应急保障气象探测无人机发展趋势：应对重大突发灾害

应急保障气象探测无人机发展趋势：应对重大突发灾害现阶段，对于因泥石流、地震、洪漠、海啸等突发灾难或紧急事件，主要的解决方案是应用地面设备加以解决，例如大功率的临时通信车，或在较高的地面、建筑物上架设临时基站等。近年来，随着汶川地震，日本海啸等具有严重破坏性自然灾害的发生以及登山人员在地理形势不明确的地区被困事件时有发生，通信保障往往成为这些情况下最为紧迫的需求。面对重大自然灾害，快速建立一套稳定的通信系统，恢复灾区或战区通信，具有十分重要的战略意义。应急性自然灾害事件具有突发性的特点。因此，要求应急通信系统可以快速反应、迅速展开投入使用；同时，应急事件又具有时效性的特点，应急救援任务结束后，系统可以随时撤离现场。应急救援现场情况复杂，地点不确定、环境不确定、条件不确定，现有地面设施无法使用或无法提供，传统通信设施失效，要求应急通信系统需要独立成网、自成体系（包含供电系统）。图2 我国近年来重大自然灾害造成的损失 图2 我国近年来重大自然

1 无人机应急保障装备概述

我国是一个幅员辽阔，自然灾害多发的人口大国。目前，国内的通信技术和基础设施建设已经取得了显著的成绩，移动通讯技术切实改变了人们的生活方式和经济结构。然而，在出现突发事件或不可抗拒的自然因素等情况下，传统的通信网络显得脆弱不堪且难于恢复。2008年，我国南方遭遇50年一遇的特大冰雪灾难，灾情最严重时，8.3万个基站因停电退出服务，数以千万计的用户通信受到影响。同样在2008年，汶川发生极大地震，通信设施遭到严重损坏，汶川县通信瘫痪，外界无法及时获知汶川的任何消息。2010年的玉树地震、2012年台风“达维”再次袭击内陆地区，这些强自然灾害直接导致大范围的通讯中断[1 2]。面对天灾和通讯中断，这些灾害往往会造成重大的人员伤亡和财产损失。

图1 我国近年来重大自然灾害分布

重大自然灾害发生的前72小时，被称为“黄金救援期”。面对未知的灾情，第一时间获取灾情信息是抢险救灾的首要问题。然而重大自然灾害往往会造成重灾区电网瘫痪、信息中断和道路交通破坏，这些问题对救灾工作的展开造成了重大影响[3]。

图2 我国近年来重大自然灾害造成的损失 图2 我国近年来重大自然灾害造成的损失

在2008年汶川发生级大地震时，由于救灾车辆及人员无法在第一时间赶赴现场，灾情传递受阻将导致抢险救灾盲目部署。由于震后地形、气候复杂，需要有人直升机空中勘察，空降人员和空投物资均具有很大的危险，汶川地震中曾发生直升机失事事件，造成严重的人员伤亡后果，继而造成更大的损失和次生灾害[4]。

图3 博物馆展出的汶川地震救援中坠毁的直升机残骸

近年来，随着汶川地震，日本海啸等具有严重破坏性自然灾害的发生以及登山人员在地理形势不明确的地区被困事件时有发生，通信保障往往成为这些情况下最为紧迫的需求。面对重大自然灾害，快速建立一套稳定的通信系统，恢复灾区或战区通信，具有十分重要的战略意义。应急性自然灾害事件具有突发性的特点。因此，要求应急通信系统可以快速反应、迅速展开投入使用；同时，应急事件又具有时效性的特点，应急救援任务结束后，系统可以随时撤离现场。应急救援现场情况复杂，地点不确定、环境不确定、条件不确定，现有地面设施无法使用或无法提供，传统通信设施失效，要求应急通信系统需要独立成网、自成体系（包含供电系统）。

现阶段，对于因泥石流、地震、洪漠、海啸等突发灾难或紧急事件，主要的解决方案是应用地面设备加以解决，例如大功率的临时通信车，或在较高的地面、建筑物上架设临时基站等。

图 4 地面应急通讯保障车

这些方案由于设计与普通基站的差别不大，存在较大的技术复用性，因此具有技术难度较低，硬件成本较低的优点。但是也存在着架设速度较慢，人工成本严重依赖地面交通情况，部署慢，无法到达所有区域等等不足。

随着近年来人们对临时移动通信网络建立、维护的速度要求越来越高，对整套方案的快速、全域到达、成本等方面的要求越来越严格，传统方案的局限性正在逐步凸显出来，主要体现在以下两方面：

1）从方案性能方面来说，速度上，传统方案的建立、维护存在着建设速度偏慢的不足，一般从建立到调试完成至少需要一天。从机动性上来说，传统方案的移动性较差，虽然临时通信车可移动，但是一旦路面损坏，就基本丧失了机动能力。

