应和带宽相关调制方案。上述方案已被提出用于海平面太赫兹通信。但考虑到高度和无人机机动性,这些方案需要专门针对无人机场景或DSN进行调整。

    (2)超大规模多输入多输出(UM-MIMO)

    太赫兹通信的主要问题是由频率选择和极高路径损耗造成的。视距信道中,仅几米以上的距离,路径损耗就跨过100dB;非视距信道条件下,这种路径损耗甚至更严重。因此,在几米以上距离通信需要高定向天线的巨大增益。为此,有研究提出了UM-MIMO概念,其中使用极密等离子体纳米天线阵列。通过智能输入阵元,可以以自适应方式利用操作模式的变化。例如,在超大规模波束形成(UM-BF)中,所有天线都使用相同的发射信号,类似传统的波束形成。这种模式可完全抵消太赫兹载波频率的高路径损耗/衰减,从而支持更长距离通信。此外,利用波束形成还可减轻同频干扰问题,还可通过将尖锐太赫兹波束移动到特定或目标方向,利用角度分集的自由度。

    另外,为最大化利用太赫兹频段,实现Tbps级链路,可同时使用多个传输窗口。为此,可采用多频段UM-MIMO,通过电调谐等离子纳米天线的频率响应来利用不同载波频率。这种多频段UM-MIMO技术的一个主要优点是可在小得多的带宽内处理数据,从而降低了系统设计的复杂性,提高了频谱灵活性。在这一研究领域,需要针对这种UM-MIMO通信系统提出新的频率、空间和时间调制及编码方法。由于波束形成增益极大,能够克服太赫兹频段的巨大路径损耗,因此还可将UM-MIMO用于DSN。就无人机基站而言,实现UM-MIMO对于同时为多个用户提供空中覆盖至关重要。而这将是一项具有挑战性的任务,将是未来6G系统的一个重要研究方向。利用具有纳米天线间距的等离子天线阵列,将能够在小覆盖区域内的飞行无人机上实际部署太赫兹系统。

    (3)可重构智能表面(RIS)

    新型可调超表面被称为可重构智能表面,可用于控制和优化无线信道环境。一般来说,具有镜面反射的强非视距信号可将现有建筑物基础设施表面作为电反射镜,特别是在采用太赫兹频段的极短波长时。但是,由超表面和离散元半导体构建的RIS也支持用户自定义设置。一个相似的RIS可通过将太赫兹信号反射到特定方向来充分增强太赫兹信号功率。这可以通过在RIS中的离散面元引入所需相移来实现。此外,可在高频(如太赫兹频段)小区域内实现支持上述特征的足够大的RIS。RIS已被考虑用于改善海平面太赫兹室内通信的覆盖性能。再有,太赫兹无人机通信也考虑应用RIS。对于低空无人机网络,太赫兹通信范围可在部署于建筑物、屋顶的RIS的帮助下大幅扩展。通过在预期用户接入点附近放置RIS,无人机对地和地对无人机链路也可实现这一点,因此,RIS可以大大增加无人机网络的覆盖范围。

    3.2 频谱和干扰管理

    随着无线通信向6G发展,利用现有sub 6GHz频谱以上更高频段愈发引起关注。这将增加使用灵活认知无线电感知共享频谱的需求。在6G研究中,太赫兹频谱已被确定为移动通信的主要频段。全球2G至5G网络一直在使用的较低频段也将用于6G网络。因而需要各种频谱管理技术来智能化管理低、中、高频段。通过为不同场景中的不同用户分配不同的频率子波段,大块的太赫兹频段将填补频谱缺口,减轻传统干扰问题。例如,有研究提出采用长用户中央窗口(LUCW),其中较远用户被分配给太赫兹传输窗口的中央子频段,而为较近传输范围内的用户提供窗口中的边缘子频段。这种干扰管理方法也可用于无人机网络,其中服务于不同用户的无人机(如无人机基站)可利用不同子频段(每个子频段都有数GHz宽),即使在波束失准(BM)衰落和多径衰落下也可支持数百Gbps量级的容量值。然而,太赫兹频段通信的干扰通常发生在密集场景中。因此,可有策略地部署无人机网络以减轻干扰问题。

    3.3 MAC层和更高网络层

    与物理层相关问题类似,更高协议栈层也面临着各种挑战。

    首先是链路层,需要新MAC协议来解决太赫兹频段和DSN的独有特征。可利用太赫兹频段的大量可用带宽消除通信节点争夺信道的基本需求。其次,太赫兹信号传输持续期很短,这也减少了冲突的可能性。再者,由于太赫兹频段传输系统中使用尖锐波束,DSN的MAC设计应该有助于始于接收机的新型传输方案,以便在预期接收机不可用时不浪费发射机资源。管理无人机网络中太赫兹频段通信的新型MAC原型还应以自适应方式优化数据包大小和差错控制技术。

    在网络层,应设计新路由技术,一并提供传统有源节点(用于中继)与新无源智能反射面,后者可以将入射太赫兹信号中继到预期目的节点。此外,需要设计新的路由度量标准,在分子级捕获独特的信道构成特征。这些新路由度量指标包括分子构成对距离和高度相关太赫兹带宽的影响。

    在传输层,太赫兹频段有望实现数百Gbps甚至高达Tbps的通信,有可能大幅增加网络拥塞。这将在整个传输层引发流量/拥塞控制相关问题以及确保端到端传输可靠性问题。例如,预计传统的TCP拥塞控制窗口将被修改,以应对太赫兹频段网络的巨大流量需求。除了根据太赫兹信道特征调整MAC和更高层以高效工作外,潜在解决方案还应解决无人机和DSN场景的移动性问题。

    3.4 安全和隐私

    除了大量带宽和高数据速率的固有优势之外,太赫兹频段还可为无人机网络提供移动性,同时带来了安全和隐私问题。

    太赫兹波的各种独特特性对安全和隐私有严重影响。太赫兹波具有独特的吸收谱,安全无线通信会与基于太赫兹的探测和成像共存。巨大太赫兹带宽有利于实施抗干扰方法。然而,这种太赫兹系统的性能将取决于环境,即水蒸气浓度水平。太赫兹频率的巨大衰减可确保链路保密性,尖锐的太赫兹波束也有利于实现隐秘通信,但需要快速协调通信发射和接收波束。

    在隐私方面,由于太赫兹频率在海平面附近的巨大衰减,故很难远距离窃听。但研究显示,通过在尖锐太赫兹视距波束内放置一个物体,让波束向窃听者散射的方式,还是可以截获太赫兹信号的。对于较低大气高度(通常是海平面以上几百米内)的DSN和无人机网络来说,可以利用无人机的移动性,通过尖锐的太赫兹发射机-接收机波束相互指向来建立安全的太赫兹超宽带通信,而上文所述视距波束散射对于窃听者来说很难实现。这对于敏感应用(如军事监视、边境巡逻等)十分有用。

    综上,本节研究了几个实现太赫兹无人机网络和DSN的开放性问题和研究方向,包括从物理层到处理安全和隐私问题的更高网络层。近期一项类似研究基于七个特征定义了太赫兹无线系统,即1)准光学特质,2)基于太赫兹的架构,3)与低频段共存,4)联合通信和传感系统,5)物理层策略,6)频谱接入方法和7)实时网络优化。下面将介绍太赫兹通信相关问题(尤其是太赫兹使能无人机网络)的基于最新人工智能(AI)和机器学习的解决方案。

    4. 基于AI/机器学习的解决方案

    最近,人工智能在通信范式中的应用已成为研究热点。在各项研究中,人工智能被认为是6G网络的重点,它可补充传统方法。借助后5G(B5G)系统的AI/机器学习技术,将有可能最大化减少/取代现有的人工网络配置管理,并保证并提供更高的总体系统性能和可靠性。此外,通信网络将能够根据用户和通信网络行为便捷地实时调整。总之,AI/机器学习将通过学习模式和灵活适应某些通信场景(如学习预期的通信业务和规划),实现通信网络的自适应配置和管理。太赫兹无人机网络也可采用类似方法,基于AI/机器学习技术,蜂群中的无人机可对各自位置进行最优调整以便在通信无人机之间路由并维持Tbps链路。

    4.1 信道估计

    如前所述,由于太赫兹频段吸收损耗大、传播损耗高以及信道为非平稳信道,因此传统准平稳或平稳信道模型假设可能不适用于太赫兹频段信道。具体来说,在机动无人机场景中,太赫兹频段信道估计更具挑战性,需要精确的信道状态信息(CSI)(如在波束形成中)。因此,需要重新研究传统信道估计方法。

    总体而言,为降低太赫兹信道估计的复杂度,可采用的技术包括压缩感知、基于快速信道跟踪的算法等。这里,基于机器学习的算法可以通过预测某一未知信道中的太赫兹信号损失来评估太赫兹频段通信数据。有各种基于人工智能或机器学习的算法适用于6G无线网络的物理层,用于解决太赫兹信道模型和估计问题。

