Altitude optimization of UAVS serving as base stations using deep learning

Abstract

It is expected that unmanned aerial vehicles (UAVs) will play a vital role in future communication systems. Optimum positioning of UAVs, serving as base stations can be done through extensive measurements or ray tracing simulations if the 3D model of the region is available. In this thesis, we present an alternative approach based on deep learning for optimizing the UAV altitude using the path loss distributions. These path loss distributions are generated using a multi- altitude deep learning model from 2D image of the specified region. In this proposed scenario the UAV captures the region to be served and the deep learning model generates the path loss distributions for multiple altitudes. By employing the coverage calculations the optimum altitude can be determined. This approach dispenses the usage of the 3D models, which are not always available, by utilizing 2D images. Moreover it extends the idea of using deep convolutional neural networks from having to design a separate network for each altitude to designing a generalized model for multi-altitudes by extracting the features from the 2D image of a region and estimate the path loss distribution.İnsansız hava araçlarının (İHA) yüksekliği, havadan karaya bir iletişim sis- teminin planlanmasında hayati bir rol oynar; kapsama alanını, kapsama alanını koruyan alıcı sayısını ve güç tüketimini doğrudan etkiler. Verici için optimum yüksekliğin belirlenmesi, kayıp modelini oluşturmak için geniş güç ölçümleri ile alan özelliklerine göre hesaplanır. Son zamanlarda ışın izleme simülasyonları ver- ilen alanın 3D modelini kullanarak bu prosedürü kolaylaştırmakta fakat yine de bu yaklaşım için yüksek hesaplama gücü ve zaman gerekmektedir. Bu tezde, her yükseliğin yol kaybı dağılımları kullanılarak İHA yüksekliğinin optimize edilmesi için gerçek zamanlı bir yaklaşım sunulmuştur. Bu yol kaybı dağılımları, belir- tilen bölgenin 2D görüntüsünden birden fazla yükseklikte derin öğrenme mod- eli kullanılarak oluşturulur. Bu önerilen senaryoda insansız hava aracı istenilen alanı yakalar ve derin öğrenme modeli farklı yükseklikler için yol kaybı dağılım- larını oluşturur. Kapsama hesaplamaları ile optimum yükseklik belirlenebilir. Bu yaklaşım, her zaman mevcut olmayan 3D modellerinin kullanılınmasındansa, 2D görüntüleri kullanmaktadır. Ayrıca, derin evrişimli sinirsel ağları kullanarak her yükseklik için ayrı bir ağ tasarlanıp hedeflenen bölgenin 2D görüntü arazi özel- likleri ayıklanarak ve yol kaybı dağılımları tahmin edilerek birden fazla yükseklik için genelleştirilmiş bir model tasarımı ortaya çıkarılabilir.