Deep learning-based UAV-assisted multi-user massive MIMO for enhanced coverage and capacity

Cette thèse examine l'utilisation des véhicules aériens sans pilote (UAV), communément appelés drones, dans les réseaux de communication Internet des objets (IoT) à entrées multiples et sorties multiples massives (mMIMO). En particulier, nous explorons un scénario complexe où un UAV agit comme un relais de décodage et de retransmission (DF) entre une station de base (BS) et divers utilisateurs IoT distants. En raison de blocages sévères, la station de base n’a pas d’accès direct aux utilisateurs IoT, et le seul moyen de communication entre la station de base et les utilisateurs IoT est l’UAV. Nous utilisons une architecture de formation de faisceaux hybride (HBF), composée d’un étage radiofréquence (RF) et d’un étage de bande de base (BB), pour surmonter l’atténuation importante dans le modèle de canal à ondes millimétriques (mmWave), considéré pour les deux liaisons. Plus précisément, notre objectif est de maximiser le débit total réalisable (AR) de la station de base vers les utilisateurs IoT. À cette fin, nous considérons diverses solutions basées sur l'apprentissage profond (DL) pour trouver des solutions quasi-optimales au problème d'optimisation de l'emplacement de l'UAV et de l'allocation de puissance (PA), tout en maintenant une complexité raisonnable pour les applications en temps réel. Tout d'abord, nous proposons une nouvelle approche basée sur l'apprentissage supervisé profond (DSL), à faible complexité, pour résoudre le problème conjoint d'emplacement de l'UAV et d'allocation de puissance (PA). La solution proposée comprend deux phases principales : (1) une phase d'apprentissage supervisé hors ligne et (2) une phase de prédiction en ligne de l'emplacement de l'UAV et de l'allocation de puissance. Lors de la phase hors ligne, un réseau neuronal profond (DNN) est entraîné à l'aide de données générées par optimisation par essaims particulaires (PSO). Les résultats numériques montrent que l'approche basée sur le DSL proposée atteint des performances similaires à la solution basée sur le PSO tout en réduisant considérablement le temps d'exécution. Deuxièmement, nous étendons la solution pour prendre en compte un environnement dynamique où les utilisateurs IoT peuvent changer leur emplacement. Pour cela, nous proposons un cadre basé sur l'apprentissage par renforcement profond (DRL), en particulier la méthode de gradient de politique déterministe profonde (DDPG) avec un espace d'actions continu, pour le déploiement de l'UAV dans des environnements dynamiques et statiques. Les résultats montrent que le déploiement d'UAV basé sur le DDPG atteint des performances comparables à la solution basée sur le PSO tout en réduisant significativement le temps d'exécution. De plus, les résultats révèlent que la solution basée sur le DSL est moins efficace dans des scénarios dynamiques et complexes.Troisièmement, pour simplifier davantage la solution dans des environnements dynamiques, nous proposons une méthode de déploiement d'UAV basée sur un codebook DDPG à faible complexité, qui fonctionne en deux phases : (1) une phase d'entraînement d'agent hors ligne et (2) une phase de déploiement d'UAV en ligne. Les résultats montrent que cette approche basée sur un codebook réduit le temps d'exécution de la solution standard basée sur le DDPG tout en maintenant des performances quasi-optimales. En outre, nous démontrons que le déploiement de plusieurs UAV peut améliorer la couverture et la capacité du réseau, permettant de prendre en charge un plus grand nombre d'utilisateurs IoT

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.