QoE Maximization for Aerial Video Streaming with Multiple Cellular Connected UAVs

QoE Maximization for Aerial Video Streaming with Multiple Cellular Connected UAVs
通过多个蜂窝连接无人机实现空中视频流的 QoE 最大化

• 背景：考虑了一个空中视频流场景，其中多个蜂窝连接的无人机（UAV）从不同的兴趣点（PoI）区域捕获视频，并传输给基站（BS），以便地面用户可以分享无人机的视野。
• 解决的问题：通过优化传输调度、视频播放速率和无人机轨迹设计，最大化所有用户的最小体验质量（QoE），同时考虑了上行干扰以及视频质量和平滑性之间的权衡。
• 方法：采用了一种不精确的块坐标下降（BCD）方法，利用精确惩罚方法（EPM）处理二元约束，利用连续凸近似（SCA）方法处理非凸项，从而开发了一种有效的迭代算法，并保证了收敛性。
• 贡献：提出了一种空中视频流框架，利用多个蜂窝连接的无人机，实现了传输调度、无人机轨迹和播放速率的联合优化，提高了用户的QoE。本文还揭示了视频质量和平滑性之间的权衡。

II、模型

A、系统模型

• U个无人机：
  1、水平坐标， U = { v 1 , v 2 , … , v U } , \mathcal{U}=\{v_{1},v_{2},\ldots,v_{U}\}, U={v1​,v2​,…,vU​},
  2、从感兴趣点（PoI）捕获视频，发到BSs基站，然后BSs通过蜂窝网络将视频流发到用户。
  3、高度固定为H。（水平飞行更节约能量）

• K个地面用户：
  1、水平坐标， S = { s 1 , s 2 , … , s K } \mathcal{S}=\{s_{1},s_{2},\ldots,s_{K}\} S={s1​,s2​,…,sK​}

• U个 PoI区域：
  1、 { ζ 1 , ζ 2 , … , ζ U } {\{\zeta_{1},\zeta_{2},\ldots,\zeta_{U}\}} {ζ1​,ζ2​,…,ζU​}
  2、每个区域有一个圆心$a_u$,半径为$o_u$

• 每个PoI区域中会有一个UAV飞行，并且UAV会在最后回到初始的位置。

• 无人机之间的距离间隔$\ge d_{min}$，保证无人机之间不会发生碰撞。

系统模型中要把系统中含有的元素表示清楚、存在的约束也要顺便表示出来、变量的取值范围表示

B、通信模型

• UAV和BS之间是LoS连接：
  1、信道系数：$h_{u,k}[n]={\beta }_0{d}_{u,k}^{-\alpha }[n]=\frac{{\beta }_0}{(H^2+\Vert {\mathbf{q}}_u[n]-{\mathbf{w}}_k{\Vert }^2{)}^{\alpha /2}}$，$\alpha$是路径损耗指数。

• 二元卸载变量： x u , k [ n ] ∈ { 0 , 1 } 二元卸载变量：x_{u,k}[n]\in\{0,1\} 二元卸载变量：xu,k​[n]∈{0,1}
  1、等于1，则$v_u$无人机将在时隙n传送视频到基站$s_k$。它既表示传输调度，也表示关联变量。
  2、在每个时隙，一个BS仅仅服务于一个UAV，一个UAV也只发送给一个BS，这里就存在约束关系${\sum }_{k=1}^K{x}_{u,k}[n]\le 1,\forall u,n,{\sum }_{u=1}^U{x}_{u,k}[n]\le 1,\forall k,n.$

• 上行速率：
  1、${\gamma }_{u,k}[n]=\frac{P_u{h}_{u,k}[n]}{{\sum }_{j=1,j\ne u}^U{P}_j{h}_{j,k}[n]+{\sigma }^2}$
  2、$R_{u,k}[n]=B{\log }_2(1+{\gamma }_{u,k}[n])$c

C、视频流模型

• 信息因果约束（information causality constraint）：
  ${\sum }_{k=1}^K{\sum }_{\tau =1}^{n-1}{x}_{u,k}[\tau ]R_{u,k}[\tau ]\ge {\sum }_{\tau =2}^n{r}_u[\tau ]，\forall u,n=2,\dots ,N$

  $r_u$是播放速率（playback rate）
  即保证无人机发的速率要大于用户播放的速率。这里的时隙错开一个的原因是因为考虑了用户的解码和播放准备的延迟

• 评价指标QoE：
  $\theta \log \frac{\beta r_u[n]}{{\tilde{r}}_u}$

  来自引用的文献
  $\tilde{r}$是用来用户需要的播放速率，与屏幕的大小有关。

  为什么播放速率会与屏幕的大小有关？

  视频播放速率与屏幕大小有关，主要是因为不同的屏幕大小对视频的分辨率有不同的需求。一般来说，屏幕越大，所需的视频分辨率就越高，以保证视频质量。而视频的分辨率越高，所需的播放速率也就越高。这是因为高分辨率的视频包含更多的像素信息，因此需要更大的数据量来传输。所以，调整视频播放速率以匹配用户设备的屏幕大小，可以确保用户在任何设备上都能获得最佳的观看体验。

• 播放速率变化：
  $|r_u[n]-\frac{1}{N}{\sum }_{n=1}^N{r}_u[n]{|}^2$

  播放速率与平均速率之差的平方，衡量变化的大小

• 最终的QoE：
  ${\sum }_{n=1}^N(\theta \log \frac{\beta r_u[n]}{{\tilde{r}}_u}-\rho |r_u[n]-\frac{1}{N}{\sum }_{n=1}^N{r}_u[n]{|}^2)$

  用开始的QoE减去速率波动，$\rho$只是一个权重，用来权衡速率波动对于QoE的影响

D、问题规划

旨在联合优化传输调度、播放率分配、无人机轨迹最大化所有用的最小的QoE。所以是下面的这样的一个混合整数非线性规划问题。

• 困难点在于：
  （2）、（8）是非凸；
  （5）是一个二元变量。

• 解决方法：
  利用不精确的BCD方法和EPM以及SCA技术来寻找次优解

  • BCD是个啥呢？
    1. “块坐标下降” 中的 “坐标” 一词有时候可以引起混淆，因为在这个上下文中，并不是真正意义上的坐标。这个术语的命名源自其算法的工作方式，它将优化问题中的变量视为多维空间中的坐标。
    2. 在每次迭代中，它选择一个块（或一组相关的变量），并同时更新该块中的所有变量，而保持其他块中的变量不变。这种方法有助于加速收敛，特别是在问题中存在块结构或相关性的情况下。
  • EPM： exact penalty method

III、解决方法

• 解决二元约束（5）：
  使用了一个引理，如下
  
  根据这个引理，再引入一个辅助变量 b 就可以把这个（5）这个约束用两个凸的约束和一个惩罚项来表示。如下：
• 分为3个块来求解
  • A： X 1 ≜ { x u , k [ n ] , r u [ n ] } \mathcal{X}_{1}\triangleq\{x_{u,k}[n],r_{u}[n]\} X1​≜{xu,k​[n],ru​[n]}
  • B： X 2 ≜ { q u [ n ] , r u [ n ] } \mathcal{X}_{2}\triangleq \{\mathbf{q}_u[n],r_u[n]\} X2​≜{qu​[n],ru​[n]}
  • C： X 3 ≜ { b u , k [ n ] } {\mathcal{X}}_{3}\triangleq\{b_{u,k}[n]\} X3​≜{bu,k​[n]}

$r_u[n]$在前两个都有出现，是为了避免优化解的强局部性。

A、调度$x_{u,k}$和播放率分配$r_u[n]$

即给定了其他的优化变量

B、UAV轨迹${\mathbf{q}}_u[n]$和播放率$r_u[n]$

因为（2）式是一个非凸的，且有$$R_{u,k}[n]=B{\log }_2(1+{\gamma }_{u,k}[n])$$ $${\gamma }_{u,k}[n]=\frac{P_u{h}_{u,k}[n]}{{\sum }_{j=1,j\ne u}^U{P}_j{h}_{j,k}[n]+{\sigma }^2}$$
1、将第一个式子括号内的数进行通分，再用log除法变减法，即得到论文中的：$R_{u,k}[n]={\hat{R}}_{u,k}[n]-B{\log }_2\left({\sum }_{j=1,j\ne u}^U\frac{P_j{\beta }_0}{(H^2+\Vert {\mathbf{q}}_j[n]-{\mathbf{w}}_k{\Vert }^2{)}^{\alpha /2}}+{\sigma }^2\right)$，其中${\hat{R}}_{u,k}[n]=B{\log }_2\left({\sum }_{j=1}^U\frac{P_j{\beta }_0}{(H^2+\Vert {\mathbf{q}}_j[n]-{\mathbf{w}}_k{\Vert }^2{)}^{\alpha /2}}+{\sigma }^2\right)$
2、再引入一个松弛变量，$y_{j,k}[n]$使它小于${\Vert {\mathbf{q}}_j[n]-{\mathbf{w}}_k\Vert }^2$,即能使得问题变为下面的表达：

3、对${\hat{R}}_{u,k}$和（13）利用一阶泰勒展开，得到下面的问题表述：

C、惩罚变量更新

在给定其他的变量后，得到下面的表达：

根据这两个式子，可以得到$b_{u,k}$的闭式解：

怎么得到的呢，下面是求解的过程：