2）从方案成本方面来说，通信设备的单位性能成本受摩尔定律的影响正在快速下降，而人力成本却在随着中国经历刘易斯拐点后劳动力逐渐短缺而导致的劳动力成本上升而不断上升。从综合成本来看，地面方案正在快速丧失原本具有的成本优势。

无人机基站是无人机与其搭载的无线通信模块的合成体，其兼具无人机的机动特性和无线传输特性。无人机通信具有长距离、高机动性、灵活部署和低延迟等特点。无人机基站作为一种机动灵活的通信服务设施，被广泛地应用于当前的无线通讯服务中，特别是在通信设备故障或自然灾害的抢险通信服务中[5 6]。

无人机基站可以为各种场景提供可靠、经济、高效的无线通信解决方案。一方面，无人机基站可以作为空中基站，向所需区域提供可靠、经济、按需的无线通信服务；另一方面，无人机基站可以作为空中中继，实现远距离用户设备之间的数据信息共享。地面基站的局限性（如基站数量限制、无线信号传输距离、偏远山区信号强度、用户密集区域的超容量数据请求和特殊环境下的通信请求等）给当前的无线通信网络服务带来更多挑战[7 8]，无人机基站作为一种可以自主飞行的移动通信设备，为解决上述限制问题提供了一种新的解决方案。相较于传统的地面应急通讯方式，空中通讯系统的主要优势包括：

1）能够抵达通信车无法到达的位置，极大地避免地形影响带来的通信质量及效率下降问题。

2）极快的部署速度，甚至可以在灾害结束之前抵达指定部署位置，尽可能快地收集、扫描人员分布情况，争取极其宝贵的时间和救援信息。

3）更灵活的部署方案，根据各区域灾情的不同，无人机可以在空中直接移动，同时调整资源分配策略。

4）无人机基站的快速部署能力较强，搭建成本较低；

5）在有信号覆盖区域，无人机基站可作为中继扩大信号的覆盖范围，在无信号覆盖区域，无人机基站可提供信号覆盖；

6）无人机基站的动态移动特性可根据地面用户的分布变化自由调整，以提高网络性能和网络连通性；

7）无人机基站可以用作宏基站层和小基站层之间的中间空中节点，以提高覆盖率和通信容量；

8）与地面网络相比，无人机基站可以建立直接的视距通信，提高网络通信性能。

因此，应用无人机系统建立空中应急通讯系统是理想的方式。无人机系统建立空中应急通讯系统的平台载体有固定翼无人机平台和旋翼式无人机平台。

图 5 固定翼和旋翼式无人机平台通讯应急系统

固定翼无人机具有航程远(1500km以上)、航时长(10h以上)、部署机动灵活(巡航速度150km/h以上)等特点，可以满足定点地区快速应急通讯的需求。固定翼无人机空中通讯中继系统组成如图 6所示。

图 6 固定翼无人机空中通讯中继系统组成

在接到任务指令后，无人机空中通讯系统可以从存放地紧急升空，靠自身航程快速机动到任务区域，实现最快速度恢复通讯的目的。同时，后续空中平台可以机动到任务区域前沿，通过弹射起飞的方式，实现后续通讯平台的部署任务。通过多架空中平台的协同中继，可以实现较大范围、较远距离的通讯需求。同时，备份无人机可以接替燃料用尽的平台，从而实现长时间无间断的通讯保障。

相较于旋翼式空中通讯中继平台，固定翼无人机空中通讯系统具有以下优势：

1）更加方便的机动灵活部署

相较于旋翼无人机，固定翼无人机飞行速度更快，可以从较远的距离上快速机动到指定任务区域。

2）更大的使用范围

相较于旋翼无人机，固定翼无人机航程更远，可以在大范围内使用。另外，固定翼无人机能源效率更高，具有搭载更大的通讯任务载荷设备，使其具有更大范围内的通讯保障能力。

3）更长的空中使用时间

相较于旋翼无人机，固定翼无人机航时更久，可以实现长时间的任务需求。相较于旋翼不足一个小时的航时，固定翼无人机的留空时间可以达到10个小时以上，甚至更长。如果有轮换无人机，则可以实现长时间无间断的通讯保障需求。

因此，固定翼无人机空中通讯系统具有其它应急保障通讯系统所无法比拟的优势。

2 研究现状

无人机上搭载的中继通信平台可以快速有效针对特定区域建立通信网络，为救灾等特殊情况争取宝贵时间。空中中继平台利用空中设备进行信息传送，可以跨越复杂地形且传输距离远。搭载中继通信平台的多架无人机作为飞行编队集中控制，使得通信可靠性更强，性能更好，已经成为业界越来越多的人们的研究对象。在空中中继系统中，对无人机编队的有效控制，是保障中继通信网络的稳定性的关键。

