无人机辅助网络中的机器学习技术

无人机辅助网络中的机器学习技术阿尔章·沙赫巴济引用此版本：阿尔章·沙赫巴兹。无人机辅助网络的机器学习技术。机器学习[cs.LG].巴黎萨克雷大学，2022年。英语NNT：2022UPASG076。电话：03889218HAL Id：tel-03889218https://theses.hal.science/tel-038892182022年12月7日提交HAL是一个多学科的开放获取档案馆，用于存放和传播科学研究文件，无论它们是否已这些文件可能来自法国或国外的教学和研究机构，或来自公共或私人研究中心。L’archive ouverte pluridisciplinaire这些博士NNT：2022UPASG076无人机辅助网络中的机器学习技术自动化学徒技术Par Drone巴黎萨克雷大学博士论文第580号信息科学与技术博士学校和通信（STIC）博士专业：网络、信息和通信研究生院：巴黎萨克雷大学Thèse préparée dans la unité de rechercheUniversité Paris-Saclay，CNRS，CentraleSupélec，Applatoire des signaux etsystèmes，91190，Gif-sur-Yvette，France，sous la direction deMarco DI RENZO，Directeur de recherche CNRS，la co-supervision dePetar POPOVSKI，Université d'Aalborg，la co-supervision de Ioannis KRIKIDIS，UniversitéUniversité de ChypreThèse présentée et soutenue à Paris-Saclay，le 21 novembre 2022，par阿尔章·沙赫巴齐陪审团组成陪审团成员的自由发言Jalel Ben Othman总统法国巴黎第十三大学莉娜·姆鲁埃·拉波特里切ISEP，法国Trung Duong特别报告员英国贝尔法斯特皇后大学Toktam MahmoodiExaminatriceSchoolseure，英国伦敦国王AlessioZappone意大利卡西诺大学标题：TechniquesMots clés：Réseaux cellulaires，Systèmes de communication sans fil，Véhicule aérien sans pilote，Apprentissage automatique ， Apprentissage par renaissance ， Communication radar à doublefonaires.Résumé： de cette 忒塞 Lyse et l'optimization au niveau du système. 加上 这是一种改进、精确评估性能的新算法，它基于对ré- prentissage系统的改进和优化，旨在最大化利用人工智能实现无人机的认知能力的prochaine génération équipés du système的débit seaux cellaires。在可能出现 外 部 应 用 的 情 况 下 ， 需 要 采 用 检 测 和 网 络 技 术 。 Un cadre d'Aptissage fédéré a étécommunication intégrées est étudiée pour être ap- introduit pour trouver une planification optimalepliquée aux futurs réseaux sans fil des drones.在具有一个特定代理的格式中，在通过加强对控制无人机通用操作的不同预先设置的技术中，支持使用一种技术来进行深入的分析，这使得这种分析变得更加快速和一致。无人驾驶飞机自动驾驶系统的新干部的性能测试表明，这些系统的潜在能力与通信系统定位的潜在能力有关，因此可以利用这些系统进行通信标题：无人机辅助网络的机器学习技术关键词：蜂窝网络，无线通信，无人机，机器学习，强化学习，双功能雷达通信。翻译后摘要：本论文的主要重点是层次分析和优化。