活动介绍

无人机增强型LTE连接技术解析

立即解锁
发布时间: 2025-08-29 10:46:52 阅读量: 9 订阅数: 20 AIGC
# 无人机增强型 LTE 连接技术解析 ## 1. 无人机应用与 LTE 研究背景 无人机在当今社会具有巨大的社会经济效益潜力。它在自然灾害救援中发挥着重要作用,如在龙卷风、野火、飓风等灾害发生期间或之后,用于搜索、救援和恢复任务。同时,无人机的商业应用也在迅速发展,涵盖包裹配送、关键基础设施检查、监视、农业等领域。 为了充分发挥无人机应用的潜力,广域连接被认为是最关键的技术组件之一。特别是与超视距(VLOS)无人机的指挥和控制通信,对于无人机操作安全和执行航空规则至关重要。许多无人机应用场景都需要连接性,例如实时图像或视频的传输。 2017 年,3GPP 启动了一项关于增强型 LTE 对飞行器支持的研究。该研究聚焦于连接飞行器与连接地面设备的新方面,主要包括以下几点: - 传播信道特性 - 下行链路干扰 - 飞行器作为受害者 - 上行链路干扰 - 飞行器作为干扰源 - 切换性能 - 飞行器识别 研究得出结论,在 Release 15 之前的 LTE 网络已经能够为飞行中的无人机提供服务。然而,随着飞行无人机数量的增加,一些挑战也随之出现。因此,3GPP 在 Release 15 中采取行动,引入了增强功能,以更有效地服务无人机,并更好地管理未来更多飞行无人机连接到 LTE 网络时对地面设备的影响。Release 15 针对的是地面以上最大高度 300 米(AGL)、最大速度 160 公里/小时的飞行器。 ## 2. 传播信道特性 无人机所经历的传播信道特性与地面设备有很大不同。了解这种差异有助于深入认识潜在的无人机通信问题。 ### 2.1 视距(LOS)概率 当无人机处于建筑物和树木上方时,它与基站天线的视距(LOS)概率要大得多。在农村宏蜂窝环境中,随着无人机飞行高度的增加,LOS 概率也会增加。而当无人机远离基站时,其与基站天线之间的仰角减小,信号路径上出现障碍物的概率增加,从而导致 LOS 概率降低。 ### 2.2 路径损耗 在视距传播信道中,信号路径上没有物体导致穿透、折射、衍射和反射损耗,因此在相同距离下,其总路径损耗比非视距(NLOS)信道小。例如,在农村宏蜂窝环境中,50 米高度的无人机在视距信道下的路径损耗斜率比地面设备在非视距信道下的小。地面设备在距离基站 680 米处经历 110 dB 的路径损耗,而相同的路径损耗在无人机距离基站 7380 米时才会出现。 ### 2.3 基站天线模式 在蜂窝网络中,基站天线通常向下倾斜以提供良好的地面覆盖,这有助于减轻小区间干扰,但对于空中覆盖并非最优。以下是基站天线模式的相关特点: - **水平(方位角)天线模式**:以 8 个天线元件组成的列为例,扇形天线模式旨在在所需的扇形覆盖区域内提供足够的天线增益,该区域在水平方向上跨越以视轴(0°)为中心的某些方位角。相邻扇区之间有重叠区域,以确保地面设备在当前服务扇区信号强度下降之前能够切换到相邻扇区。 - **垂直天线模式**:天线向下倾斜 3°,视轴指向 87°仰角方向。在视轴上方小于 10°仰角处存在一个零点,该方向上的天线增益非常小,比峰值天线增益低 35 dB 以上。从零点进一步增加仰角,天线增益相对于零点有所增加,但仍比视轴方向的最高天线增益低 15 dB 以上。这些垂直旁瓣可以覆盖飞行在基站天线高度以上的无人机,尽管旁瓣中的天线增益比主瓣低 10 - 25 dB,但无人机在视距下经历的路径损耗降低可以弥补这种天线增益的降低。然而,天线模式在某些仰角处的零点给无人机通信带来了更大的挑战,当无人机在一定高度飞行一定距离时,仰角会发生变化,可能会进入当前服务小区的天线零点。 ## 3. 连接挑战 上述传播信道特性给无人机连接蜂窝网络带来了诸多挑战: ### 3.1 下行链路干扰 由于较高的 LOS 概率和降低的路径损耗,飞行在一定高度以上的无人机可能会从更多小区接收到信号强度良好的下行链路信号。除了服务小区的信号外,其他信号都会产生干扰,导致无人机成为小区间干扰的受害者,难以维持良好的下行链路信号与噪声加干扰比(SINR)。例如,在农村宏蜂窝场景下,假设所有小区都满载的最坏情况下,无人机的 SINR 比地面设备低得多。 ### 3.2 上行链路干扰 同样由于较高的 LOS 概率和降低的路径损耗,飞行在一定高度以上的无人机的上行链路信号可能会到达更多小区,对许多小区造成干扰。一些无人机应用场景需要无人机传输较大的上行链路有效载荷,如视频流量,这会显著降低网络的上行链路容量。以下表格展示了不同无人机密度对地面设备上行链路性能的影响: | 每小区提供的流量 [Mbps] | 无人机密度 | 资源利用率 [%] | 第 5 百分位地面用户吞吐量 [Mbps] | 中等地面用户吞吐量 [Mbps] | 平均地面吞吐量 [Mbps] | | --- | --- | --- | --- | --- | --- | | 3.85 | 无无人机(Case 1) | 20.00 | 7.59 | 20.20 | 18.17 | | 3.85 | 每 10 个扇区 1 架无人机(Case 2) | 20.00 | 7.59 | 20.00 | 18.06 | | 3.85 | 每个扇区 1 架无人机
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

