Adaptive Power Allocation and User Scheduling for LEO Satellites using Channel Predictions
最新 APASS 演算法結合多步通道預測，在容許預測誤差的環境下，仍將低軌衛星的最低通訊速率提升 2.98 倍。
- APASS 演算法利用多時間步的通道預測，動態最佳化低軌道衛星的下行鏈路功率分配。
- 導入 SpaceX Starlink 真實軌道數據驗證，其最小傳輸速率較傳統等功率分配方案提升達 2.98 倍。
- 即使通道預測誤差變異數高達 25%，演算法仍能確保完美預測上限 80% 的效能，並維持 0.99 公平性。
低軌衛星的高速移動常導致通訊通道不穩，讓系統資源難以公平分配給所有使用者。最新發表的 APASS 演算法透過預測未來多步通道狀態進行動態功率調整，在匯入 SpaceX Starlink 軌道數據的場景模擬中，其最小使用者傳輸速率較傳統等功率分配提升 2.98 倍，並在容許顯著預測誤差的情況下，仍能維持 0.99 以上的極高資源公平性指數。
6G 低軌衛星高速移動帶來的通訊資源分配難題
隨著第六代行動通訊（6G）技術的演進，透過低軌道（LEO）衛星網路為偏遠地區提供穩定連線已成為重要基礎建設方向。相較於傳統地球同步衛星，低軌衛星系統具備較低訊號延遲與更高資料傳輸率的顯著優勢。然而，這項技術面臨的首要挑戰在於衛星的極高移動速度，這會導致星地通訊通道處於快速變化的狀態。
在同一個點波束（spotbeam）的覆蓋範圍內，系統必須同時服務多個地面單天線使用者（UE，使用者設備），如何在瞬息萬變的通道環境下公平分配通訊功率與排程，成為通訊學界急需解決的難題。過去的資源分配研究大多將通道視為一段時間內的靜態隨機過程，或者僅使用單一時間步的預測與長期統計預期值。這種設計未能充分利用衛星軌道具備「高度可預測性」的物理特徵，反而限制了整體網路的效能。
結合 3GPP 規範與都卜勒頻移的衛星通道模型
為真實呈現低軌衛星的動態通訊環境，研究團隊參考了第三代合作夥伴計畫（3GPP，制定行動通訊標準的國際組織）針對非地面網路所發布的建議指南。建構的通道模型涵蓋了自由空間路徑損耗、大氣氣體衰減以及地物遮蔽損耗等多重物理衰減因素。
訊號通道被明確分為視距（LoS）與非視距（NLoS）兩種狀態，兩者的切換機率取決於衛星當下的仰角，以及地面使用者所處的城市或鄉村環境。在 LoS 狀態下採用萊斯分佈（Rician distribution）模擬，而在 NLoS 狀態下則採用雷利分佈（Rayleigh distribution）來呈現小尺度衰落的影響。
研究更特別在模型中引入了基於衛星軌道動態計算的最大都卜勒頻移（Doppler shift）。這項設定確保產生的通道增益序列，在功率頻譜與自相關函數上，能夠精確反映低軌衛星高速飛越地面接收站時所產生的劇烈都卜勒效應。
APASS 演算法利用多步通道預測打破分配瓶頸
為確保涵蓋區域內所有使用者都能獲得穩定的連線品質，團隊將最佳化目標設定為「最大化所有使用者在固定時間段內的最小傳輸速率」（Max-min rate）。在數學上，這是一個高度非凸（non-convex）且包含隨機變數的複雜最佳化問題，極難直接得出最佳解。
他們為此提出了適應性功率分配與排程方案（APASS）。該演算法會在每個時間步開始時，獲取當下的實際通道增益，並結合外部模型對未來數個時間步的通道狀態進行預測。透過連續凸近似（Successive Convex Approximation）技術，APASS 成功將原本難解的幾何規劃問題轉化為一系列可解的凸最佳化子問題。
這個幾何規劃問題的求解涉及內點法，處理多使用者與長時間步時計算量不小。團隊指出，由於預測矩陣具有高度稀疏性與特定結構，實務上可透過平行運算技術，將原本最糟情況下的龐大時間複雜度大幅降低。系統不僅能根據預測來規劃未來的發射功率，更能隨著時間推進、取得更準確的通道數據時，動態更新其資源排程。
基於 Starlink 軌道與坎培拉場景的效能對比
驗證階段採用了真實的 SpaceX Starlink 衛星公開軌道參數。研究人員在模擬環境中，將多個地面使用者隨機分布於澳洲坎培拉（Canberra）附近、半徑 50 公里的衛星點波束覆蓋範圍內。波束的有效等向輻射功率（EIRP）被轉換為整體系統的功率上限。
為比較運作效能，團隊測試了另外三種不依賴多步未來預測的基準方案：僅預測單一時間步的單步方案（STS）、對所有使用者盲目給予相同功率的等功率方案（Equal-power），以及傳統通訊常使用的注水演算法（Water-filling，一種將較多功率優先分配給較佳通道的演算法）。
在考量未來預測必然存在誤差的嚴苛環境下，APASS 的表現仍全面超越現有被動方案。數據分析顯示，在相同的時間框架內，APASS 所確保的最小使用者傳輸速率達到了 STS 方案的 2.30 倍、等功率方案的 2.98 倍，更達到注水演算法的 3.86 倍。
容忍顯著預測誤差並維持 0.99 的極高公平性
實務上的機器學習通道預測模型必然會產生誤差，演算法對這些干擾的容忍度決定了其落地部署的價值。團隊刻意在模擬中加入了複雜高斯誤差，以嚴格檢視 APASS 在惡劣預測條件下的強健性。
即使人為設定的預測誤差變異數高達平均通道增益的 25%（即 $\sigma^2_e=0.25$），APASS 依然能發揮強大效能，其達到的最小傳輸速率仍能逼近「完美未來預測上限值」的 80%。這證明了該演算法不需要依賴完美的完美神經網路預測模型，也能大幅拉抬系統傳輸效率。
在保障連線公平性方面，即使面對嚴苛的預測干擾，系統衡量資源分配均勻程度的 Jain's 公平性指數（Jain's fairness index）始終穩穩維持在 0.99 以上。這代表整體網路徹底避免了部分偏遠使用者因通道狀況較差，而遭到系統資源排擠甚至面臨斷線的窘境。
在低軌衛星高速移動的通訊環境中，結合未來通道預測與動態排程，即使面對不完美的預測誤差，仍能徹底顛覆傳統被動分配機制的效能天花板。