更具体地说，提出了一种建模、性能评估和系统级新的基于学习的算法，以通过利用由无人机（UAV）授权的关于用户在网格中存在的可能性的先验知识来最大化下一代蜂窝网络的系统吞吐量。机器学习（ML）此外，联邦学习（FL）框架引入了新兴的集成传感技术，并通过训练通信来找到最优路径规划，研究了在不同环境下的无人机无线网络中应用RL算法的代理。 特别是，为了实现泛化和快速收敛，需要对强化学习（RL）技术进行设置。为了控制无人机的行动，本文开发了一种新的ML框架的双功能雷达通信集，研究了DFRC系统的性能，并通过联合优化，如通信系统吞吐量和通信系统吞吐量以及定位误差，显示了DFRC系统对RL代理的重要性能指标的潜在好处。其可用于系统误差。45材料桌1导言. 71.1下一代无人机通信移动网络。- 是的- 是的- 是的- 是的- 是的- 是的- 是的- 是的- 是的-是的91.2机器学习和人工智能用于5G之后的无人机网络101.3论文概述和主要贡献111.4出版物122下一代蜂窝通信的无人机-简介152.15G及以后的无人机空中基站172.1.1无线蜂窝网络的覆盖和容量增强2.1.2无人机作为灾害情景下的飞行基地2.1.3无人机辅助地面信息传输2.1.4三维无人机网络中的MIMO和毫米波通信2.1.5无人机和物联网通信212.1.6UAV基站222.1.7作为用户设备的232.1.8使用无人机飞行Ad-Hoc网络232.1.9无人机空对地信道建模2.2结论253无人机无线网络3.1无人机的机器学习：简介3.2无人机的监督和无监督学习303.2.1监督学习概述303.2.2无监督学习概述313.2.3ML实现的实际问题323.3无人机强化学习：概述333.3.1深度强化学习（DRL）343.3.2Q-Learning353.3.3Q-Learning概述353.3.4更新第36条3.3.5勘探/开发权衡363.3.6RL36的局限性3.3.7无人机联合学习3763.3.8无人机的迁移学习3.4结论404移动用户基于学习轨迹的吞吐量最大化414.1导言. 434.2系统型号444.3基于学习的轨迹设计464.4数字结果494.5结论515联邦强化学习无人机轨迹设计用于地面用户5.1一、导言. 555.2系统型号565.3方法585.4联邦学习595.5数字结果615.6结论626无人机辅助双功能雷达通信网络的多目标轨迹设计：强化学习方法6.1一、导言. 656.2系统型号686.2.1渠道模型686.2.2功耗Model716.3问题表述726.4计算定位误差746.5第76章6.5.1建议的RL框架786.6数值结果806.7结论847结论857.1结论86...............................................................................................................................................7.2未来的工作887.2.1机器学习辅助无线网络887.2.2未来网络中的联合学习907.2.3可重构智能表面8Synthèseen français10171 - 导言8本章从第1.1节开始，介绍了下一代无人机通信网络的潜在推动因素以及相应的研究挑战。第1.3节介绍了本文的主要贡献和论文的组织结构。第1.4节提供了我在博士学位期间发表候选人资格索迈尔1.1下一代无人机通信移动网络策略。 . . . . . . - 是的- 是的91.2机器学习和人工智能适用于5G之后的101.3论文概述和主要贡献111.4出版物1291.1 .下一代无人机通信移动网络策略近年来，在设计和改进不同尺寸、形状和通信能力的无人机（UAV）方面取得了快速进展。无人机可以通过附加的微处理器自主移动，或者可以在不带任何人员的情况下从远处操作由于它们的适应性，易于安装，维护成本低，多功能性和相对较小的运营成本，无人机的使用支持商业，军事，民用，农业和环境应用的新方式，例如边境监视，自组织网络中继，管理野火，灾害监测，风力估计，交通监测，遥感以及搜索和摧毁行动。这些应用中的许多需要单个UAV系统，而其他应用如危险环境的区域监测需要多UAV系统。虽然单个无人机系统已经使用了几十年，但通过运行和开发一个大型无人机，利用一组小型无人机具有许多优势。