简介《无人机集群通信技术最新进展及发展动向》是发表于《无线电工程》的网络首发论文作者为成都理工大学李苗等面向电子通信、无人机系统方向的研究人员与高年级学生系统梳理集群通信的研究现状与关键问题。内容从无人机集群概念与优势切入分析协同能力、感知决策与鲁棒安全性等研究意义进而介绍信号增强、移动边缘计算、联邦学习、物理层安全等典型应用场景及待攻克的技术难点并对未来发展趋势作出前瞻展望适合作为课题入门与综述参考。资源包共1个文件为PDF格式论文全文约924KB含中英文摘要、关键词、基金项目与正文便于检索引用。目前已有113人学习下载可帮助读者快速建立该领域知识框架、定位研究方向并获取可引用的综述材料。1. 无人机集群通信为什么“多机协同”不是简单的数量叠加单架无人机的通信能力受限于机载能量、发射功率和天线孔径覆盖范围和服务时长都有硬上限。直觉上多放几架就能解决——但真正把几十架无人机放到同一空域你会发现通信链路频繁断裂、回程链路被挤爆、簇头选举反复翻车。这篇首发于2023年的综述论文核心价值不在于罗列技术名词而在于把“集群通信为什么难”拆成了可验证的机制层次从簇结构如何分摊回程压力到NOMA如何在同一条资源块上叠加多路信号再到协同波束形成如何用分布式阵列换取定向增益。搞懂这些机制你才能判断一个集群方案到底是在解决真问题还是在堆概念。2. 簇结构与回程链路为什么大规模集群必须先“分群”2.1 扁平结构的回程瓶颈从哪来论文在引言部分点出了一个容易被忽略的约束如果集群中所有无人机都同时与地面节点或卫星通信回程链路资源是有限的通信成本会迅速变得不可接受。这不是带宽不够的笼统说法而是一个结构性问题——回程链路的容量是固定的而集群规模是弹性的两者之间存在天然的剪刀差。常见的实现思路是引入簇的概念。把大规模集群划分为若干簇每个簇选出一个簇头无人机簇内成员把信息汇聚到簇头簇头再统一向地面站或卫星转发。这样回程链路的并发连接数从“无人机总数”降到了“簇头数”压力被结构性地削减了一个量级。但这里有一个设计取舍簇头不是随便选的。论文提到通过“适当设计的集群方案”来提高大型集群的性能簇头负责转发自己成员无人机处收集的信息。簇头的选择直接影响两件事——簇内成员到簇头的链路质量以及簇头到回程节点的链路质量。如果簇头选在一个信道条件差的位置整个簇的汇聚率都会塌陷。2.2 汇聚率优化轨迹与聚类约束的联合问题论文引用的一个代表性工作采用了基于集群的网络架构来实现回程链路的高效传输通过优化无人机轨迹并结合聚类约束最大化簇头无人机的汇聚率。这里的“汇聚率”可以理解为簇头在单位时间内成功收集并转发的信息量它同时受两个因素制约簇头的位置决定回程链路质量和簇内成员的分布决定簇内链路质量。一个合格的实现通常会把这个问题建模成联合优化轨迹变量控制无人机在空间中的移动路径聚类变量控制成员与簇头的归属关系目标函数是汇聚率最大化。难点在于两个变量耦合——你调整了簇头位置成员归属可能就要重新划分重新划分之后簇头的最优位置又变了。常见的解法是交替优化固定聚类方案优化轨迹再固定轨迹重新聚类迭代到收敛。提示如果你在仿真中看到汇聚率曲线在迭代若干轮后震荡不收敛优先检查聚类约束是否允许成员在迭代间频繁切换簇头频繁切换本身会引入额外的信令开销把增益吃掉。2.3 簇结构的自愈能力从哪来论文在列举集群通信优点时提到“高度的自愈能力和强大的鲁棒性”。这个特性不是抽象口号它直接来自簇结构的冗余设计。当某个簇头失效簇内成员可以重新选举或并入相邻簇回程链路不会整体中断。相比之下扁平结构中任何一个节点的回程连接故障都只影响自身但整体回程压力无法分摊——两种结构在故障模式上的差异决定了它们适合的规模区间。从机制上看簇结构的自愈依赖两个条件成员能感知簇头失效通常靠心跳或周期性信标以及存在可用的候选簇头相邻簇头或簇内次优节点。论文没有展开具体的选举协议细节但按这个领域的常见做法选举通常会综合考虑剩余能量、链路质量和位置居中程度避免选出一个“链路好但电量快耗尽”的簇头那等于给自己埋了一颗定时炸弹。3. NOMA与RIS频谱效率和信道条件的两条互补路径3.1 NOMA的核心机制叠加编码加连续干扰消除论文对NOMA的描述很精炼关键思想是利用发射机的叠加编码和接收机的连续干扰消除使正交资源块可以在多个用户之间共享。