Geometry-Aware DRL for Multi-Subband Scheduling in Satellite-Assisted UAM Networks

Stellen Sie sich den Himmel über einer geschäftigen Stadt nicht nur als leeren Raum vor, sondern als eine belebte Autobahn der Zukunft. Hier sausen elektrische Lufttaxis und Lieferdrohnen zwischen den Dächern hindurch und transportieren Passagiere und Pakete in einer neuen Ära des städtischen Reisens, die als Urban Air Mobility bekannt ist. Damit diese Maschinen sicher fliegen können, benötigen sie ein ständiges, ununterbrochenes Gespräch mit dem Boden. Sie benötigen drahtlose Signale, die so zuverlässig wie ein Herzschlag sind, um Navigationsbefehle zu empfangen und Daten zurückzusenden. Doch die Luft ist ein chaotischer Ort für Radiowellen. Im Gegensatz zu einem Auto auf einer Straße bewegt sich ein Fluggerät in drei Dimensionen und verändert ständig seinen Winkel und seine Entfernung zu den Bodentürmen, die das Signal senden. Während diese Fahrzeuge aneinander vorbeizischen, können sich ihre Signale überschlagen und ein statisches Chaos erzeugen, das die Kommunikation zu unterbrechen droht. Die Herausforderung für Ingenieure besteht darin, dieses Gespräch klar zu halten, selbst wenn sich die Verkehrsmuster jede Sekunde ändern.

Um dies zu lösen, haben Forscher einen neuen Weg entwickelt, um das drahtlose Netzwerk zu verwalten, das diese fliegenden Fahrzeuge unterstützt. Sie haben ein System geschaffen, das wie ein superintelligenter Verkehrskontrolleur fungiert, aber statt Autos leitet es Radiosignale. Dieses System verwaltet ein Netzwerk, in dem bodengestützte Türme und ein Satellit zusammenarbeiten, um die Fluggeräte zu bedienen. Die Bodentürme nutzen fokussierte Funkwellenstrahlen, ähnlich wie Scheinwerfer, um mit spezifischen Fahrzeugen zu kommunizieren. Der Satellit stellt einen Backup-Kanal auf einer anderen Frequenz bereit, der bereit ist, einzuspringen, falls die Bodensignale zu überlastet oder blockiert sind. Die Kernschwierigkeit liegt in der Geschwindigkeit und Komplexität der erforderlichen Entscheidungen. Das System muss augenblicklich entscheiden, welcher Turm mit welchem Fluggerät spricht, welchen Teil des Funkfrequenzspektrums es nutzt und wie viel Leistung es sendet – und das alles, während sich die Fluggeräte mit hoher Geschwindigkeit bewegen. Wenn das System zögert oder eine schlechte Wahl trifft, könnte die Verbindung abreißen oder die Signale könnten sich gegenseiten stören, was zu einem Datenverlust führt.

Die Forscher gingen dieses Problem an, indem sie einem Computer beibrachten, den besten Weg für diese Entscheidungen zu erlernen, anstatt ihn mit starren Regeln zu programmieren. Sie nutzten eine Methode namens Deep Reinforcement Learning, bei der ein künstlicher Intelligenz-Agent in einer simulierten Welt übt, Entscheidungen zu treffen, und dabei aus seinen Erfolgen und Misserfolgen lernt. Die entscheidende Innovation ihrer Arbeit liegt darin, dass die KI beigebracht wurde, auf die Geometrie der Situation zu achten. Sie schaut nicht nur darauf, wo sich die Fluggeräte befinden; sie versteht, wie deren Positionen und Geschwindigkeiten im Verhältnis zu den Türmen Interferenzen erzeugen. Das System lernt vorherzusagen, wie die Bewegung eines bestimmten Fluggeräts die Signalqualität seiner Nachbarn beeinflussen wird, was es ermöglicht, proaktive Anpassungen vorzunehmen. Dieser Ansatz unterscheidet sich von älteren Methoden, die ein Fluggerät vielleicht einfach mit dem nächstgelegenen Turm verbinden oder die Verbindung basierend auf einer einfachen Momentaufnahme der aktuellen Situation wechseln würden. Indem es den zukünftigen Pfad des Fluggeräts und das komplexe Geflecht aus Interferenzen berücksichtigt, kann die KI eine Sequenz von Verbindungen planen, die über die Zeit stabil bleibt.

