物联网学报 ›› 2020, Vol. 4 ›› Issue (3): 3-19.doi: 10.11959/j.issn.2096-3750.2020.00142

• 专题:智慧交通物联网 •    下一篇

空天地一体化网络技术:探索与展望

沈学民1,承楠2(),周海波3,吕丰4,权伟5,时伟森1,吴华清1,周淙浩1   

  1. 1 滑铁卢大学,加拿大 滑铁卢 N2L 3G1
    2 西安电子科技大学,陕西 西安 710071
    3 南京大学,江苏 南京 210023
    4 中南大学,湖南 长沙 410083
    5 北京交通大学,北京 100044
  • 修回日期:2020-07-07 出版日期:2020-09-30 发布日期:2020-09-07
  • 作者简介:沈学民(1958- ),男,博士,中国工程院外籍院士,加拿大工程院、工程研究院院士以及皇家学会会士,加拿大滑铁卢大学教授,IEEE Fellow。主要研究方向为空天地一体化网络、车联网、网络安全、人工智能及智能电网等。现为IEEE通信学会副主席、Peer-to-Peer Networking and Applications主编,曾担任IEEE Internet of Things Journal主编、IEEE Board of Governor 成员、IEEE Distinguished Lecturers Selection Committee主席等职务。曾担任多个国际会议的TPC主席/合作主席,包括IEEE GLOBECOM 2016、INFOCOM 2014、VTC-Fall 2010等|承楠(1987- ),男,博士,西安电子科技大学教授、博士生导师,主要研究方向为空天地一体化网络、车联网、未来无线网络、人工智能等。参与多项国家重点课题,包括国家自然科学基金资助项目、国家863课题等。现担任国际期刊 Peer-to-Peer Networking and Applications 以及 IEEE Open Journal of Vehicular Technology编委,现/曾担任多个国际会议程序委员会成员|周海波(1985- ),男,博士,南京大学副教授、博士生导师、特聘研究员,主要研究方向为异构无线网络融合与跨学科创新。现担任 IEEE Internet of Things Journal、IEEE Network Magazine、IEEE Wireless Communications Letters 3本国际期刊的编委以及多个国际重要会议技术程序委员会委员,目前是IEEE高级会员和中国电子学会高级会员|吕丰(1990- ),男,博士,中南大学特聘教授,主要研究方向为车联网(物联网)、大数据科学与工程、移动网络计算、空天地一体化网络。以技术骨干身份参与多项国家重点基金资助项目与课题,包括国家自然科学基金资助项目、国家863课题、国家科技部重点研发计划等。现/曾担任多个国际会议程序委员会成员及十余个 SCI 期刊审稿人,目前是 IEEE/ACM 会员和中国通信学会高级会员|权伟(1987- ),男,博士,北京交通大学副教授、博士生导师,主要研究方向为未来网络体系与传输理论、智慧车联网等。现担任IEEE Access、IET Networks、Peer-to-Peer Networking and Applications 3 本国际期刊的编委以及多个国际重要会议技术程序委员会委员,目前是中国通信学会高级会员、中国人工智能学会高级会员|时伟森(1991- ),男,博士,华为技术有限公司加拿大研究中心研发工程师,主要研究方向为空天地一体化通信网络、无人机轨迹规划、组网通信、未来无线接入网资源分配等|吴华清(1992-),女,加拿大滑铁卢大学博士生,主要研究方向为车联网、边缘缓存、资源管理和空天地一体化网络等|周淙浩(1994- ),男,加拿大滑铁卢大学博士生,主要研究方向为空天地一体化网络和机器学习在无线网络中的应用
  • 基金资助:
    国家自然科学基金资助项目(91638204)

Space-air-ground integrated networks:review and prospect

Xuemin(Sherman) SHEN1,Nan CHENG2(),Haibo ZHOU3,Feng LYU4,Wei QUAN5,Weisen SHI1,Huaqing WU1,Conghao ZHOU1   

  1. 1 University of Waterloo,Waterloo N2L 3G1,Canada
    2 Xidian University,Xi’an 710071,China
    3 Nanjing University,Nanjing 210023,China
    4 Central South University,Changsha 410083,China
    5 Beijing Jiaotong University,Beijing 100044,China
  • Revised:2020-07-07 Online:2020-09-30 Published:2020-09-07
  • Supported by:
    The National Natural Science Foundation of China(91638204)

摘要:

随着信息技术的不断发展,信息服务的空间范畴不断扩大,各种天基、空基、海基、地基网络服务不断涌现,对多维综合信息资源的需求也逐步提升。空天地一体化网络可以为陆海空天用户提供无缝信息服务,满足未来网络对全时全域全空通信和网络互联互通的需求。首先,对空天地一体化网络技术及协议体系的发展趋势进行了分析,探讨了低轨卫星通信系统以及空地网络融合的研究进展。针对网络结构复杂、动态性高、资源高度约束等问题,提出了基于强化学习(RL,reinforcement learning)的空天地一体化网络设计与优化框架,以进行高效快速的网络设计、分析、优化与管控。同时给出了实例分析,阐明了利用深度强化学习(DRL,deep RL)进行空天地一体化网络智能接入选择的方法。并通过搭建空天地一体化网络仿真平台,解决了网络观测稀疏与训练数据难以获取的问题,极大地提升了RL的训练效率。最后,对空天地一体化网络中的潜在研究方向进行了探讨。

关键词: 空天地一体化网络, 强化学习, 低轨卫星星座, 仿真平台, 车联网

Abstract:

With the advance of the information technologies,the scale of the information services gradually expands,from ground services,to aerial,maritime,and spatial services,with the soaring requirements on multi-dimensional comprehensive information resources.The space-air-ground integrated networks (SAGINs) are envisioned to provide seamless network services to spatial,aerial,maritime,and ground users,satisfying the future network requirements on all-time,all-domain,and all-space communications and interconnected networking.Firstly,we reviewed the current research development of SAGINs,discussing the research trends on the low-earth orbiting (LEO) satellite constellation and space-ground network integration.Then,the reinforcement learning (RL) framework was proposed in SAGINs to address the problems of complex architecture,high dynamics,and resource constraints in SAGINs,which facilitated efficient and fast network design,analysis,optimization,and management.As a case study,the method of applying deep RL (DRL) was showed for the intelligent access network selection in SAGINs.To improve the RL training efficiency,a comprehensive SAGINs simulation platform was established,through which the agent-environments interaction was accelerated and training samples could be obtained more cost-effectively.Finally,some open research directions were presented.

Key words: space-air-ground integrated network, reinforcement learning, LEO constellation, simulation platform, Internet of vehicles

中图分类号: