← 返回论文列表

5G O-RAN网络中面向非地面用户的xApp赋能资源管理
xApp Empowered Resource Management for Non-Terrestrial Users in 5G O-RAN Networks

作者: Mohammed M. H. Qazzaz, Syed Ali Zaidi, Aubida A. Al-Hameed 等5人
arXiv: 2605.10704v1
分类: eess.SP, cs.RO
📝 论文摘要
本文介绍了一种面向开放无线接入网（O-RAN）近实时无线智能控制器（Near-RT RIC）环境的主动式无人机（UAV）移动性管理xApp，采用结合迁移学习增强的双深度Q网络（DDQN）强化学习（RL），以优化沿预定飞行轨迹运行的无人机的切换决策。与响应信号衰落的被动方法不同，所提出的框架通过预测优化来预判网络条件，并最小化中断概率和切换频率。该系统利用集中式权重平均法，将多个飞行场景的知识整合到一个全局模型中，该模型能够在无需大量重新训练的情况下泛化到未见过的运行环境。综合评估表明，所提框架在切换频率与连接可靠性之间实现了有利的权衡，与贪婪方法相比，切换事件减少高达54.6%，同时将中断概率维持在几乎可忽略的水平。结果验证了基于智能学习的方法在下一代O-RAN架构中用于无人机移动性管理的有效性，从而为空中用户设备无缝集成到蜂窝网络做出了贡献。

📊 核心分析

🎯 研究动机
- 现有UAV移动性管理方法多为被动响应信号退化，导致切换频繁或中断率较高 - 需要在O-RAN架构下开发主动式、预测性的切换优化方案，以提升非地面用户的连接可靠性 - 研究背景：5G O-RAN中Near-RT RIC支持智能xApp，但缺乏针对沿预定轨迹飞行的UAV的高效资源管理机制
🔧 核心方法
- 提出一种基于**Double Deep Q-Network (DDQN)** 强化学习的主动式UAV移动性管理xApp，部署在O-RAN Near-RT RIC中 - 融合**迁移学习(transfer learning)**，通过**集中式权重平均(centralized weight averaging)** 从多个飞行场景中聚合知识为全局模型 - 利用预测优化(predictive optimization)提前预判网络条件，做出切换决策，避免依赖实时信号退化触发
💡 核心创新
- **首创性**：首次将**DDQN** 与**迁移学习** 结合应用于O-RAN环境下的UAV切换管理 - **主动预测**：不同于被动响应，框架通过预期网络条件优化切换，同时降低中断概率和切换频率 - **跨场景泛化**：集中式权重平均使全局模型能泛化到未见过的操作环境，无需大量重训练 - **性能优势**：相比贪婪方法，减少最多**54.6%** 的切换事件，同时维持中断概率实际可忽略
🏆 总体贡献
- 为5G O-RAN中非地面用户提供了一种全新的**智能资源管理范式**，即基于强化学习和迁移学习的主动式xApp - 通过详尽评估验证了智能学习方法在UAV移动性管理中能实现**切换频率与连接可靠性的良好权衡** - 推动了空中用户设备与蜂窝网络的**无缝集成**，拓展了O-RAN架构对非地面网络的支持能力