拆开来看叠加编码解决的是“怎么把多路信号塞进同一个资源块”连续干扰消除解决的是“接收端怎么把混在一起的信号分开”。以功率域NOMA的下行链路为例基站在相同的正交资源块上叠加并传输多个用户的信号。弱用户信道条件差的把共信道干扰当作噪声来解码自己的信号强用户信道条件好的先解码弱用户的信号把它从接收信号中减掉再解码自己的信号。这个顺序不能反——强用户有能力先解出弱用户的信号弱用户没有能力先解出强用户的信号。# 功率域NOMA下行链路SIC解码的简化逻辑 # h_strong h_weak功率分配满足弱用户获得更大功率 def sic_decode(rx_signal, h_strong, h_weak, p_strong, p_weak): # 强用户先解码弱用户信号把强用户信号当干扰 sinr_weak_at_strong (p_weak * abs(h_strong)**2) / (p_strong * abs(h_strong)**2 1) decoded_weak decode(rx_signal, sinr_weak_at_strong) # 重构弱用户信号并从接收信号中减去 reconstructed reconstruct(decoded_weak, h_strong) residual rx_signal - reconstructed # 强用户再解码自己的信号此时弱用户干扰已被消除 sinr_strong p_strong * abs(h_strong)**2 decoded_strong decode(residual, sinr_strong) return decoded_weak, decoded_strong这段逻辑里p_weak和p_strong的功率分配比例是设计变量h_strong和h_weak的信道增益差异是NOMA能否获得增益的前提。论文明确指出NOMA的性能增益从根本上受信号传播环境限制特别是信道增益差异较小的用户——差异越小SIC消除干扰后剩下的信噪比提升越有限。这就是为什么论文建议把NOMA与RIS结合RIS通过调整相位灵活改变用户的信道条件人为制造出更大的信道增益差异给NOMA创造可用的自由度。3.2 RIS的机制用无源反射元件重写信道RIS由低成本的元表面制成通过调整无源反射元件的振幅或相位来优化信号反射。论文区分了两种部署形态部署在建筑物上的地面RIS用于实现视距通信安装在无人机上的空中RIS具备三维信号反射能力。空中RIS相比地面RIS的优势在于部署灵活性和全景全角反射能力但受限于无人机的有效载荷和电池容量单架无人机上的反射单元数量有限大孔径增益无法保证。这正是RIS与集群结合的逻辑起点单架无人机的RIS孔径不够那就用多架无人机分布式承载反射单元用集群的规模换孔径。论文提到有工作分析了RIS辅助的跟随无人机到先导无人机同步传输下的信道容量性能通过构建信道容量的上下边缘来说明RIS对信道容量的影响。这种“上下边缘”的分析方法在RIS文献中很常见因为RIS相移矩阵的优化往往是非凸的精确的最优容量难以闭式表达用边界来界定性能区间是更务实的做法。在非视距传输场景下RIS的价值更明显。论文引用的工作提出了RIS辅助无人机集群网络联合优化无人机的功率分配和RIS的相移矩阵以提高能源效率。这里的联合优化有一个内在矛盾功率分配影响到达RIS的信号强度相移矩阵影响反射后的信号叠加效果两者通过信道耦合在一起。常见的处理方式是交替优化——固定相移优化功率再固定功率优化相移每步都是凸问题或可松弛为凸问题。3.3 NOMA与RIS的互补关系把这两项技术放在一起看它们的互补性很清晰NOMA解决的是“同一资源块上多用户复用”的问题前提是用户间信道增益有足够差异RIS解决的是“信道条件本身不理想”的问题通过反射路径重构信道。当集群内成员无人机的信道增益差异不足时NOMA的SIC增益受限此时用RIS调整部分用户的等效信道把差异拉开NOMA才能发挥作用。论文在NOMA小节末尾明确指出了这个结合方向这不是简单的技术堆叠而是有明确的机制因果链。4. 协同波束形成分布式阵列如何换定向增益4.1 虚拟天线阵列的构建条件协同波束形成的基本思想是让独立分布的元素协同工作构建一个虚拟天线阵列。论文强调了一个关键前提这些元素必须共享相同的数据因为协同波束形成需要在所有协作发射器之间同时传输相同的数据。