In ihren Simulationen testeten die Forscher dieses neue System in verschiedenen Szenarien, die von einem kleinen Netzwerk aus vier Türmen, die zwanzig Fluggeräte bedienen, bis hin zu einem größeren Aufbau mit sieben Türmen und fünfzig Fluggeräten reichten. Sie verglichen ihre geometrie-bewusste KI mit mehreren anderen Methoden, einschließlich traditioneller Algorithmen und anderer Arten von Lernmodellen, die die spezifischen räumlichen Beziehungen zwischen den Fluggeräten nicht berücksichtigten. Die Ergebnisse zeigten, dass ihr System, das sie GeoSetPPO nannten, die anderen Methoden konsequent übertraf. Es erreichte höhere Gesamtdatenraten, was bedeutet, dass die Fluggeräte mehr Informationen schneller empfangen konnten. Viel wichtiger war, dass es weniger „Ausfälle“ produzierte, also Momente, in denen die Verbindung zu schwach war, um nützlich zu sein. Das System war besonders effektiv beim Management der komplexen Interferenzen, die auftreten, wenn mehrere Fluggeräte nah beieinander fliegen – ein Szenario, mit dem andere Methoden oft zu kämpfen hatten.

Die Studie hob auch die Effizienz des neuen Ansatzes hervor. In der größeren Netzwerksimulation sank die Zeit, die das System für eine Terminierungsentscheidung benötigte, drastisch. Während ein vorheriger algorithmusbasierter Ansatz über vierzig Millisekunden benötigte, um zu entscheiden, wie die Signale geroutet werden sollen, traf das neue KI-System dieselbe Entscheidung in weniger als drei Millisekunden. Diese Geschwindigkeit ist entscheidend für reale Anwendungen, bei denen Verzögerungen kumulieren und Probleme verursachen können. Darüber hinaus erwies sich das System als robust; selbst als die Forscher kleine Fehler in die Daten über die Position und Geschwindigkeit der Fluggeräte einführten, um die Unvollkommenheiten realer Sensoren nachzuahmen, blieb die Leistung der KI stabil. Sie benötigte kein perfektes Wissen über die Umgebung, um effektiv zu funktionieren, was darauf hindeutet, dass sie das chaotische Geschehen in einer geschäftigen Stadt bewältigen kann.

Die Forscher untersuchten auch, wie das System den Übergang zwischen den Bodentürmen und dem Satelliten handhabt. Indem sie der KI erlaubten zu entscheiden, wann ein Fluggerät auf die Satellitenverbindung umgeschaltet wird, konnte das System die Überlastung des Bodennetzwerks lindern. Die Simulationen zeigten, dass die KI lernte, die Satellitenebene strategisch zu nutzen, indem sie Fluggeräte erst dann dorthin bewegte, wenn es die Gesamtleistung des Netzwerks verbesserte, anstatt sie unnötigerweise hin und her zu wechseln. Diese Fähigkeit, die Last zwischen der Boden- und der Weltraumebene auszubalancieren und gleichzeitig die störenden „Handover“-Prozesse zu minimieren, die beim Wechsel einer Verbindung auftreten, war ein bedeutender Befund. Das System lernte, die Verbindungen stabil zu halten und das zittrige Umschalten zu vermeiden, das die Dienstqualität verschlechtern kann.

Letztendlich zeigt diese Arbeit, dass künstliche Intelligenz trainiert werden kann, um die komplexen, dreidimensionalen Funknetzwerke zu verwalten, die für den zukünftigen urbanen Flugverkehr erforderlich sind. Indem sie dem System beibrachten, die physische Anordnung des Himmels und das Verhalten der Fluggeräte innerhalb dessen zu verstehen, schufen die Forscher einen Scheduler, der schneller, zuverlässiger und effizienter ist als aktuelle Methoden. Die Ergebnisse legen nahe, dass solche intelligenten Managementsysteme essenziell sein werden, um die Verbindung zu halten, während die Urban Air Mobility wächst, und um sicherzustellen, dass das Versprechen von Flugtaxis und Drohnen ohne den Verlust der lebenswichtigen Verbindung zum Boden eingelöst werden kann. Die Simulationen bieten eine starke Grundlage für die Annahme, dass diese Netzwerke reibungslos funktionieren können, selbst wenn die Anzahl der Fluggeräte steigt und die Bewegungsmuster immer komplexer werden.