레이저 충전 UAV 네트워크를 위한 심층강화학습 기반 위치 및 전송 전력 제어 기법
Deep Reinforcement Learning-Based Position and Power Control for Laser-Charged UAV Networks
- 주제(키워드) 무인항공기 기반 기지국 , 레이저 충전 기술 , 심층강화학습 , 다목적 최적화
- 주제(DDC) 004.6
- 발행기관 아주대학교 일반대학원
- 지도교수 이호원
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 일반대학원 AI융합네트워크학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035265
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 5G와 6G 통신 기술이 발전함에 따라, 고도를 조절하며 유연하게 배치할 수 있는 무인항공기(Unmanned Aerial Vehicle, UAV)를 활용한 통신 인프라가 차세대 네트워크 기술로 주목받고 있다. 특히, UAV를 공중 기지국으로 활용하는 UAV 기 반 기지국(UAV-based Base Station, UBS) 시스템은 지상 인프라의 한계를 극복할 수 있는 유망한 대안으로 떠오르고 있지만, 제한된 배터리 용량으로 인해 운용 시 간이 짧다는 근본적인 한계를 안고 있다. 이러한 문제를 해결하기 위한 방안으로 레이저 충전(Laser Power Beaming) 기술 이 주목받고 있다. 이 기술은 지상에 설치된 레이저 충전 스테이션(Laser Charging Station, LCS)에서 고출력 레이저를 발사하여 공중의 UBS에 무선으로 에너지를 공 급하는 방식으로, 높은 전력 밀도와 우수한 빔 집속력을 바탕으로, 원거리에서도 안 정적인 에너지 전달이 가능하다. 그러나 이러한 시스템에서는 UAV가 지상 사용자(Ground User, GU)에게 안정적 인 통신 서비스를 제공함과 동시에, LCS로부터 효율적으로 에너지를 공급받아야 하기 때문에 UAV의 3차원 위치와 전송 전력을 정밀하게 제어하는 것이 필수적이 다. 특히, 통신 품질과 에너지 충전 효율 사이에는 근본적인 트레이드오프가 존재한 다. 예를 들어, 통신 품질을 높이기 위해서는 사용자 밀집 지역에 근접해야 하지만, 에너지 충전을 위해서는 충전소 인근에 머물러야 하므로 두 요구를 동시에 만족시키는 것은 어렵다. 더욱이 사용자 분포, 채널 상태 등 네트워크 환경이 시시각각 변화하기 때문에, 이러한 트레이드오프를 실시간으로 조율할 수 있는 지능형 위치 및 전송 전력 제어 기법이 요구된다. 이에 본 논문에서는 심층 강화학습(Deep Reinforcement Learning, DRL)을 기반으로 한 UAV 위치 및 통신 전송 전력 제어 기법을 제안한다. 각 UAV는 독립적인 에이전트로 동작하며, 현재 상태를 실시간으로 파악하고 이를 바탕으로 최적 제어 정책을 자율적으로 학습한다. 또한 통신 성능과 에너지 효율을 동시에 고려하는 다목적 보상 함수를 설계하고, 다양한 운영 환경에 유연하게 대응할 수 있도록 가중 치 조절 방식을 도입한다. 시뮬레이션 결과, 제안방안이 랜덤 액션(Random Action), 중앙집중식 기법(Central ized Approach), 완전 탐색 기반 기법(Exhaustive Search)의 여러 벤치마크 기법들 비해 통신 품질, 에너지 충전량, 소모량의 다양한 성능 지표 측면에서 우수한 결과를 보였다. 특히, 사용자 이동이 많은 환경에서도 빠르게 학습이 수렴하고 높은 적응력을 유지하여, 실제 환경에서도 충분한 실용성과 안정성을 가질 수 있음을 확인 하였다.
more목차
제1장 서 론 1
1.1 배경 지식 1
1.2 논문의 개요 및 목적 3
1.3 논문 구성 4
제2장 관련 연구 동향 5
2.1 UAV 기반 무선통신 네트워크 최적화 연구 5
2.2 심층 강화학습 기반 UAV 기반 무선통신 네트워크 최적화 연구 6
2.3 UAV 에너지 충전 기술 연구 7
2.4 레이저 충전 기술 논문 10
제3장 레이저 충전 UAV 네트워크의 시스템 모델 12
3.1 네트워크 구성 및 시스템 개요 12
3.2 A2G 채널 모델 13
3.3 레이저 에너지 충전 모델 15
3.4 UAV 에너지 소비 모델 15
3.4.1 통신 에너지 16
3.4.2 호버링 에너지 16
3.4.3 이동 에너지 16
3.5 문제 정의 17
제4장 레이저 충전 기반 UAV 네트워크를 위한 심층 강화학습 기반 위치 및 전송 전력 제어 기법 19
4.1 MDP 설계 19
4.2 DQN 학습 과정 20
제5장 시뮬레이션 결과 및 성능 분석 24
5.1 벤치마크 기법 24
5.2 성능 지표 26
5.3 시뮬레이션 결과 26
제6장 결 론 44
참 고 문 헌 46
Abstract 51