    监督学习(SL)可以帮助预测太赫兹阴影和路径损耗。此外,监督学习还可用于定位、信道估计、干扰管理等。可用的监督学习模型和算法包括K-近邻(KNN)、支持向量机(SVM)、前馈神经网络和径向基函数神经网络等。太赫兹信道建模和估计的各种挑战包括多径跟踪、干扰缓解、节点聚类、调制优化等。这些挑战可以通过无监督学习(UL)技术解决,例如模糊C均值、K均值、聚类算法等。深度学习(DL)(包括监督学习和无监督学习)可用于信道建模的许多方面,如信号探测和信道状态信息(CSI)估计。包括深度神经网络(DNN)、递归神经网络(RNN)、卷积神经网络(CNN)在内的技术预期可成为合适的候选深度学习算法。强化学习(RL)可用于信道选择和跟踪、无线电频段识别、调制模式选择等。合适的强化学习模型和技术包括Q学习、模糊强化学习等。

    最后,基于学习的太赫兹信道估计方案十分高效,特别是在更高维度。作为深度核学习的一个例子,有研究将高斯过程回归用于太赫兹频段(0.06~10THz)UM-MIMO多用户系统的信道估计。上述AI/机器学习技术是针对海平面6G无线通信和网络提出的。因此,考虑到通信无人机的特征,即机动性、能量受限等,需要专门为太赫兹无人机网络和DSN定制以上AI/机器学习技术。

    4.2 超大规模多输入多输出(UM-MIMO)

    在UM-MIMO中,机器学习可用于多种用例。例如,当现有模型错误,和/或其只是实际模型的稀疏近似时。这种情况可能出现在线性信道模型中,其中忽略了某些实际情况和硬件引起的非线性因素。另外,机器学习还可用于改进由线性模型的近似得到的解。当优化解决方案的计算成本高,即对于最先进的硬件不可行时,可能在UM-MIMO中采用基于机器学习的解决方案。这里,机器学习可以有效用于寻找性能明显更低/可接受但复杂度较低的次优解。这方面的例子包括信道估计、最大似然检测等。此外,可以通过机器学习技术来实现UM-MIMO的最佳频谱利用率。

    4.3 移动边缘计算

    移动边缘计算(MEC)近期成为5G网络技术之一,MEC中,类似云计算功能在蜂窝网络边缘进行处理。MEC可配备处理能力受限的无人机等移动设备,将其处理任务移交给最近的网络边缘。相反,在太赫兹DSN中,移动用户设备可以将其计算成本高昂的工作卸载到具有MEC功能的服务无人机上。实现零星访问的低延迟系统,如信息物理通信系统(也称为触觉互联网),需要实现毫秒以下延迟来控制盘旋物体(本文指无人机)。据预测,物理层上传输方法将与边缘计算(如MEC)或通信网络附近的实时云计算相关联。主要目标是为不断发展的物联网协议提供资源/解决方案,物联网包括大量资源和存储需求受限(如在无人机网络中)以及有一定延迟要求的互连设备。为了克服这些限制,全球6G研究正在向分布式计算技术(这里是MEC)发展。例如,利用AI/机器学习,使用深度神经网络,可以使用无人机初步提取特征,然后在网络边缘中继,用于后续处理。这里,将大量数据中继到MEC网络边缘可高度运用太赫兹频段。此外,为了将大量计算智能卸载到网络边缘,同时考虑到无人机移动性影响,将需要用于太赫兹无人机网络和DSN的新型高效能MAC协议。

    结 语

    本文总结了太赫兹无人机网络和无人机传感网络(DSN)各种可能现实应用的主要特征,讨论了太赫兹无人机网络和DSN的主要挑战和研究方向,强调了基于人工智能/机器学习的解决方案。太赫兹赋能DSN将成为未来6G非地面网络不可分割的一部分。为开发和验证所有层的太赫兹频段解决方案,用于真实试验的新型测试平台必不可少。此外,随着向海平面实用太赫兹收发机的发展,考虑到无人机的高度移动性、电池限制下的UM-MIMO和尖锐太赫兹波束,需要用于无人机的新型太赫兹收发机来实现6G通信。目前,相关研究大多局限于300~650GHz的近太赫兹传输窗口,而未来需要的将是实际运行于太赫兹载波频率(0.1~10THz)的无线系统。此外,未来研究还应关注太赫兹频段标准化和规范。

 
 

    太赫兹研发网    太赫兹科学与技术在线杂志    电子学会太赫兹分会 打印本页 | 关闭窗口

版权所有© 2006-2022 太赫兹研发网 www.thznetwork.org.cn
网站地址:四川省成都市成华区建设北路二段四号 邮编:610041