这个条件在集群场景下不是自动满足的——它要求簇内或群内的无人机先完成数据聚合和同步然后才能同时发射。从机制上看虚拟天线阵列类似于传统的集中式天线阵列可以执行波束形成操作在接收端的信噪比上提供增益。区别在于集中式阵列的阵元位置是固定的、精确已知的而虚拟阵列的阵元位置是无人机的位置受飞行控制精度和风扰影响。论文在讨论协同波束形成的挑战时专门提到当无人机遭遇风或其他意外情况从指定位置漂移会削弱协同波束形成的有效性。4.2 波束模式主瓣增益与旁瓣抑制的双重收益论文引用的工作展示了协同波束形成能产生具有尖锐主瓣和低旁瓣水平的波束模式从而显著提高天线增益。低旁瓣水平带来两个额外收益干扰被抑制敏感信号泄漏减少。这两个收益直接对应论文提到的协同波束形成的三个能力——增强信号强度、降低信号干扰、提高信号安全性。在物理层安全的场景中这个机制被用得很直接一组无人机组成虚拟天线阵列通过协同波束形成向远程基站传输信息向接收机方向产生高增益主瓣向其他方向产生低增益旁瓣使窃听者无法从信号中解调出有效信息。论文引用的另一个工作考虑了多个已知和未知窃听者存在的场景这说明协同波束形成的安全性不依赖窃听者位置完全已知——旁瓣抑制是空间上的结构性保护不需要精确的窃听者定位。4.3 漂移补偿位置误差下的两种补救路径论文对协同波束形成面临的挑战给出了两条补救路径一是建立模型评估漂移造成的性能损失二是通过能效合理的轨迹设计让无人机恢复位置、重建有效连接如果无人机不能立即改变位置可以调整激励电流权值来抵消性能损失。第二条路径值得展开。虚拟阵列的波束模式由阵元位置和激励权值共同决定。位置漂移相当于阵元位置出现了未知扰动如果权值不变波束主瓣会偏移、旁瓣会抬升。调整激励权值相当于在已知或可估计的位置误差下重新求解波束形成权重把主瓣重新对准目标方向。这个补救的代价是计算开销——权值重算需要知道漂移后的位置而位置估计本身有误差所以权值调整只能部分补偿不能完全恢复。注意在仿真中评估协同波束形成增益时如果位置误差模型用的是理想高斯扰动得到的旁瓣抑制效果往往比实际飞行试验乐观。实际风扰下的位置误差存在相关性不是独立同分布这一点在论文引用的漂移评估工作里通常会被单独建模。4.4 协同波束形成与簇结构的关系协同波束形成需要参与协作的无人机共享相同数据并同时发射这天然要求一个协调者来分发数据和同步发射时序。在集群架构中这个角色通常由簇头承担——簇头收集数据、分发给簇内成员、协调发射时刻。这意味着协同波束形成的规模受簇大小限制跨簇的协同需要簇头之间的额外协调。论文没有把这个耦合关系展开但从机制上推断簇结构既是回程压力的分摊手段也是协同波束形成的组织基础两者共享同一套分群逻辑。5. 航迹规划与移动边缘计算资源受限下的联合优化5.1 航迹规划算法的适用边界论文把已有的航迹规划算法粗略分为最短路径算法、智能算法和混合智能算法。最短路径算法包括Dijkstra和A*对单无人机路径规划性能表现良好但面对大规模、高维度、非线性的集群路径规划问题时适用性受到挑战。智能算法如遗传算法、粒子群算法能够考虑各种约束条件和优化目标但在大规模场景中计算复杂度较高。混合智能方法把智能算法与强化学习、深度学习结合通过学习和优化提高航迹规划的性能和适应性。这个分类背后的机制逻辑是集群航迹规划的搜索空间随无人机数量指数增长最短路径算法的复杂度优势在维度上升后迅速消失智能算法用启发式搜索换取了处理高维问题的能力但每轮迭代的计算量随种群规模和约束数量增长混合智能方法试图用学习到的策略替代部分在线搜索把计算负担前移到训练阶段。论文在航迹规划部分的论述在“强化学”处截断但从已有内容可以判断这个方向的趋势是用学习型方法处理动态环境下的实时调整需求。5.2 移动边缘计算中的能耗权衡论文对无人机集群辅助移动边缘计算的分析点出了一个容易被忽视的能耗结构在无人机上安装边缘服务器增加了无人机的负载和相关能量消耗缩短续航时间将用户的计算任务卸载到无人机上导致计算相关能耗增加而计算相关能耗通常比通信消耗的能耗更大。这两个因素叠加使得节能设计成为无人机集群辅助MEC的核心问题。论文引用的工作通过通信资源分配策略和无人机飞行轨迹优化来解决能耗问题。这里的联合优化有一个清晰的物理直觉飞行轨迹决定无人机的移动能耗和信道条件资源分配决定通信能耗和计算卸载的时延。