利用空中分布式通信与智能反射表面实现无人机支持网络中的智能资源管理

为难以触达的地方带来可靠的无线服务

随着从农田土壤探测器到工厂机器人等联网传感器和设备在世界各地激增，连接它们的无线网络正面临压力。本文探讨了一种新的方式，通过空中中继和建筑物上的智能反射面，并由学习算法协调，来维持数十亿小型设备的在线状态。其结果是一个既能扩展覆盖、加快数据传输，又能同时节能的网络。

为何现有网络难以满足需求

传统蜂窝网络并非为大量分布在城市、乡村和灾区的低功耗设备设计。信号覆盖存在盲区，邻小区间的干扰常见，且能耗高。许多物联网设备位于地下室、厚重墙体之后或偏远田野，信号微弱。与此同时，作为移动空中中继的无人机（UAV）和能够将无线电波朝选定方向反射的智能反射表面（IRS）已分别显示出提升无线性能的潜力。然而，大多数早期研究将这些组件孤立地考虑，缺乏实时协同的一体化方法。

空中的新型天线云

作者提出了一种“空域无小区”（cell-free）网络架构，摒弃了僵化的小区边界。用户不再被绑定到单一基站，而是由多个小型接入点协同服务。在该系统中，地面接入点、空中无人机和墙体安装的反射面共同在设备周围形成一个灵活的网络。中央基站发送的无线信号不仅承载数据，还可对无人机进行无线充电。无人机作为空中中继，而反射面则将信号弯曲并聚焦到难以触达的角落，帮助本来会处于死区的传感器接入网络。

教会网络自适应

协调无人机的飞行路径、基站的发射功率、哪个接入点服务哪个设备以及每个反射面如何指向信号，是一项复杂的调度工作。传统优化方法在环境快速变化时难以应对，例如无人机移动或障碍物阻挡信号时。为了解决这一问题，作者将该问题表述为一个学习任务。他们使用强化学习，网络通过反复尝试不同配置，并根据在三个方面的表现——数据速率、覆盖率和能耗——获得“评分”。随着时间推移，简单的Q学习算法学会哪些选择更可能带来更好的整体效果，并逐步优化调整功率、飞行路径和反射方向的策略。

在仿真测试中的系统表现

研究团队构建了对一个500×500米区域的详尽仿真，包含多架无人机、反射面、接入点和数十个物联网设备。他们引入了部分视距、随机衰落和不完美信道知识等现实无线效应，以及无人机高度、能量和总功率的限制。然后将基于学习的方法与几种已知基准进行比较：两种经典优化方法和两种流行的深度强化学习方法。在广泛情景下，所提出的方法持续提供更高的总数据吞吐量、以所需的最低数据速率覆盖更多设备，并且能耗更低。例如，与表现最佳的竞争方法相比，所提方法使总吞吐量提升约15%，覆盖率提高约6%，能耗降低约5%。

协同作用：无人机与智能反射面

仿真还显示了系统各组件如何互补。当无人机数量较少时，学习算法更依赖反射面，通过调整其行为将信号引导到阴影区域，而无需让无人机做过多移动。随着无人机数量增加，学习到的策略开始重新布置无人机以打开更清晰的路径并缩短链路，同时反射面对信号路径进行微调。这种分工使网络在硬件资源有限时仍能达到接近最优的性能，这在成本敏感或监管严格的环境中尤为重要。

对未来互联世界的意义

简而言之，该研究表明，让网络通过“边做边学”可以使空中中继和智能墙面协同工作得比人工设计规则更高效。由无人机、分布式接入点和智能反射器组成、并由强化学习引导的组合，为密集城市、偏远乡村和灾区提供稳健且兼顾能效的连接路径。尽管这项工作基于仿真并仍依赖简化的信道模型，但它指向了未来6G式网络的方向：在那种网络中，建筑、无人机和基础设施可作为可编程的环境，智能地弯曲无线电波以保持一切互联。

引用: Wu, H., Gu, F., Lu, H. et al. Intelligent resource management in UAV-enabled networks using cell-free communications and intelligent reflective surfaces. Sci Rep 16, 12900 (2026). https://doi.org/10.1038/s41598-026-43358-2

关键词: 无人机无线网络, 智能反射表面, 空域无小区通信, 强化学习, 物联网