国内外的许多研究机构在无人机辅助通信上进行了深入的研究。例如，美国Facebook公司的Aquila项目[9]，该项目利用固定轨道飞行的无人机高空通信平台向偏远地区提供无线网络覆盖。Aquila无人机使用太阳能电池板自动供电，并配备自动控制系统用于调整航线和飞行参数（如航向、高度、空速等）。不同于Facebook公司的Aquila项目，美国Google公司的Loon项目[8]使用平流层飞行的气球，搭载无线通信设备为偏远地区提供无线网络通信服务。相比于高空平台，诺基亚公司的F-Cell项目[9]。通过部署小型太阳能无人机基站实现高吞吐量、低能耗的无线通信基站快速部署。此外，高通公司和AT&T正计划部署无人机，以便在第五代无线网络中实现大规模无线通信。华为的无线X实验室于2017年启动了“数字天空”计划，以推动无人机辅助通信在实际生活场景中的应用。

在无人机辅助通信的应用方向，基站数量受限、传输距离远、部分偏远地区信号差和通信产生的大量数据给目前通信网络的性能带来许多挑战。无人机作为一种可以自主飞行的移动设备，为解决上述问题提供了一种新的解决方案。无人机辅助通信的优势在于无人机可以随时随地地进行快速部署，并根据系统需求及时调整。无人机基站作为新兴的无线通信技术手段具有广泛的应用空间：可以作为移动中继或基站；可以用于改善蜂窝网络中的网络连接和覆盖；可以为远距离区域或服务请求量大的区域提供通信支持；可以显著提高移动自组织网络或无线传感器网络的性能等。

(1) 无人机辅助中继

在无人机辅助通信中，无人机可以作为移动中继改善网络性能。与传统的地面中继相比，无人机中继具有成本低、部署灵活、机动性强和适用性强等特点。严晓琴等[10]提出了一种无人机中继通信系统功率分配算法，以最大化系统能效为目标对功率进行最优分配。方斌等[11]将中继链路的最优链路代价问题，构建为一个需求与供给的微分对策问题，同时给出几何法的求解方式。为优化无线通信性能，Zhan 等[12]提出将无人机作为无线网络基站和地面终端之间的中继设备。Yong 等[13]以无人机中继系统吞吐量最大化为目标，对无人机轨迹和功率分配问题进行了研究。为提高移动自组网络的服务范围和可靠性，Palat 等[14]研究了很多无人机中继的协同优化问题。朱秋明等[15]以信道随机衰落对中继信号覆盖区域影响为出发点，给出了一种基于信号中断概率的最大化中继平台覆盖范围模型。吴高峰等[16]给出了一种多项式时间中继布置算法，用于解决在链路有效性和安全性约束条件下的中继节点最优布置问题。Li 等[17]给出网络传输时延最小化的中继策略。针对存在通信盲区和无人机使用数目受限条件下的无人机通信链路质量优化问题，方斌等[18]将通信中继链路中无人机部署问题形式化表示为多条路径优化问题，通过最短路径算法给出无人机通信中继链路构建问题的解决方案。

(2) 无人机辅助无线传感器网络

无线传感器网络在当前生产生活中有着广泛的应用，如区域监测、医疗保健监测、自然灾害预防和水质控制等。同时，无线传感器网络也面临众多挑战，如功耗限制、低处理能力和有限的节点存储容量等。装载无线设备的无人机系统为无线传感器网络中存在的挑战提供了解决方案。无人机辅助通信可以有效的降低无线传感器网络能耗，提高网络吞吐量和延长服务寿命[19]。无人机辅助通信在改善无线传感器网络性能方面备受国内外研究学者关注。在农业领域，Polo 等[20]设计了一种低成本无人机无线传感器网络，利用无人机的机动性收集数据和检测地面节点的变化。Ma等[21]设计了一种用于无线传感器网络的无人机辅助数据采集方案，并以传感器与无人机之间的数据传输速率和持续时间为优化问题，给出了四种数据采集算法。Jawhar 等[22]以降低数据传输能耗和减少多跳数据路由干扰为目标，提出了基于无人机的数据采集框架，并给出一种基于循环需求驱动策略的无人机路由算法。Mohamed 等[23]对无人机无线传感器网络的数据采集、监测和可靠性保证问题进行了研究。针对无人机中继过程中可能出现的通信中断、失真等问题，符小卫等[24]以通信延时为性能指标，给出优化信息传输的路由选择模型。胡续俊等[25]综合考虑无人机自身运动姿态和环境因素的影响，给出了一种基于两跳中继链路的传播模型。