轨迹飞得离用户近信道好、发射功率可以降低但飞行路径可能变长飞得远则相反。常见的建模方式是把总能耗写成轨迹和资源分配的联合函数在时延约束下最小化然后用交替优化或凸近似求解。论文还提到了三层架构用户设备—无人机—地面基站。当用户设备因阻塞无法直接卸载到地面基站时可以把计算密集型任务卸载到无人机或通过无人机中继进一步卸载到地面基站的计算能力更强的服务器。这个架构的关键设计点是卸载决策——哪些任务留在本地、哪些卸载到无人机、哪些经无人机中继到地面基站决策依据是任务的计算量、时延容忍度和各层节点的当前负载。5.3 联邦学习中的通信约束论文对无人机集群辅助联邦学习的分析抓住了联邦学习在无线环境下的一个结构性弱点FL的性能存在通信链路故障和节点缺失的问题特别是在需要连续交换模型参数的时候。无人机集群作为无线中继可以促进物联网组件和联邦学习服务器之间的通信弥补链路故障和节点缺失的不足。论文描述的场景是云端FL服务器向群中的无人机发出训练任务具备数据处理能力的无人机根据收集到的地面信息进行模型训练或将信息反馈给地面设备地面设备用本地数据集训练后将本地模型参数通过无人机发给云端服务器进行模型聚合。这个流程里无人机扮演的是中继和可选的计算节点双重角色。论文引用的工作从多个角度优化这个流程联合优化训练和网络资源分配以提升无人机能源利用效率联合优化计算速率和上下行传输持续时间以最小化每轮FL迭代的延迟通过连接调度和无线资源分配在计算精度、通信和计算资源限制下保证网络长时间运行。NOMA在这里也被用上——成员无人机在同一资源块上同时将本地模型发送到簇头簇头用连续干扰消除缓解共信道干扰。这个用法和NOMA在边缘计算中的用法一致都是利用SIC把多路并发传输从冲突变成可分离的叠加。论文指出的权衡很关键计算和通信延迟与模型学习精度之间的权衡以及本地训练所需计算和客户端能源消耗之间的权衡。这两个权衡不是独立的——提高本地训练轮数可以提升模型精度但增加计算能耗和延迟减少本地训练轮数则相反。联邦学习的优化问题本质上是在这两个权衡面上找操作点。6. 物理层安全的假设边界与设计取舍论文对物理层安全的梳理最有价值的部分不是罗列方案而是明确指出了现有研究的假设边界大多数研究仍停留在非动态场景下且假设窃听者的位置是已知的现有研究通常采用基于确定状态的信道模型。这些限制对满足实际动态场景中的实时通信需求构成重大挑战。从机制上看物理层安全的核心是利用信道特性来隐藏信息阻止未经授权的接收者从信号中解码出足够强的信息。论文描述的协作友好干扰框架里一部分无人机充当中继转发地面基站的消息给合法用户另一部分无人机充当友好干扰机向窃听者发送人工噪声。这个框架的有效性依赖两个条件干扰信号不对合法用户造成过度影响以及干扰方向对准窃听者。前者靠波束赋形或干扰消除技术控制后者靠窃听者位置信息——这正是“窃听者位置已知”假设的由来。协同波束形成提供了另一条不依赖窃听者精确位置的路径通过精心设计无人机的位置和激励电流权值优化波束模式使主波束指向目的地无效或低强度信号指向窃听者方向。这条路径的安全性来自空间隔离的结构性保护而不是对窃听者位置的精确感知。但它的局限也很明显——如果窃听者位于主瓣覆盖范围内旁瓣抑制就失效了。论文对未来方向的判断是考虑物联网环境的动态和窃听者的不确定性利用群智能的最新进展优化无人机轨迹考虑不同信道模型、未知节点位置、实时通信等因素设计基于深度强化学习的算法扩展协同无人机集群方案。这个判断的机制依据是动态场景下的轨迹优化和干扰策略选择本质上是序贯决策问题状态空间包含信道状态、节点位置估计和任务需求深度强化学习适合处理这类高维、部分可观测的决策问题。我在梳理这类综述时有一个习惯每读到一个安全方案先把它依赖的假设列出来再看这些假设在目标场景下是否成立。论文明确标注的“非动态场景”和“窃听者位置已知”两个假设在实际部署中往往同时不成立——目标在动窃听者位置只能估计。这意味着论文里那些在静态假设下漂亮的保密率曲线直接搬到动态场景会打折扣。比较务实的做法是把位置不确定性建模进优化问题用鲁棒优化或机会约束替代确定性假设而不是假设估计误差不存在。希望这篇拆解能帮你在读原文时更快定位每个方案的适用边界而不是被结论性的性能数字带偏。本文还有配套的精品资源点击获取 