在单架无人机系统中，每架无人机作为一个孤立的节点，只能与地面节点进行通信。因此，UAV通信系统仅通过UAV到基础设施的通信来建立与多无人机系统相比，单无人机系统的能力受到限制，多无人机系统具有许多优点。首先，任务主要是以较低的成本完成的多无人机系统。此外，无人机的协同工作可以提高系统的性能。此外，如果UAV在多UAV系统中的任务中失败，则操作可以继续与其他UAV一起存在，并且任务通常在多UAV系统中更迅速和有效地多架无人机可用于成功和高效地完成由于它们的能力、飞行时间和有限的有效载荷。为了实现合作，通信和网络对于组织多个无人机并实现自主无人机网络至关重要此外，来自多个UAV的Ad hoc网络可以是一种可能的通信方法。在自组织无人机网络中，只有部分无人机连接到地面基地，但所有的无人机组成一个自组织网络。在这些系统中，无人机能够与其他无人机和地面基地进行通信。无人机自组织网络可以看作是移动自组织网络（MANET）和车载自组织网络（VANET）的一种特殊结构。事实上，无人机网络有一些区别于现有的Ad hoc网络的特点。无人机网络中的节点具有高度移动性的特点。VANET和MANET节点是汽车和步行 无人机在他们头顶的天空中飞行。无人机的高移动性影响网络拓扑结构，与MANET或VANET的拓扑结构相比，网络拓扑结构变化更频繁。 此外，MANET和VANET的任务是建立对等连接。无人机网络还需要点对点连接，以保证无人机之间的协调和协作在10在大多数情况下，无人机收集数据并将其转发到地面站。因此，必须确保UAV到UAV通信和UAV到基础设施通信正常运行。因此，无人机网络应同时建立对等通信和汇聚投播业务。此外，无人机之间的距离比MANN和VANNN中的节点长得多。因此，为了在无人机之间建立稳定的通信链路，有必要扩大其通信范围。多无人机系统设计中最重要的问题之一是通信问题，它是多无人机之间协调与协作的基础无人机可以用于空中传感器网络，其中它们由分配在不同区域的多个数据源组成，其中无人机节点用于收集信息。它可能包含不同类型的传感器，并且每个传感器可能需要不同的数据传输方法。如果需要使用不同的传感器，它们将被装载在不同的无人机上，例如，一架无人机可以装载红外摄像机，而另一架无人机配备高分辨率摄像机。此外，无人机网络具有各种挑战性的系统参数，如有限的带宽，高移动性，不规则的连接，有限的传输范围，和不确定的噪声信道。这些挑战在ad hoc多跳环境中引入了不同的问题，例如，要保持两个无人机移动之间的传输距离就非常苛刻 以非常高的速度向相反的方向移动。由于上述问题，有必要对无人机通信系统进行更多的研究和深入调查。随后，本文的目标之一是认识到无人机网络的挑战和设计特点和限制。最后，我们调查的基本需求和功能的无人机为基础的系统中的通信，我们提出了各种解决方案，可用于无人机通信系统。1.2 .机器学习和人工智能用于5G在实践中，蜂窝连接的无人机将导致各种新的应用用例，然而，为了从这些系统中获得益处，需要认识到这些应用中的每一个的不同的独特通信和安全挑战。为此，基于机器学习（ML）的解决方案技术被认为是解决蜂窝连接无人机挑战的强大工具。应该提到的是，这些挑战也可以在不同的层面上解决，例如物理层和3D覆盖增强。在这方面，基于ML的方法可以帮助满足蜂窝连接的UAV的技术挑战，同时实现网络设计的新改进。尽管有许多方法可以解决上述挑战，但我们专注于机器学习解决方案，因为它们具有内置的预测能力11未来的网络状态，因此允许无人机以在线方式调整网络的动态性和具体来说，ML方法允许无人机将其观察结果概括为隐藏的网络状态，并可以扩展到大型网络，从而使其适合无人机应用。此外，对于这种基于UAV的应用，能量效率和计算能力是主要的设计限制。因此，本论文的主要范围是指出人工智能在各种系统配置下为蜂窝连接无人机带来的优势。UAV系统的一个重要方面是在每个时刻沿着其对应的轨迹保持UAVs的可靠的蜂窝连接性，同时还最小化执行其目标所需的时间。例如，一架运载无人机必须沿其路径保持最小信噪比（SNR以确保用于其控制信息的可靠通信链路。这通常取决于UAV的位置、小区关联、发射功率以及服务地面用户的位置。因此，无人机系统面临的一个关键挑战是优化无人机尽管集中式方法可以更新每个UAV的轨迹计划，但这将需要对UAV进行实时跟踪，并且控制信号在所有时刻都被发送到UAV。