(3) 无人机辅助移动自组网络

无人机的高度机动性特点同样适用于优化移动 Ad-hoc 网络性能。在 Ad-hoc 中，部分节点被视为骨干节点[26]负责 Ad-hoc中节点的运动和位置协调，并为断开的子网提供通信连接。无人机可作为 Ad-hoc中的骨干节点，提升网络的连通性、可扩展性、负载平衡和网络可靠性[27]等。S. Park 等[28]针对灾后地面 Ad-hoc 网络的重建问题，提出了一种分布式覆盖路径规划算法和路由拓扑发现方案，利用无人机将空中无线链路补充到损坏的地面网络中快速有效的恢复和提高网络数据传输效率。此外，无人机还可以通过最小化路由开销来提高无线 Ad-hoc 的性能，从而减少能耗和提高吞吐量[29]。无人机的移动性部署策略应考虑 Ad-hoc 网络的高动态性和自主拓扑结构，以最大限度地减少数据包延迟，提高网络的可扩展性。

(4) 无人机辅助车载自组网络

车载自组织网络(Vehicular Ad-hoc Network VANET)是移动自组网络的一个子类，传统的车辆自组网络通信方式分为车对车通信和车对路通信。VANET旨在为道路使用者提供安全管理、交通管理和互联网应用等服务[30]。随着移动车辆数量和数据交换量的不断增加，如何在车辆高机动性和各种障碍物影响的复杂环境中，优化数据吞吐量和无线通信服务成为VANET应用研究中的关键问题。无人机辅助通信为上述问题提供一种有效地解决方案，用于支持和协助车辆进行通信。无人机辅助通信可以有效的增强VANET网络的可扩展性、生存性和覆盖范围[31]。郭芳等[32]给出一个最小传输速率最大化的无人机飞行轨迹的优化策略，用于满足被服务车辆的通信公平性需求。针对车辆移动性对VANET网络通信的挑战，Omar等[33]提出了一种车辆自组织网络路由技术(UAV-Assisted VANET Routing Protocol UVAR)用于为城市环境中车辆之间数据传输提供一种高效的路由解决方案。在双向公路VANET网络上，Seliem等[34]给出一种车辆与无人机通信包传输延迟概率分布表达式，并以最小化车辆与无人机数据包传输延迟为目标函数提出一种路由协议，用于提升车辆自组网络通信性能，改善城市地区道路安全和流量。

(5) 无人机空中基站

当网络拥堵或网络中断的现象发生时，一个快速有效的临时移动基站就变得非常必要。无人机空中基站因其具有成本低、速度快和部署灵活等优势，对上述问题给出了一个完美的解决方案。Mozaffari等[35-37]分别研究了无人机基站通信中下行链路的最优化覆盖率空间部署问题；上行链路的用户最小能耗部署优化问题；下行链路的最优化传输速率问题和下行链路的最优化能耗传输问题。Lyu 等[38]提出一种基于用户需求的空中基站部署策略，以最小化空中基站数量实现最大化地面用户覆盖。Soorki 等[39]以最小化上传链路用户能源消耗为目标，建立空间无人机基站部署优化模型。Ayyagari 等[40]以最大化覆盖率为目标，提出一种使用无人机的快速部署无线移动通信网络。

(6) 启用缓存的无人机

网络缓存可以有效的提高网络通信服务性能、减少了传输时延和提高用户的吞吐量[41]。对于静态地面节点，只有将所请求的内容缓存在多个节点中，移动用户才能够获得有效的缓存服务。然而面对缓存空间的限制和用户的移动性，静态网络节点的缓存可发挥的实际效用较小。动态的无人机空中基站缓存为上述问题的解决给出了一个全新的视野空间。无人机基站可搭载无线通信模块和缓存文件，有针对性的为用户提供高效的移动缓存服务。Baştuğ 等[41]以中断概率和平均内容传送率作为目标，构建了一种无人机缓存模型。Zhao 等[42]研究了无人机辅助下的视频文件在高密度网络中的安全高速缓存和传输模型。Wang 等[43]给出了一种无人机辅助超密集网络通信中的能效缓存模型。Xu 等[44]利用了用户主动缓存技术，提出了一种以内容为中心的无人机通信缓存方案。Chen[45]提出了一种基于概念回声状态网络的机器学习算法，用于关联用户行为和无人机缓存以提升无人机辅助通信的性能。

(7) 无人机作为飞行无线回程

在无线网络通信中，无线回程主要用于从边缘网向核心网传输数据。在距离和干扰等因素的影响下，无线回程的通信速率[46]受到很大限制。为解决由于无线接入距离过远而导致的信号衰减问题，必须使用功率更大的无线电或者成本更高的大天线来提高链路增益。无人机的低成本和灵活部署方式让飞行无线回程成为一种可行的方案。Nguyen 等[47]考虑了一种新的双层无线回程网络模型，并采用时谱传输调整方案优化无线回程。Challita 等[48]提出了一种按需飞行网络的无线回程方案，构造一个多跳回程网络以改善回程性能。具体来说，无人机可以快速部署，以取代地面网络受损的有线回程。当无人机处于提供通信服务的最佳位置时，它可以提供可靠、高效的通信链路。