长河君 · 2026/10/31 12:20:06 · 阅读 1.2k 无人机集群通信：簇结构、NOMA与协同波束形成机制解析
简介《无人机集群通信技术最新进展及发展动向》是发表于《无线电工程》的网络首发论文作者为成都理工大学李苗等面向电子通信、无人机系统方向的研究人员与高年级学生系统梳理集群通信的研究现状与关键问题。内容从无人机集群概念与优势切入分析协同能力、感知决策与鲁棒安全性等研究意义进而介绍信号增强、移动边缘计算、联邦学习、物理层安全等典型应用场景及待攻克的技术难点并对未来发展趋势作出前瞻展望适合作为课题入门与综述参考。资源包共1个文件为PDF格式论文全文约924KB含中英文摘要、关键词、基金项目与正文便于检索引用。目前已有113人学习下载可帮助读者快速建立该领域知识框架、定位研究方向并获取可引用的综述材料。1. 无人机集群通信为什么“多机协同”不是简单的数量叠加单架无人机的通信能力受限于机载能量、发射功率和天线孔径覆盖范围和服务时长都有硬上限。直觉上多放几架就能解决——但真正把几十架无人机放到同一空域你会发现通信链路频繁断裂、回程链路被挤爆、簇头选举反复翻车。这篇首发于2023年的综述论文核心价值不在于罗列技术名词而在于把“集群通信为什么难”拆成了可验证的机制层次从簇结构如何分摊回程压力到NOMA如何在同一条资源块上叠加多路信号再到协同波束形成如何用分布式阵列换取定向增益。搞懂这些机制你才能判断一个集群方案到底是在解决真问题还是在堆概念。2. 簇结构与回程链路为什么大规模集群必须先“分群”2.1 扁平结构的回程瓶颈从哪来论文在引言部分点出了一个容易被忽略的约束如果集群中所有无人机都同时与地面节点或卫星通信回程链路资源是有限的通信成本会迅速变得不可接受。这不是带宽不够的笼统说法而是一个结构性问题——回程链路的容量是固定的而集群规模是弹性的两者之间存在天然的剪刀差。常见的实现思路是引入簇的概念。把大规模集群划分为若干簇每个簇选出一个簇头无人机簇内成员把信息汇聚到簇头簇头再统一向地面站或卫星转发。这样回程链路的并发连接数从“无人机总数”降到了“簇头数”压力被结构性地削减了一个量级。但这里有一个设计取舍簇头不是随便选的。论文提到通过“适当设计的集群方案”来提高大型集群的性能簇头负责转发自己成员无人机处收集的信息。簇头的选择直接影响两件事——簇内成员到簇头的链路质量以及簇头到回程节点的链路质量。如果簇头选在一个信道条件差的位置整个簇的汇聚率都会塌陷。2.2 汇聚率优化轨迹与聚类约束的联合问题论文引用的一个代表性工作采用了基于集群的网络架构来实现回程链路的高效传输通过优化无人机轨迹并结合聚类约束最大化簇头无人机的汇聚率。这里的“汇聚率”可以理解为簇头在单位时间内成功收集并转发的信息量它同时受两个因素制约簇头的位置决定回程链路质量和簇内成员的分布决定簇内链路质量。一个合格的实现通常会把这个问题建模成联合优化轨迹变量控制无人机在空间中的移动路径聚类变量控制成员与簇头的归属关系目标函数是汇聚率最大化。难点在于两个变量耦合——你调整了簇头位置成员归属可能就要重新划分重新划分之后簇头的最优位置又变了。常见的解法是交替优化固定聚类方案优化轨迹再固定轨迹重新聚类迭代到收敛。提示如果你在仿真中看到汇聚率曲线在迭代若干轮后震荡不收敛优先检查聚类约束是否允许成员在迭代间频繁切换簇头频繁切换本身会引入额外的信令开销把增益吃掉。2.3 簇结构的自愈能力从哪来论文在列举集群通信优点时提到“高度的自愈能力和强大的鲁棒性”。这个特性不是抽象口号它直接来自簇结构的冗余设计。当某个簇头失效簇内成员可以重新选举或并入相邻簇回程链路不会整体中断。相比之下扁平结构中任何一个节点的回程连接故障都只影响自身但整体回程压力无法分摊——两种结构在故障模式上的差异决定了它们适合的规模区间。从机制上看簇结构的自愈依赖两个条件成员能感知簇头失效通常靠心跳或周期性信标以及存在可用的候选簇头相邻簇头或簇内次优节点。论文没有展开具体的选举协议细节但按这个领域的常见做法选举通常会综合考虑剩余能量、链路质量和位置居中程度避免选出一个“链路好但电量快耗尽”的簇头那等于给自己埋了一颗定时炸弹。3. NOMA与RIS频谱效率和信道条件的两条互补路径3.1 NOMA的核心机制叠加编码加连续干扰消除论文对NOMA的描述很精炼关键思想是利用发射机的叠加编码和接收机的连续干扰消除使正交资源块可以在多个用户之间共享。