物联网_赵伟杰

物联网专家
12年毕业于人民大学计算机专业,有超过7年工作经验的物联网及硬件开发专家,曾就职于多家知名科技公司,并在其中担任重要技术职位。有丰富的物联网及硬件开发经验,擅长于嵌入式系统设计、传感器技术、无线通信以及智能硬件开发等领域。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

自适应复杂网络结构中的同步现象解析

# 自适应复杂网络结构中的同步现象解析 ## 1. 引言 在复杂的动力学网络中,同步现象一直是研究的重点。我们将主稳定性方法拓展到由 $N$ 个扩散且自适应耦合的振荡器组成的复杂网络中。通过对自适应耦合相位振荡器这一典型模型的研究,我们发现了由于稳定性岛屿的存在而导致的多簇现象的出现。接下来,我们将深入探讨相关内容。 ## 2. 自适应耦合振荡器网络模型 考虑一个由 $N$ 个扩散且自适应耦合的振荡器组成的网络,其形式如下: \(\dot{x}_i = f (x_i(t)) - \sigma \sum_{j = 1}^{N} a_{ij} \kappa_{ij} G(x_i - x_j)\

具有多重时滞和不确定参数的CRDNNs的无源性与同步性研究

# 具有多重时滞和不确定参数的 CRDNNs 的无源性与同步性研究 ## 1. 引言 在神经网络的研究领域中,具有多重时滞和不确定参数的连续反应扩散神经网络(CRDNNs)的无源性和同步性是重要的研究课题。无源性能够保证系统的稳定性和能量特性,而同步性则在信息处理、通信等领域有着广泛的应用。本文将深入探讨 CRDNNs 的无源性和同步性相关问题,包括理论分析和数值验证。 ## 2. 无源性判据 ### 2.1 输出严格无源性条件 当满足以下矩阵不等式时,网络(9.17)具有输出严格无源性: \[ \begin{bmatrix} W_6 & \Xi_2 \\ \Xi_2^T & W_7 \e

OpenVX:跨平台高效编程的秘诀

### OpenVX:跨平台高效编程的秘诀 #### 1. OpenCL 互操作性扩展 OpenCL 互操作性扩展为 OpenVX 内的应用程序和用户算法提供了高效实现的支持,具备以下六个关键特性: - 共享一个通用的 `cl_context` 对象,供 OpenVX 和 OpenCL 应用程序使用。 - 共享一组有序的 `cl_command_queue` 对象,用于 OpenVX 和 OpenCL 应用程序/用户内核之间的协调。 - 允许 OpenCL 应用程序将 `cl_mem` 缓冲区导出到 OpenVX。 - 允许 OpenCL 应用程序从 OpenVX 收回导出的 `cl_mem