(8) 无人机辅助物联网通信

人工智能的兴起和发展使物联网成为当前网络的重要组成部分[49]。物联网是一个庞大的异构应用网络，它包含执行器、传感器、云计算和嵌入式计算的大型物理设备。物联网设备发挥作用的基础是反应快、延时低和可靠性强的无线通信[50]。Li等[51]研究了无人机辅助通信中的空对地远程物联网上行通信中的能量有效分配问题，通过联合优化子信道选择、上行链路发射功率控制和无人机中继部署来最大化系统能量效率。无人机低成本和高机动性被认为是解决物联网设备之间能源限制和距离限制的一个有效方案[52 53]。Mozaffari 等[53]研究了多架无人机作为地面物联网设备数据采集的空中基站的最优轨迹和部署问题。与地面基站不同的是，无人机可以根据物联网设备激活的模式，动态更新其位置，从而有效增强大规模物联网网络的通信能力。

无人机作为低成本和快速部署的移动性基站，为众多无线网络瓶颈问题提供了新的解决方案。无人机辅助通信将在未来无线通信活动中发挥更重要的作用和扮演更重要的角色。当前，无人机辅助通信相关技术研究仍处于起步阶段，很多关键性的问题仍有待解决，特别是结合实际需求的无人机部署问题。

无人机辅助通信的优势主要体现在无人机基站的机动性，即无人机基站可以根据用户需求随时随地做出空间位置调整，以获得更好的系统服务性能。无人机的飞行轨迹受空间障碍物、能量约束、地面用户需求和高空管制等多方面因素限制。用户需求是无人机辅助通信的目标，无人机轨迹应根据系统吞吐量、能量和频谱效率以及延迟等关键性能指标进行优化。

在以系统下载速率为目标的无人机轨迹优化问题上，Zeng 等[6]通过联合优化信号功率和中继轨迹，解决了移动中继系统中的吞吐量最大化问题，同时给出对于固定中继轨迹，随着时间的推移，吞吐量最优的源/中继功率分配遵循“阶梯式”注水结构。Jiang 等[54]分析了单无人机基站向多个用户提供通信服务场景下的无人机航向和系统速率关系模型，以最大系统上行链路速率为目标，给出了一种动态调整无人机航向的算法。Mozaffari 等[55]分析了无人机辅助物联网设备上行链路通信模型，以最小化物联网设备的总发射功率为目标，优化无人机的布局和移动性。作者根据每一时刻物联网设备的位置确定无人机的最佳关联位置，进而在时变网络中动态地为物联网设备服务。Wu 等[56]从用户之间通信性能均衡角度出发，通过优化无人机的轨迹和功率，使下行链路通信中所有地面用户的最小吞吐量最大化，并给出了一种基于简单圆轨迹和圆填充方案的无人机轨迹设计方案。Chowdhury 等[57]分析了持续时间约束条件下的无人机最优轨迹问题，目的是使蜂窝系统速率最大化，并采用动态规划算法来优化无人机轨迹。

在以能效优化为目标的无人机轨迹优化问题上，Zhang等[58]研究了多无人机中继系统中最大化用户吞吐量问题，通过优化无人机轨迹和发射功率实现系统性能最优。Ruan等[59]提出了一种基于能效的多无人机网络覆盖部署模型。作者将系统覆盖率最大化和功率最小化构建为博弈模型，并采用基于空间自适应博弈的多无人机节能覆盖部署算法对无人机轨迹进行优化。Zhan等[60]构建了一个无人机辅助多物联网设备的联合优化模型，模型以最小化能量消耗为目标同时给出轨迹的迭代优化解。Franco等[61]提出了一种基于能量感知的路径规划算法，该算法在满足覆盖率和分辨率等一系列要求的同时，将能量消耗最小化。Grotli等[62]综合考虑无人机路径中的飞行干涉、禁飞区和高度等限制条件，以服务性、安全性和能效性为目标建立轨迹优化模型，并采用混合整数线性规划算法得到优化的轨迹路径。

在以相关性能优化为目标的轨迹优化问题上，Han等[63]研究了如何利用无人机提高移动自组网络的连通性问题，通过量化四种网络连通性：全局消息连通性、最坏情况连通性、网络二分连通性和k连通性，制定无人机的部署和移动策略。Zhao等[64]分析了无人机飞行轨迹与系统通信性能之间的关系，针对单无人机场景，给出了一种频率相关三维信道模型；针对多无人机场景，给出了一种协同通信优化模型。

Fotouhi等人[65]提出了一种分布式无人机轨迹优化算法，该算法将干扰信号、移动用户的位置和用户的接收信号强度作为模型的约束条件，优化得到无人机基站移动的最佳方向。Khabbaz等[66]分析了无人机辅助车辆通信情景下的无人机路径与系统延时和连通性的关系模型，旨在开发智能无人机来提高车载网络的数据通信性能。作者根据无人机路径可用性和数据传输延迟之间的关系建立数学模型，用以优化无人机路径。

参考文献：

[1] 肖锋. 空中中继通信平台飞行控制软件设计与实现[D]. 北京邮电大学 2015.

[2] 张秋泊. 空中中继通信系统地面控制站的设计与实现[D]. 北京邮电大学.2015

[3] 王琰 .王秀玲.无人机电力应急救灾系统的研究[J]信息技术与信息化 2018.35(1):135-137.

[4] 张天罡，赵彦峰.基于无人机及SIP协议的空中组网集群通信系统在应急救援现场的应用[J].中国科技信息，2019.11：9 92.

[5] 黄天宇.无人机辅助通信中基站部署策略研究[D].燕山大学，2019

[6] Zeng Y Zhang R Lim T J. Wireless Communications with Unmanned Aerial Vehicles: Opportunities and Challenges[J]. IEEE Communications Magazine 2016 54(5): 36-42.

[7] Nawaz H Ali H M Laghari A A . UAV Communication Networks Issues: A Review[J]. Archives of Computational Methods in Engineering 2020: 21.

[8] Gupta L Jain R Vaszkun G. Survey of Important Issues in UAV Communication Networks[J]. IEEE Communications Surveys & Tutorials 2016 18(2): 1123-1152.

[9] Fotouhi A Qiang H Ding M et al. Survey on UAV Cellular Communications: Practical Aspects Standardization Advancements Regulation and Security Challenges[J]. IEEE Communications Surveys & Tutorials 2019: 1.

[10] 严晓琴 邢灵芝 颜俊. 能效最优准则下的无人机中继系统的功率分配算法[J].数据采集与处理 2018 33(06): 118-127.

[11] 方斌 陈特放. 基于几何法的中继无人机导引律设计[J]. 飞行力学 2014 32(6): 565-569.

[12] Zhan P Yu K Swindlehurst A L. Wireless Relay Communications with Unmanned Aerial Vehicles: Performance and Optimization[J]. IEEE Transactions on Aerospace and Electronic Systems 2011 47(3): 2068-2085.

[13] Zeng Y Zhang R Lim T J. Throughput Maximization for UAV-Enabled Mobile Relaying Systems[J]. IEEE Transactions on Communications 2016 64(12): 4983-4996.

[14] Palat R C Annamalau A Reed J R. Cooperative Relaying for Ad-Hoc Ground Networks Using Swarm UAVs[C]. MILCOM 2005-2005 IEEE Military Communications Conference 2005: 1588-1594.

[15] 朱秋明 周生奎 霍帅珂. 无人机中继平台覆盖区域统计模型[J]. 航空学报 2014 35(1) ：223-229.

[16] 吴高峰 高晓光 符小卫. 一种基于多无人机的中继节点布置问题建模与优化方法[J]. 航空学报 2017 38(11): 236-248.

[17] Li J Han Y. Optimal Resource Allocation for Packet Delay Minimization in Multi-Layer UAV Networks[J]. IEEE Communications Letters 2017 21(3): 580-583.

[18] 方斌 陈特放. 基于 IBF 算法的无人机中继链路部署问题研究[J]. 控制工程 2015 (1) : 32-37.

[19] Jawhar I Mohamed N Al-Jaroodi J. Data Communication in Linear Wireless Sensor Networks Using Unmanned Aerial Vehicles[C]. 2014 International Conference on Unmanned Aircraft Systems (ICUAS) 2014: 43-51.

[20] Polo J Hornero G Duijneveld C et al. Design of a Low-Cost Wireless Sensor Network with UAV Mobile Node for Agricultural Applications[J]. Computers & Electronics in Agriculture 2015 119(C): 19-32.

[21] Ma X Kacimi R Dhaou R. Fairness-Aware UAV-Assisted Data Collection in Mobile Wireless Sensor Networks[C]. 2016 International Wireless Communications and Mobile Computing Conference (IWCMC) 2016: 995-1001.

[22] Jawhar I Mohamed N Al-Jaroodi J. UAV-Based Data Communication in Wireless Sensor Networks: Models and Strategies[C]. 2015 International Conference on Unmanned Aircraft Systems (ICUAS) 2015: 687-694.

