本文是一篇计算机论文，本文提出的方法和算法不仅显著提升了无人机编队语义通信的效率和可靠性，还为解决复杂环境下的通信与任务协同问题提供了创新性解决方案，推动了无人机编队语义通信技术的发展，为无人机编队在智慧城市、应急救援等领域的应用提供了理论支撑和技术指导。
第一章 绪论
1.1 研究背景及意义
无人机因其体积小、重量轻、机动性强等特点，已广泛应用于物流运输、灾害救援、中继通信、电力巡检等军事和民用领域。与单一无人机相比，无人机编队在各种复杂应用场景中展现出更高的灵活性、效率性、鲁棒性与适应性，无人机编队通信系统的设计已经成为智能无人系统领域的重要研究方向。根据2021年全球商用无人机市场报告[1]，到2026年，智慧城市应用将占无人机编队部署的32%。然而，在城市这一无人机编队常见的应用场景中，密集的高楼大厦不仅构成了复杂的三维地形环境，同时又与城市中多样化的电磁辐射源共同形成了复杂的电磁环境。
为了实现高效的协同，无人机编队需要持续不断地交换包括位置数据、飞行状态以及任务相关数据等各种关键信息。特别是在进行协同避障和路径规划时，无人机间需要快速、准确地共享大量的环境感知数据。这种频繁的信息交互带来了大量的通信开销，对通信系统的效率提出了严格要求。在此背景下，无人机编通信面临着多重技术挑战：首先，无人机携带的能源有限，频繁的通信和复杂的飞行路径会进一步加剧能源消耗；其次，碰撞避免对无人机编队至关重要，这对通信的实时性提出了要求；最后，无人机动态飞行的特性进一步压缩了有限的频谱资源，导致传统通信系统在这种环境下的性能急剧下降，仅仅通过增加通信带宽或提高发射功率等方式，不仅难以从根本上解决复杂城市环境下无人机编队的通信问题，还会加剧无人机有限的能源消耗。传统的通信系统设计目标是在噪声信道上可靠地传输比特流，而不考虑消息的潜在含义或它们在目的地的使用方式。这种与内容分离的方法虽然在以通信为主要目标的系统（如语音和数据传输）中取得了巨大成功，但在无人机编队等应用场景中可能不再适用。
1.2 国内外研究现状
1.2.1 引言
本文的研究主题是面向无人机编队的语义通信技术，为此，本文首先介绍了无人机编队飞行研究现状。随后，重点介绍语义通信的相关研究现状，特别是与本研究密切相关的几个关键方面。包括语义通信系统的分类、用于图像模态的语义信息提取技术、语义信息选择性传输技术、自适应信道传输技术以及语义通信网络的资源分配技术。通过梳理这些领域的最新进展，旨在为后续的研究工作奠定坚实的理论基础，明确当前技术发展中存在的问题和挑战并为本文后续的技术方案设计和实验验证提供重要支撑。
1.2.2 无人机编队飞行研究现状
在无人机编队飞行的研究领域中，与本文研究内容密切相关的主要包括三个方面：无人机编队路径规划、无人机编队飞行控制和面向无人机编队的通信技术。路径规划关注如何为编队中的无人机设计最优飞行路径；编队飞行控制研究如何维持和调整编队形态；而通信技术则致力于确保编队内部和与外部基础设施之间的有效信息交换。这三个方面相互关联，对于提高无人机编队的整体性能和任务执行能力至关重要。
1.2.2.1 无人机编队路径规划
路径规划是无人机编队中最具挑战性的任务之一。它涉及为无人机分配目标，并设计从初始位置到目标位置的最优路径，同时确保编队中无人机之间保持预定距离以实现无碰撞导航。最优路径取决于多种因素，如避障、路径长度、避免碰撞、能耗、时间，以及特定事件的约束，例如在特定地点停留或覆盖特定区域等[2]。路径规划算法可以分为四大类：传统算法、基于采样的算法、基于模型的算法和基于智能的算法。
第二章 相关理论和技术
2.1 面向无人机编队飞行的地图语义提取
在无人机编队飞行任务中，对环境的准确感知和理解至关重要。为了实现高效、安全的编队飞行，需要从地图数据中提取的语义信息。近年来，深度学习技术在计算机视觉领域取得了巨大突破，为地图语义提取任务提供了强有力的工具。其中，基于Transformer架构的视觉模型展现出了优异的性能，成为解决此类问题的重要工具。本节将重点介绍一种基于Vision Transformer的地图语义提取方法，并将其作为无人机编队提取建筑物语义信息的基础模型。
2.1.1 Vision Transformer网络
Vision Transformer (ViT)[88]是2020年Google团队提出的将Transformer[89]应用于图像分类的模型，它将原本为序列处理任务(如自然语言处理)设计的Transformer架构应用于图像分类任务。尽管ViT并非首次将Transformer引入计算机视觉领域，但其简洁而高效的设计、卓越的性能表现以及强大的可扩展性使其成为了这一研究方向的里程碑之作，同时也引发了后续大量的相关研究。
ViT的核心创新在于其克服了将Transformer直接应用于图像处理的挑战。图像本质上是二维或三维的结构，像素之间存在复杂的空间关系，若直接将Transformer应用于逐像素级别的处理，计算复杂度将呈平方增长，变得难以实现。为解决这一问题，ViT采用了一种独特的图像处理方式：首先将输入图像划分为一系列等大小的图像块(patches)，然后将每个图块线性映射为一个向量表示。这种方法将二维图像转化为一维序列，使得Transformer能够高效处理图像数据。
2.2 信道自适应语义通信技术
现有的面向图像传输的信道自适应语义通信技术往往会将信道信噪比作为一项输入。按照引入信噪比的模式，现有工作可以分为基于特征拼接的方法[75]和基于特征调制的方法[79]。前者通过将SNR信息直接与网络中的特征图拼接，然后通过后续的网络层来处理这种组合信息。后者先对SNR信息进行处理（通常通过全连接层），然后利用处理后的信息来调制网络中的特征图（通常采用点乘操作）。这两种方法各有特点，分别适用于不同的网络架构和应用场景。
2.2.1 基于特征拼接的信噪比自适应模块
如图1.10所示，Xu等人[75]提出了一种名为ADJSCC的图像语义通信系统。ADJSCC通过在网络的多个层级中引入注意力机制来实现SNR自适应。该方法由两种主要模块交替构成：特征学习（Feature Learning， FL）模块和注意力特征（Attention Feature， AF）模块，这两种模块的关系如图2.3所示。FL模块负责特征提取，通常由一个卷积层、一个广义分部归一化（GDN）层和一个参数化ReLU（PReLU）激活层组成，最后一个FL模块的PReLU被替换为Sigmoid激活函数。在每个FL模块之后，紧跟一个AF模块。AF模块首先对FL模块输出的特征进行全局平均池化，将高维特征压缩到通道维度，然后将池化后的特征与SNR信息直接拼接形成上下文信息。这个融合后的信息通过两个全连接层处理，生成一个与输入特征通道数相同的缩放向量，并通过Sigmoid激活函数将其限制在0到1之间。最后，将这个缩放向量与原始输入特征进行逐元素相乘，实现特征的动态调整。通过在网络中使用多个这样的FL-AF模块对，ADJSCC能够在不同的抽象层次上对特征进行自适应调整，从而更好地适应不同的SNR条件，实现端到端的信道自适应能力。
第三章 基于多尺度卷积的自适应信噪比语义通信 ............................ 27
3.1 引言 ............................. 27
3.2 系统模型 ............................. 28
第四章 基于语义通信的无人机集群图像节能传输 ............................ 44
4.1 引言 ......................... 44
4.2 系统模型 ..................................... 45
第五章 面向无人机编队任务的语义提取及路径联合优化 ................ 55
5.1 引言 .............................. 55
5.2 系统模型 ........................... 55
第五章 面向无人机编队任务的语义提取及路径联合优化
5.1 引言
第四章提出了一种基于语义通信的无人机集群图像节能传输，通过SISPA算法实现了语义信息选择和通信资源分配的联合优化。然而，第四章只考虑了传输地图，没有考虑在通信效率与无人机编队的路径规划任务的联合优化设计。在第四章的基础上，本章进一步探索如何在保证路径规划任务效果的前提下，最小化传输的数据量。具体而言，本章引入了膨胀算法来合并距离相近的障碍物，进一步压缩需要传输的语义信息。然而，合并障碍物可能导致规划的路径变长甚至不可行，因此需要在数据压缩和路径规划效果之间寻求平衡。为解决这一问题，本章提出了一种面向无人机编队任务的语义提取及路径联合优化方法。
本章的主要创新和贡献如下：
（1）本文考虑了使用语义通信的无人机集群，其中领导者将障碍物边界的顶点作为航空图像的语义信息传输给每个跟随者。基于接收到的语义信息，每个跟随者重建语义地图，并进行路径规划。
（2）本文提出了重构效率指数(Reconstruction Efficiency Index， REI)作为语义通信性能的评价指标，所提出的REI可以衡量通信传输的数据减少量和路径规划的效果。
（3）由于传输功率限制和传输延迟要求，领导者必须为每个跟随者传输部分语义信息。该问题被形式化为一个REI最大化问题，目标是通过选择重要语义信息来最大化REI。
（4）为了解决这一问题，本文提出了一种基于强化学习的语义信息选择（SIS）算法，该算法建立了语义信息选择与REI之间的关系。通过这个算法，领导者能够制定有效的语义信息传输策略，从而在保证路径规划效果的情况下，优化整体通信效果。
第六章 总结与展望
6.1 全文总结
为解决当前无人机编队中语义通信所面临的问题，本文结合深度学习和强化学习技术，围绕如何实现更合理、高效的无人机编队语义通信展开研究。首先，针对动态信道环境下的语义信息提取问题，提出了一种基于多尺度卷积的自适应信噪比语义通信技术。然后，为了解决面向语义的无线资源分配问题，设计了一种基于语义通信的无人机集群图像节能传输方法。最后，本文在第二个研究成果的基础上，进一步研究了面向无人机编队任务的语义提取及路径联合优化，着手解决通信效率与任务性能之间的权衡问题。
本文在无人机编队语义通信领域的主要贡献如下：
(1) 在自适应信噪比语义通信方面，本文提出的多尺度卷积方法显著提高了系统在不同信道条件下的适应性。实验结果表明，该方法在连通性错误上平均降低了48.11%，边界F1分数平均提高了7.96%，IoU指标平均提高了2.29%。这些改进不仅保证了高质量的图像分割，还大幅减少了传输数据量，为复杂、动态信道环境下的无人机通信提供了有效解决方案。
(2) 在无线资源分配领域，本文设计的SISPA算法成功建立了语义信息选择、功率分配与系统性能之间的关系。实验结果显示，与传统方法相比，SISPA算法在IoU总和方面实现了17.4%的提升。这一算法在提高通信效率的同时，有效平衡了系统资源利用与通信质量，为无人机集群的高效协同奠定了基础。
(3) 在语义提取与路径规划联合优化方面，本文提出的SIS算法和REI评价指标开创性地将通信效率与任务性能结合考虑。实验结果表明，与传输全部顶点信息的方案相比，所提出的方法在REI指标上实现了32.34%的提升。这一方法不仅大幅降低了数据传输量，还确保了路径规划的有效性，为无人机编队在复杂环境中的智能决策提供了新思路。
参考文献（略）