此外，集中式方法获得高往返延迟，并且需要中央单元来获得当前网络状态的全部知识为了克服这些挑战，可以实现在线边缘算法，这些算法必须由每个UAV单独运行，以规划其相应的未来路径。在这方面，卷积神经网络（CNN）可以与基于UAV级的递归神经网络（RNN）的深度强化学习（RL）算法相结合，从而产生CNN-RNN技术。上述算法表现出动态的时间行为，其特征在于其自适应记忆，这使其能够收集必要的先前状态信息，以估计每个UAV的未来步骤。同时，CNN主要用于图像识别，因此可以通过从输入图像中提取特征来识别UAV的环境。例如，CNN可以帮助无人机识别地面基站、地面用户和网络中其他无人机的位置。然后，这些提取的特征被馈送到深度RNN，该深度RNN可以被训练以学习UAV的未来步骤的优化序列1.3 . 论文概述及主要贡献在本论文中，基于上述即将到来的5G和超越5G的研究挑战，我们研究了使用机器学习的12(ML)方法.特别是，我们解决了无人机路径规划的问题，同时优化各种系统参数。特别是，我们利用强化学习（RL）来寻找可以实现特定系统目标的轨迹。本文的主要贡献如下：— 本文详细介绍了无人机在无线网络中的应用我们调查了无人机的主要用例，并探讨了关键挑战和应用。此外，本文详细探讨了一种新的研究方法，其中ML方法应用于改善无人机网络的性能。我们提供了RL的概述和联邦学习（FL）的基础。— 本文介绍了一个框架，这是基于移动用户在网格中的存在的可能性，相对于他们的概率分布。我们建立了一种新型的无人机辅助通信系统模型，该系统依赖于无人机的最短飞行路径，同时最大限度地提高传输到移动设备的数据量。我们使用的方法是深度强化学习技术，用于寻找轨迹，以最大限度地提高地面移动用户的吞吐量。数值结果突出了我们的方法如何在实现的吞吐量，轨迹和复杂性之间取得平衡— 本文提出了一种利用接收信号强度（RSS）和无人机作为空中锚点对地面目标进行定位的方法。我们引入了一个新的框架，基于FL，包括多个无人机训练，在不同的环境设置找到最佳路径，从而导致更快的收敛RL模型的最小定位误差。— 本文研究了无人机网络中的双功能雷达通信（DFRC）问题，即一架无人机同时为一组通信用户提供服务并对地面目标进行定位。为了平衡通信和定位性能，本文通过求解多目标优化问题来联合优化通信系统的吞吐量和定位误差，并在特定的任务持续时间内，该任务持续时间受到无人机能量消耗和飞行时间的限制。为此，我们引入了一个新的框架的基础上（RL），让无人机自主优化其路径，从而提高定位精度和最大限度地提高传输比特的数量。1.4 . 出版物— 期刊论文以下是根据本论文的研究成果在参考期刊上发表的论文列表。这篇期刊论文被用作本论文的基础— （J）Arzhang Shahbazi，Christiane Masouros and Marco Di Renzo.“无人机辅助双功能雷达通信的多目标优化13网络：一种强化学习方法”翻译后摘要：在本文中，我们探讨了最大化的通信吞吐量和最小化的定位误差在一个双功能雷达通信（DFRC）在无人机（UAV）网络，其中一个单一的无人机服务于一组通信用户，同时定位地面目标的最佳轨迹。为了平衡通信和定位性能，我们建立了一个多目标优化问题，以联合优化两个目标：发送给用户的传输比特数最大化和在特定任务周期内对地面目标的定位误差最小化，该任务周期受到无人机能量消耗或飞行时间的限制这两个目标是相互冲突的，并给出了权重参数来描述相关的重要性。因此，在这种情况下，我们提出了一种新的框架的基础上强化学习（RL），使无人机自主找到其轨迹，从而提高定位精度和最大化的传输位数在最短的时间相对于无人机的能量消耗。我们证明，该方法提高了平均传输比特显着，以及网络的定位误差。— 会议论文以下是参考会议的出版物列表。论文的主要研究成果所引发的诉讼会议论文[1]包含本论文中未提出的材料— （C1）Arzhang Shahbazi和Marco Di Renzo。“在阻塞情况下无人机蜂窝通信的最佳高度分析。2021 IEEE第四届5G世界论坛（5GWF）。IEEE，2021年。翻译后摘要：在本文中，提出了一种新的框架中断概率分析组成的无人机（UAV）基站和地面用户，其中包括阻塞模型的视线（LoS）和非LoS（NLoS）的概率和一个易于处理的方法基于随机几何。具体地，引入三维（3D）LoS球模型来获得概率传播无人机通信系统。通过利用该模型，推导出一个易于处理的表达式的信噪比（SNR）中断概率。