[23] Mohamed N Aldhaheri H Almurshidi K et al. Using UAVs to Secure Linear Wireless Sensor Networks[C]. 2016 IEEE 2nd International Conference on Big Data Security on Cloud (BigDataSecurity) IEEE International Conference on High Performance and Smart Computing (HPSC) and IEEE International Conference on Intelligent Data and Security (IDS) 2016: 424-429.

[24] 符小卫 程思敏 高晓光. 无人机协同中继过程中的路径规划与通信优化[J]. 系统工程与电子技术 2014 36(5): 890-894.

[25] 胡续俊 陈小敏 朱秋明. 无人机中继链路传播损耗及性能分析[J]. 数据采集与处理 2018 (4): 732-739.

[26] Wang H Huo D Alidaee B. Position Unmanned Aerial Vehicles in the Mobile Ad Hoc Network[J]. Journal of Intelligent & Robotic Systems 2014 74(1) : 455-464.

[27] Huo J Xu Z Zhang Y et al. A UAV Mobile Strategy in Mobile Ad Hoc Networks[C]. 2011 International Conference on Electronics Communications and Control (ICECC) 2011: 686-690.

[28] Park S Shin C S Jeong D et al. Dronenetx: Network Reconstruction through Connectivity Probing and Relay Deployment by Multiple UAVs in Ad Hoc Networks[J]. IEEE Transactions on Vehicular Technology 2018 67(11): 11192-11207.

[29] Liang F Nguyen J Gao W et al. Towards UAV Assisted Multi-Path Data Streaming in Mobile Ad-Hoc Networks[C]. 2018 International Conference on Computing Networking and Communications (ICNC) 2018: 599-603.

[30] Campolo C Molinaro A. Multichannel Communications in Vehicular Ad Hoc Networks: A Survey[J]. IEEE Communications Magazine 2013 51(5): 158-169.

[31] Zafar W Khan B M. Flying Ad-Hoc Networks:Technological and Social Implications[J]. IEEE Technology and Society Magazine 2016 35(2): 67-74.

[32] 郭芳 张玉艳 赵龙. 基于无人机辅助的 V2I 无线传输系统性能优化[J]. 物联网学报 2017 1(2): 46-53.

[33] Oubbati O S Lakas A Lagraa N et al. UVAR: An Intersection UAV-Assisted VANET Routing Protocol[C]. 2016 IEEE Wireless Communications and Networking Conference 2016: 6.

[34] Seliem H Shahidi R Ahmed M H et al. Drone-Based Highway-VANET and Das Service[J]. IEEE Access 2018 6: 20125-20137.

[35] Mozaffari M Saad W Bennis M et al. Drone Small Cells in the Clouds: Design Deployment and Performance Analysis[C].2015 IEEE Global Communications Conference (GLOBECOM) 2015: 6.

[36] Mozaffari M Saad W Bennis M et al. Mobile Internet of Things: Can UAVs Provide an Energy-Efficient Mobile Architecture?[C]. 2016 IEEE Global Communications Conference (GLOBECOM) 2016: 6.

[37] Mozaffari M Saad W Bennis M et al. Optimal Transport Theory for Power-Efficient Deployment of Unmanned Aerial Vehicles[C]. 2016 IEEE International Conference on Communications (ICC) 2016: 6.

[38] Lyu J Zeng Y Zhang R et al. Placement Optimization of UAV-Mounted Mobile Base Stations[J]. IEEE Communications Letters 2017 21(3): 604-607.

[39] Soorki M N Mozaffari M Saad W et al. Resource Allocation for Machine-to-Machine Communications with Unmanned Aerial Vehicles[C]. 2016 IEEE Globecom Workshops (GC Wkshps) 2016: 6.

[40] Ayyagari A Harrang J P Ray S. Airborne Information and Reconnaissance Network[C]. Proceedings of MILCOM '96 IEEE Military Communications Conference 1996: 230-234.

[41] Baştuğ E Bennis M Debbah M. Cache-enabled small cell networks: Modeling and tradeoffs[C]. 2014 11th International Symposium on Wireless Communications Systems (ISWCS) 2014: 649-653.

[42] Zhao N Cheng F Yu F R et al. Caching UAV Assisted Secure Transmission in Hyper-Dense Networks Based on Interference Alignment[J]. IEEE Transactions on Communications 2018 66(5): 228 2294.

[43] Wang H Ding G Gao F et al. Power Control in UAV-Supported Ultra Dense Networks: Communications Caching and Energy Transfer[J]. IEEE Communications Magazine 2018 56(6): 28-34.

[44] Xu X Zeng Y Guan Y L et al. Overcoming Endurance Issue: Uav-Enabled Communications with Proactive Caching[J]. IEEE Journal on Selected Areas in Communications 2018 36(6): 123 1244.