利用大数据进行高效机器学习

### 利用大数据进行高效机器学习 #### 1. 集群管理与并行计算基础 在处理大数据时,集群的使用至关重要。当集群任务完成后,终止其派生的进程能释放每个节点占用的资源,使用如下命令: ```R stopCluster(cl1) ``` 对于大规模的大数据问题,还可以进行更复杂的`snow`配置,例如配置Beowulf集群(由多个消费级机器组成的网络)。在学术和行业研究中,若有专用计算集群,`snow`可借助`Rmpi`包访问高性能消息传递接口(MPI)服务器,但这需要网络配置和计算硬件方面的知识。 #### 2. 使用`foreach`和`doParallel`实现并行计算 `fore

HNPU-V1:自适应DNN训练处理器的技术解析与性能评估

### HNPU-V1:自适应DNN训练处理器的技术解析与性能评估 在深度学习领域,DNN(深度神经网络)训练处理器的性能对于提高训练效率和降低能耗至关重要。今天我们要介绍的HNPU - V1就是一款具有创新性的自适应DNN训练处理器,它采用了多种先进技术来提升性能。 #### 1. 稀疏性利用技术 在DNN训练过程中,会出现输入或输出稀疏性的情况。传统的输出零预测方法虽然可以同时利用输入和输出稀疏性,但会带来面积和能量开销。而HNPU - V1采用了独特的稀疏性利用技术。 ##### 1.1 切片级输入跳过(Slice - Level Input Skipping) - **原理**:

语音情感识别:预加重滤波器与清音影响分析

### 语音情感识别:预加重滤波器与清音影响分析 在语音情感识别领域,多种因素会影响识别的准确性和性能。本文将深入探讨预加重滤波器、清音去除等因素对语音情感分类的影响,并通过一系列实验来揭示不同特征向量大小、帧大小等参数在不同数据库中的表现。 #### 1. 清音去除 在语音情感识别中,通常会使用浊音和清音进行情感识别。然而,清音往往与语音信号记录中的噪声或静音区域具有相似的时间和频谱特征。为了探索去除清音后分类阶段的性能,我们使用自相关函数来去除每一帧中的清音。 具体步骤如下: 1. **自相关函数定义**:对于信号 $x(n)$ 从样本 $n$ 开始的一帧,其短时自相关函数定义为 $

网络数据上的无监督机器学习

### 网络数据上的无监督机器学习 在处理图数据时,机器学习(ML)并非必需,但它能带来很大的帮助。不过,ML的定义较为模糊,例如社区检测算法虽能自动识别网络中的社区,可被视为无监督ML,但NetworkX提供的一些方法虽类似却未得到数据科学界同等关注,因为它们未被明确称为图ML。 #### 1. 网络科学方法 在处理图数据时,有很多已掌握的方法可避免使用所谓的图ML: - **社区识别**:可以使用Louvain算法或直接查看连通分量。 - **枢纽节点识别**:使用PageRank算法,无需嵌入。 - **孤立节点识别**:使用`k_corona(0)`,无需ML。 - **训练数据创

SSH连接与操作全解析

# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公

言语节奏与大脑定时模式:探索神经机制与应用

# 言语节奏与大脑定时模式:探索神经机制与应用 ## 1. 大脑的预测性与时间维度 人类大脑是一个具有建设性的器官,它能够生成预测以调节自身功能,并持续适应动态环境。在这个过程中,运动和非运动行为的时间维度正逐渐被视为预测性偏差的关键组成部分。然而,编码、解码和评估时间信息以产生时间感和控制感觉运动定时的神经机制之间的复杂相互作用,仍然大部分是未知的。 ### 1.1 事件的时间与类型维度 个体和环境中的所有状态变化都会产生由类型(“是什么”)和时间(“何时”)定义的事件。为了成功地与不断变化的环境进行交互,人们需要不断适应这些事件的“是什么”和“何时”维度。人类不仅会对事件做出反应,还会

计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习

# 计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习 在计算机视觉领域,概率图模型是一种强大的工具,可用于处理复杂的概率关系。当数据不完整时,贝叶斯网络(BN)的参数学习和结构学习变得更具挑战性。本文将介绍不完整数据下BN参数学习和结构学习的方法。 ## 1. 不完整数据下的BN参数学习 在不完整数据中,变量 $Z_m$ 可能随机缺失或始终缺失。与完整数据情况类似,不完整数据下的BN参数学习也可通过最大似然法或贝叶斯法实现。 ### 1.1 最大似然估计 最大似然估计(ML)需要通过最大化边际似然来找到BN参数 $\theta = \{\theta_n\}_{n=1}^N$: $$