拆开来看叠加编码解决的是“怎么把多路信号塞进同一个资源块”连续干扰消除解决的是“接收端怎么把混在一起的信号分开”。以功率域NOMA的下行链路为例基站在相同的正交资源块上叠加并传输多个用户的信号。弱用户信道条件差的把共信道干扰当作噪声来解码自己的信号强用户信道条件好的先解码弱用户的信号把它从接收信号中减掉再解码自己的信号。这个顺序不能反——强用户有能力先解出弱用户的信号弱用户没有能力先解出强用户的信号。# 功率域NOMA下行链路SIC解码的简化逻辑 # h_strong h_weak功率分配满足弱用户获得更大功率 def sic_decode(rx_signal, h_strong, h_weak, p_strong, p_weak): # 强用户先解码弱用户信号把强用户信号当干扰 sinr_weak_at_strong (p_weak * abs(h_strong)**2) / (p_strong * abs(h_strong)**2 1) decoded_weak decode(rx_signal, sinr_weak_at_strong) # 重构弱用户信号并从接收信号中减去 reconstructed reconstruct(decoded_weak, h_strong) residual rx_signal - reconstructed # 强用户再解码自己的信号此时弱用户干扰已被消除 sinr_strong p_strong * abs(h_strong)**2 decoded_strong decode(residual, sinr_strong) return decoded_weak, decoded_strong这段逻辑里p_weak和p_strong的功率分配比例是设计变量h_strong和h_weak的信道增益差异是NOMA能否获得增益的前提。论文明确指出NOMA的性能增益从根本上受信号传播环境限制特别是信道增益差异较小的用户——差异越小SIC消除干扰后剩下的信噪比提升越有限。这就是为什么论文建议把NOMA与RIS结合RIS通过调整相位灵活改变用户的信道条件人为制造出更大的信道增益差异给NOMA创造可用的自由度。3.2 RIS的机制用无源反射元件重写信道RIS由低成本的元表面制成通过调整无源反射元件的振幅或相位来优化信号反射。论文区分了两种部署形态部署在建筑物上的地面RIS用于实现视距通信安装在无人机上的空中RIS具备三维信号反射能力。空中RIS相比地面RIS的优势在于部署灵活性和全景全角反射能力但受限于无人机的有效载荷和电池容量单架无人机上的反射单元数量有限大孔径增益无法保证。这正是RIS与集群结合的逻辑起点单架无人机的RIS孔径不够那就用多架无人机分布式承载反射单元用集群的规模换孔径。论文提到有工作分析了RIS辅助的跟随无人机到先导无人机同步传输下的信道容量性能通过构建信道容量的上下边缘来说明RIS对信道容量的影响。这种“上下边缘”的分析方法在RIS文献中很常见因为RIS相移矩阵的优化往往是非凸的精确的最优容量难以闭式表达用边界来界定性能区间是更务实的做法。在非视距传输场景下RIS的价值更明显。论文引用的工作提出了RIS辅助无人机集群网络联合优化无人机的功率分配和RIS的相移矩阵以提高能源效率。这里的联合优化有一个内在矛盾功率分配影响到达RIS的信号强度相移矩阵影响反射后的信号叠加效果两者通过信道耦合在一起。常见的处理方式是交替优化——固定相移优化功率再固定功率优化相移每步都是凸问题或可松弛为凸问题。3.3 NOMA与RIS的互补关系把这两项技术放在一起看它们的互补性很清晰NOMA解决的是“同一资源块上多用户复用”的问题前提是用户间信道增益有足够差异RIS解决的是“信道条件本身不理想”的问题通过反射路径重构信道。当集群内成员无人机的信道增益差异不足时NOMA的SIC增益受限此时用RIS调整部分用户的等效信道把差异拉开NOMA才能发挥作用。论文在NOMA小节末尾明确指出了这个结合方向这不是简单的技术堆叠而是有明确的机制因果链。4. 协同波束形成分布式阵列如何换定向增益4.1 虚拟天线阵列的构建条件协同波束形成的基本思想是让独立分布的元素协同工作构建一个虚拟天线阵列。