该方法得到了无人机最优飞行高度的解析表达式，进而研究了阻塞高度、密度和阻塞仿真实验验证了该方法的有效性和准确性—（C2）Arzhang Shahbazi和Marco Di Renzo。“学习型的地方，无人机网络14工程. 2021 IEEE第四届5G世界论坛（5GWF）。IEEE，2021年。翻译后摘要：在本文中，我们设计了一种新的无人机辅助通信系统依赖于无人机的最短飞行路径，同时最大限度地提高传输到移动设备的数据量。在所考虑的系统中，我们假设无人机不知道用户的位置，除了他们的初始位置。我们提出了一个框架，这是基于移动用户在网格中存在的概率分布的可能性然后，开发了一种深度强化学习技术，用于找到在特定覆盖区域内最大化吞吐量的轨迹数值结果突出了我们的技术如何达到吞吐量，轨迹和复杂性之间的平衡。— （C3）Arzhang Shahbazi、Igor Donevski、Jimmy Jumen Nielsen和Marco Di Renzo。联邦强化学习无人机轨迹设计用于快速定位地面用户。“EUSIPCO 2022，专业会议：下一代无线通信系统基于AI/ML的破坏性方法翻译后摘要：在本文中，我们研究了利用无人机（UAV）作为空中锚的地面用户的本地化。具体来说，我们介绍了一种新的本地化框架的基础上联邦学习（FL）和强化学习（RL）。与现有文献相比，我们的场景包括多个无人机在不同的环境设置中学习轨迹，这导致RL模型的收敛速度更快，定位误差最小。此外，为了评估从聚合模型中学习到的轨迹，我们在第四个环境中测试了经过训练的RL代理，该环境显示了对定位误差和收敛速度的改进。仿真结果表明，我们提出的框架比使用迁移学习训练的模型性能高出30%。152 - 下一代蜂窝通信用无人机简介16无人机（俗称无人机）等飞行平台的使用正在迅速增长。为了描绘一个清晰的画面，无人机确实可以用作飞行无线基站，在本章中，我们提供了一个全面的研究无人机在无线网络中的使用。具体而言，由于其固有的属性，如移动性，灵活性和自适应高度，无人机授予无线系统中的几个关键的潜在应用。无人机可以用作空中基站，以增强无线网络的覆盖范围、容量、可靠性和能量效率。它们还可以作为蜂窝网络内的飞行移动终端操作。这种蜂窝连接的UAV可以允许从实时视频流到物品递送的各种应用我们研究了无人机作为空中基站和蜂窝连接用户的主要用例。对于每一个应用程序，我们探讨的关键挑战和根本问题。索迈尔2.15G及以后的172.1.1无线蜂窝网络的覆盖和容量增强2.1.2无人机作为飞行基地站用于灾难场景182.1.3无人机辅助地面信息网络变速箱192.1.4MIMO与毫米波通信在3D无人机网络202.1.5无人机和物联网通信212.1.6UAV基站222.1.7作为用户设备的蜂窝连接无人机232.1.8使用无人机飞行Ad-Hoc网络232.1.9无人机空对地信道建模2.2结论25172.1 . 5G及以后的在本节中，我们将研究5G及更高版本的无人机通信网络的各个方面。2.1.1 .无线蜂窝网络的覆盖和容量增强对高速无线接入的渴望一直在不断蔓延，这是由诸如智能手机、平板电脑以及最近的无人机UE和IoT式小工具之类的高性能移动设备的快速扩张所导致的。就其本质而言，当前无线蜂窝网络的容量和覆盖范围已受到广泛限制，这导致了追求克服这一挑战的过多无线技术的发展[2]。这些技术由设备到设备（D2D）通信、超密集小小区网络和毫米波（mmW）通信组成，共同实现为下一代5G蜂窝系统的中心。然而，尽管这些解决方案有着宝贵的例如，D2D通信必然要求蜂窝网络中更好的频率规划和资源利用此外，超密集小小区网络在回程、干扰和整体网络建模方面面临大量挑战。同样，mmW通信受到阻塞和对LoS通信的高度依赖的限制，以有效地提供高速、低延迟通信的可能性这些挑战将在UAV-UE方案中进一步加剧[3]。将携带飞行基站的无人机作为这种异构5G环境的必要补充的设想将允许克服现有技术的一些实现LAP-UAV可以是向具有有限蜂窝基础设施的地理区域提供无线覆盖的实用方法。此外，当出于服务临时事件的特定目的（例如，体育赛事和节日）在经济上是不可行的，因为这些赛事需要无线接入的时间段很短同时，HAP-UAV可以为此类农村环境的覆盖提供更长期的可持续解决方案。另一方面，移动无人机可以在热点地区和临时活动（如足球比赛或总统就职典礼）期间提供按需连接、高数据速率无线服务和流量卸载机会[4]。