[45] Chen M Mozaffari M Saad W et al. Caching in the Sky: Proactive Deployment of Cache-Enabled Unmanned Aerial Vehicles for Optimized Quality-of-Experience[J]. IEEE Journal on Selected Areas in Communications 2017 35(5): 1046-1061.

[46] Siddique U Tabassum H Hossain E et al. Wireless Backhauling of 5G Small Cells: Challenges and Solution Approaches[J]. IEEE Wireless Communications 2015 22(5): 22-31.

[47] Nguyen T M Ajib W Assi C. Designing Wireless Backhaul Heterogeneous Networks with Small Cell Buffering[J]. IEEE Transactions on Communications 2018 66(10): 4596-4610.

[48] Challita U Saad W. Network formation in the Sky: Unmanned Aerial Vehicles for Multi-Hop Wireless Backhauling[C]. GLOBECOM 2017 - 2017 IEEE Global Communications Conference 2017: 6.

[49] Ejaz W Anpalagan A Imran M A et al. Internet of Things (IoT) in 5G Wireless Communications[J]. IEEE Access 2016 4: 10310-10314.

[50] Vashi S Ram J Modi J et al. Internet of Things (IoT): A Vision Architectural Elements and Security Issues[C]. 2017 International Conference on I-SMAC (IoT in Social Mobile Analytics and Cloud) (I-SMAC) 2017: 492-496.

[51] Li Z Wang Y Liu M et al. Energy Efficient Resource Allocation for UAV-Assisted Space-Air-Ground Internet of Remote Things Networks[J]. IEEE Access 2019 7: 145348-145362.

[52] Motlagh N H Bagaa M Taleb T. UAV-Based IoT Platform: A Crowd Surveillance Use Case[J]. IEEE Communications Magazine 2017 55(2): 128-134.

[53] Motlagh N H Bagaa M Taleb T. UAV Selection for a UAV-Based Integrative IoT Platform[C]. 2016 IEEE Global Communications Conference (GLOBECOM) 2016: 6.

[54] Jiang F Swindlehurst A L. Optimization of UAV Heading for the Ground-To-Air Uplink[J]. IEEE Journal on Selected Areas in Communications 2012 30(5): 993-1005.

[55] Mozaffari M Saad W Bennis M et al. Mobile Unmanned Aerial Vehicles (UAVs) for Energy-Efficient Internet of Things Communications[J]. IEEE Transactions on Wireless Communications 2017 16(11): 7574-7589.

[56] Wu Q Zeng Y Zhang R. Joint Trajectory and Communication Design for Multi-Uav Enabled Wireless Networks[J]. IEEE Transactions on Wireless Communications 2018 17(3): 2109-2121.

[57] Chowdhury M M U Bulut E Guvenc I. Trajectory Optimization in UAV-Assisted Cellular Networks under Mission Duration Constraint[C]. 2019 IEEE Radio and Wireless Symposium (RWS) 2019: 4.

[58] Chowdhury M M U Bulut E Guvenc I. Trajectory Optimization in UAV-Assisted Cellular Networks under Mission Duration Constraint[C]. 2019 IEEE Radio and Wireless Symposium (RWS) 2019: 4.

[59] Ruan L WangJ ChenJ et al. Energy-Efficient Multi-UAV Coverage Deployment in UAV Networks: A Game-Theoretic Framework[J]. China Communications 2018 15(10): 194-209.

[60] Zhan C Lai H. Energy Minimization in Internet-of-Things System Based on Rotary-Wing UAV[J]. IEEE Wireless Communications Letters 2019 8(5): 134 1344.

[61] Franco C D Buttazzo G. Energy-Aware Coverage Path Planning of UAVs[C]. 2015 IEEE International Conference on Autonomous Robot Systems and Competitions 2015: 11 117.

[62] Grotli E I Johansen T A. Path Planning for UAVs Under Communication Constraints Using SPLAT and MILP[J]. Journal of Intelligent & Robotic Systems 2012 65( 4): 265-282.

[63] Han Z Swindlehurst A L Liu K J R. Optimization of MANET Connectivity Via Smart Deployment/Movement of Unmanned Air Vehicles[J]. IEEE Transactions on Vehicular Technology 2009 58(7): 3533-3546.

[64] Zhao J Gao F Ding G et al. Integrating Communications and Control for UAV Systems: Opportunities and Challenges[J]. IEEE Access 2018 6: 67519-67527.

[65] Fotouhi A Ding M Hassan M. Dynamic Base Station Repositioning to Improve Spectral Efficiency of Drone Small Cells[C]. 2017 IEEE 18thInternational Symposium on A World of Wireless Mobile and Multimedia Networks (WoWMoM) 2017: 9.

[66] Khabbaz M Antoun J Assi C. Modeling and Performance Analysis of UAV-Assisted Vehicular Networks[J]. IEEE Transactions on Vehicular Technology 2019 68(9): 8384-8396.