论文强调了一个关键前提这些元素必须共享相同的数据因为协同波束形成需要在所有协作发射器之间同时传输相同的数据。这个条件在集群场景下不是自动满足的——它要求簇内或群内的无人机先完成数据聚合和同步然后才能同时发射。从机制上看虚拟天线阵列类似于传统的集中式天线阵列可以执行波束形成操作在接收端的信噪比上提供增益。区别在于集中式阵列的阵元位置是固定的、精确已知的而虚拟阵列的阵元位置是无人机的位置受飞行控制精度和风扰影响。论文在讨论协同波束形成的挑战时专门提到当无人机遭遇风或其他意外情况从指定位置漂移会削弱协同波束形成的有效性。4.2 波束模式主瓣增益与旁瓣抑制的双重收益论文引用的工作展示了协同波束形成能产生具有尖锐主瓣和低旁瓣水平的波束模式从而显著提高天线增益。低旁瓣水平带来两个额外收益干扰被抑制敏感信号泄漏减少。这两个收益直接对应论文提到的协同波束形成的三个能力——增强信号强度、降低信号干扰、提高信号安全性。在物理层安全的场景中这个机制被用得很直接一组无人机组成虚拟天线阵列通过协同波束形成向远程基站传输信息向接收机方向产生高增益主瓣向其他方向产生低增益旁瓣使窃听者无法从信号中解调出有效信息。论文引用的另一个工作考虑了多个已知和未知窃听者存在的场景这说明协同波束形成的安全性不依赖窃听者位置完全已知——旁瓣抑制是空间上的结构性保护不需要精确的窃听者定位。4.3 漂移补偿位置误差下的两种补救路径论文对协同波束形成面临的挑战给出了两条补救路径一是建立模型评估漂移造成的性能损失二是通过能效合理的轨迹设计让无人机恢复位置、重建有效连接如果无人机不能立即改变位置可以调整激励电流权值来抵消性能损失。第二条路径值得展开。虚拟阵列的波束模式由阵元位置和激励权值共同决定。位置漂移相当于阵元位置出现了未知扰动如果权值不变波束主瓣会偏移、旁瓣会抬升。调整激励权值相当于在已知或可估计的位置误差下重新求解波束形成权重把主瓣重新对准目标方向。这个补救的代价是计算开销——权值重算需要知道漂移后的位置而位置估计本身有误差所以权值调整只能部分补偿不能完全恢复。注意在仿真中评估协同波束形成增益时如果位置误差模型用的是理想高斯扰动得到的旁瓣抑制效果往往比实际飞行试验乐观。实际风扰下的位置误差存在相关性不是独立同分布这一点在论文引用的漂移评估工作里通常会被单独建模。4.4 协同波束形成与簇结构的关系协同波束形成需要参与协作的无人机共享相同数据并同时发射这天然要求一个协调者来分发数据和同步发射时序。在集群架构中这个角色通常由簇头承担——簇头收集数据、分发给簇内成员、协调发射时刻。这意味着协同波束形成的规模受簇大小限制跨簇的协同需要簇头之间的额外协调。论文没有把这个耦合关系展开但从机制上推断簇结构既是回程压力的分摊手段也是协同波束形成的组织基础两者共享同一套分群逻辑。5. 航迹规划与移动边缘计算资源受限下的联合优化5.1 航迹规划算法的适用边界论文把已有的航迹规划算法粗略分为最短路径算法、智能算法和混合智能算法。最短路径算法包括Dijkstra和A*对单无人机路径规划性能表现良好但面对大规模、高维度、非线性的集群路径规划问题时适用性受到挑战。智能算法如遗传算法、粒子群算法能够考虑各种约束条件和优化目标但在大规模场景中计算复杂度较高。混合智能方法把智能算法与强化学习、深度学习结合通过学习和优化提高航迹规划的性能和适应性。这个分类背后的机制逻辑是集群航迹规划的搜索空间随无人机数量指数增长最短路径算法的复杂度优势在维度上升后迅速消失智能算法用启发式搜索换取了处理高维问题的能力但每轮迭代的计算量随种群规模和约束数量增长混合智能方法试图用学习到的策略替代部分在线搜索把计算负担前移到训练阶段。论文在航迹规划部分的论述在“强化学”处截断但从已有内容可以判断这个方向的趋势是用学习型方法处理动态环境下的实时调整需求。5.2 移动边缘计算中的能耗权衡论文对无人机集群辅助移动边缘计算的分析点出了一个容易被忽视的能耗结构在无人机上安装边缘服务器增加了无人机的负载和相关能量消耗缩短续航时间将用户的计算任务卸载到无人机上导致计算相关能耗增加而计算相关能耗通常比通信消耗的能耗更大。这两个因素叠加使得节能设计成为无人机集群辅助MEC的核心问题。论文引用的工作通过通信资源分配策略和无人机飞行轨迹优化来解决能耗问题。这里的联合优化有一个清晰的物理直觉飞行轨迹决定无人机的移动能耗和信道条件资源分配决定通信能耗和计算卸载的时延。轨迹飞得离用户近信道好、发射功率可以降低但飞行路径可能变长飞得远则相反。常见的建模方式是把总能耗写成轨迹和资源分配的联合函数在时延约束下最小化然后用交替优化或凸近似求解。论文还提到了三层架构用户设备—无人机—地面基站。当用户设备因阻塞无法直接卸载到地面基站时可以把计算密集型任务卸载到无人机或通过无人机中继进一步卸载到地面基站的计算能力更强的服务器。这个架构的关键设计点是卸载决策——哪些任务留在本地、哪些卸载到无人机、哪些经无人机中继到地面基站决策依据是任务的计算量、时延容忍度和各层节点的当前负载。5.3 联邦学习中的通信约束论文对无人机集群辅助联邦学习的分析抓住了联邦学习在无线环境下的一个结构性弱点FL的性能存在通信链路故障和节点缺失的问题特别是在需要连续交换模型参数的时候。无人机集群作为无线中继可以促进物联网组件和联邦学习服务器之间的通信弥补链路故障和节点缺失的不足。论文描述的场景是云端FL服务器向群中的无人机发出训练任务具备数据处理能力的无人机根据收集到的地面信息进行模型训练或将信息反馈给地面设备地面设备用本地数据集训练后将本地模型参数通过无人机发给云端服务器进行模型聚合。这个流程里无人机扮演的是中继和可选的计算节点双重角色。论文引用的工作从多个角度优化这个流程联合优化训练和网络资源分配以提升无人机能源利用效率联合优化计算速率和上下行传输持续时间以最小化每轮FL迭代的延迟通过连接调度和无线资源分配在计算精度、通信和计算资源限制下保证网络长时间运行。NOMA在这里也被用上——成员无人机在同一资源块上同时将本地模型发送到簇头簇头用连续干扰消除缓解共信道干扰。这个用法和NOMA在边缘计算中的用法一致都是利用SIC把多路并发传输从冲突变成可分离的叠加。论文指出的权衡很关键计算和通信延迟与模型学习精度之间的权衡以及本地训练所需计算和客户端能源消耗之间的权衡。这两个权衡不是独立的——提高本地训练轮数可以提升模型精度但增加计算能耗和延迟减少本地训练轮数则相反。联邦学习的优化问题本质上是在这两个权衡面上找操作点。6. 物理层安全的假设边界与设计取舍论文对物理层安全的梳理最有价值的部分不是罗列方案而是明确指出了现有研究的假设边界大多数研究仍停留在非动态场景下且假设窃听者的位置是已知的现有研究通常采用基于确定状态的信道模型。这些限制对满足实际动态场景中的实时通信需求构成重大挑战。从机制上看物理层安全的核心是利用信道特性来隐藏信息阻止未经授权的接收者从信号中解码出足够强的信息。论文描述的协作友好干扰框架里一部分无人机充当中继转发地面基站的消息给合法用户另一部分无人机充当友好干扰机向窃听者发送人工噪声。这个框架的有效性依赖两个条件干扰信号不对合法用户造成过度影响以及干扰方向对准窃听者。前者靠波束赋形或干扰消除技术控制后者靠窃听者位置信息——这正是“窃听者位置已知”假设的由来。协同波束形成提供了另一条不依赖窃听者精确位置的路径通过精心设计无人机的位置和激励电流权值优化波束模式使主波束指向目的地无效或低强度信号指向窃听者方向。这条路径的安全性来自空间隔离的结构性保护而不是对窃听者位置的精确感知。但它的局限也很明显——如果窃听者位于主瓣覆盖范围内旁瓣抑制就失效了。论文对未来方向的判断是考虑物联网环境的动态和窃听者的不确定性利用群智能的最新进展优化无人机轨迹考虑不同信道模型、未知节点位置、实时通信等因素设计基于深度强化学习的算法扩展协同无人机集群方案。这个判断的机制依据是动态场景下的轨迹优化和干扰策略选择本质上是序贯决策问题状态空间包含信道状态、节点位置估计和任务需求深度强化学习适合处理这类高维、部分可观测的决策问题。我在梳理这类综述时有一个习惯每读到一个安全方案先把它依赖的假设列出来再看这些假设在目标场景下是否成立。论文明确标注的“非动态场景”和“窃听者位置已知”两个假设在实际部署中往往同时不成立——目标在动窃听者位置只能估计。这意味着论文里那些在静态假设下漂亮的保密率曲线直接搬到动态场景会打折扣。比较务实的做法是把位置不确定性建模进优化问题用鲁棒优化或机会约束替代确定性假设而不是假设估计误差不存在。希望这篇拆解能帮你在读原文时更快定位每个方案的适用边界而不是被结论性的性能数字带偏。本文还有配套的精品资源点击获取