为此，ATT和威瑞森最近宣布了几项计划，使用飞行无人机为大学足球全国锦标赛和超级碗提供临时增强的互联网覆盖。显然，飞行基站有可能成为超密集小型蜂窝网络的重要补充。此外，UAV使能的毫米波通信是UAVs的一个有前途的应用，其可以保持与地面用户的LoS通信链路。该溶液对于提供高容量无线传输，同时解决UAV和mmW链路两者此外，将无人机与18核心网络宏BS一群无人机回程UAV热点区域热点区域图2.1毫米波和潜在的大规模多输入多输出（MIMO）技术可以建立一个全新的动态，飞行蜂窝网络提供高容量的无线服务，如果准备和管理良好无人机还可以加强不同的地面网络，如D2D和车载网络.例如，由于其移动性和LoS通信，无人机可以简化地面设备之间的快速信息传播此外，无人机可以通过利用发射分集来提高D2D和车辆到车辆（V2V）通信中的无线链路的可靠性。特别是，飞行无人机可以帮助向地面用户广播公共信息，从而通过减少用户之间的传输次数来减少地面网络中的干扰。此外，UAV基站可以利用空对空链路来服务其他蜂窝连接的UAV-UE，以减轻陆地网络上的负载。对于前面的蜂窝网络方案，很明显，使用无人机是非常合乎逻辑的，因为它们的关键特征在表III和表IV中给出，例如敏捷性、机动性、灵活性和自适应高度。事实上，得益于这些独特的功能以及建立LoS通信链路，无人机可以在覆盖范围，容量，延迟和整体服务质量方面增强现有地面无线网络的性能。这些场景肯定是有前途的，人们可以看到无人机作为超越5G蜂窝网络的一个组成部分，随着技术的进一步发展，新的实用场景出现。2.1.2 . 无人机作为灾难场景下的飞行基站洪水、飓风、龙卷风和严重的暴风雪等自然灾害通常会在世界许多地方带来毁灭性的后果。在大规模的自然灾害和意外情况下，当前的地面通信网络可能受损甚至完全中断，因此变得相当过载，正如最近纽约市地铁站的洪水后果所清除的那样具体地，蜂窝基站和地面通信基础设施在自然灾害期间可能经常受到危害。在这种情况下，在第一反应者和受害者之间进行公共安全通信是至关重要的，以便进行搜索和救援行动。因此，一个强大的、快速的、有能力的应急通信系统对于促进有效的通信是必要的19在公共安全行动中。 在公共安全场景中，可靠的通信系统不仅有助于改善连通性，还可以挽救人类生命。与此相对应，美国的FirstNet也成立了，旨在为公共安全通信建设一个覆盖全国的高速宽带无线网络用于公共安全案例的潜在宽带无线技术涉及4G长期演进（LTE）、WiFi、卫星通信和专用公共安全系统，例如TETRA和APCO 25 [5]。尽管如此，这些技术可能无法在自然灾害期间提供弹性，低延迟服务和快速适应环境。因此，利用基于UAV的空中网络是在公共安全场景中促进快速、自适应和可靠的无线通信的有前景的解决方案。由于无人机不需要高度受限和昂贵的基础设施（例如，电缆），它们可以毫不费力地飞行并自适应地改变它们的位置，以在紧急情况下向地面用户提供按需通信。此外，由于无人机的移动性，灵活的部署和快速重构等独特功能，它们可以有效地建立按需公共安全通信网络。例如，UAV可以扩展为移动空中基站，以便向地面无线基础设施受损的地区提供宽带连接。此外，飞行的UAV可以重复地机动以在最小可能的时间内对给定区域进行完全覆盖。因此，利用安装在UAV上的基站可以是在公共安全场景中提供快速和无处不在的连接的合适方法2.1.3 .无人机辅助地面信息搜索网考虑到无人机的移动性和LoS机会，它们可以支持用于传播信息和连接增强的地面网络例如，为了辅助D2D网络或移动自组织网络，UAV可以用作飞行基站，用于地面用户之间的信息分发另一方面，D2D网络可以开发用于卸载蜂窝数据业务并增强网络容量和覆盖的成功方法，而它们的性能由于设备的短通信范围以及增加的干扰而受到限制[6]。通常，D2D网络可以被认为是用于卸载蜂窝数据业务并提高网络容量和覆盖的有效方法，然而，由于设备的短通信范围以及潜在的累积干扰，它们的性能受到限制。因此，对于这些场景，无人机可以通过在地面设备之间智能地广泛传播公共文件来促进快速信息流通例如，无人机辅助的D2D网络可以帮助在公共安全和紧急情况下快速传播或疏散消息。此外，飞行UAV可以在车辆网络中发挥关键作用（即，V2V通信），在车辆之间传播安全信息。而且，无人机可以增加D2 D和V2 V通信链路的可靠性和连通性一方面，利用无人机可以通过减少地面