摘要:
雾无线电接入网络适合用于广域范围内的诸如管线管网监测等国家重要行业的物联网应用场景。然而基于地面雾接入节点的网络将受到环境、地形等影响，无法及时有效地提供雾接入服务。利用低空无人机作为雾接入点实现空地的边缘通信和雾计算方面引起了普遍的关注。本文探讨怎样利用深度增强学习来提高无人机雾接入点的能效，延长无人机的任务时间。深度增强学习可以保障无人机雾接入点及时地调整空地通信和计算的配置策略，包括资源优化、动态任务卸载以及缓存，也可以优化无人机在三维空间中的飞行航迹，提高无人机赋能的雾无线电接入网络的总体性能。研究的创新性在于综合论述了深度增强学习用于无人机赋能的雾无线电接入网络要解决的主要优化问题，并且总结了解决相关优化问题的技术细节，最后对深度增强学习应用于无人机赋能的雾无线电接入网络的技术挑战和未来研究方向展开讨论。
关键词：无人机 ; 雾无线电接入网络 ; 深度增强学习 ; 航迹规划 ; 网络配置
1 引言
雾无线电接入网络（F-RAN, fog radio access network）首次于2014年6月在下一代移动网络论坛上被提出。在雾无线电接入网络中，着重讨论利用边缘设备，如移动边缘服务器、设备到设备（D2D）通信的用户终端，构架分布式的通信和计算框架。这些边缘设备都可以作为雾接入点（F-AP）为周围本地设备（如物联网终端）提供通信和计算服务。具体来讲，在雾无线电接入网络中，本地设备可以卸载通信、计算、存储以及网络功能到附近的雾接入点来拓展自身的处理能力，并且不依靠中心云，通过协作的方式来处理通信和计算任务。雾无线电接入网络可以节约后传网络的数据传输量