O-RAN 里的持续迁移学习：无人机轨迹优化换城市不再推倒重训
论文要解决什么问题
把无人机当作 6G 开放式无线单元（O-RU）来部署，能按需补盲、弹性覆盖，听着很美，但有个工程噩梦：每换一个城市、每换一种楼宇分布，轨迹优化模型就要重新训练一遍。环境陌生 + 需大量重训，让 UAV 作为移动基站的自适应部署在真实网络里很难规模化。
本文（Chenrui Sun、Swarna Bindu Chetty、Gianluca Fontanesi、Mahnaz Arvaneh、Walid Saad、Hamed Ahmadi，已刊 IEEE Transactions on Vehicular Technology，2026-06-23 提交，eess.SP/cs.AI）在 O-RAN 架构里引入一套增强型持续迁移学习框架：维护一个预训练模型库，用模型选择机制挑出最相关的旧环境知识做迁移，把适应新场景的时间压下来。
方法亮点：模型库 + 选择器 + 兜底
框架有三块。一是预训练模型库，把历史上各种城市场景训好的轨迹模型存起来；二是模型选择机制，面对新环境时自动匹配最相似的源模型并迁移其特征，而不是从零开始；三是兜底模型，当没有任何足够相似的旧模型时，用持续细化保证至少达到基线性能，不至于裸奔。
为提升学习可靠性，论文还把真实城市地图 + 射线追踪（ray tracing）喂进训练，让轨迹规划更贴近真实传播环境。结果是：基于模型选择的迁移学习，相比从零重训收敛时间缩短 44%–56%，相比不带选择的传统迁移学习也快了最多 40%。
| 适应策略 | 收敛时间相对从零重训 |
|---|---|
| 从零重训（baseline） | 100%（基准） |
| 传统迁移学习（无选择） | 约快 0–16% |
| 本文：模型选择迁移 | 快 44%–56% |
对低空 / eVTOL 产业意味着什么
O-RAN 是电信运营商的语言，但底层逻辑对低空运营同样重要：低空里的飞行器和地面站、监管平台本质是分布式无线节点，谁能快速把一套空域/覆盖策略从一个城市复用到另一个城市，谁就省下最贵的部署成本。本文证明「模型库 + 自动选择」比「每地重训」省下近一半适应时间，这对需要快速铺开多城市示范的中国低空运营商是直接可迁移的经验。
它与站内的 V-PAS 垂直捏合天线、RSMA 语义通信、低空空域治理等研究形成闭环：通信硬件与空口解决「能不能连」，这套迁移框架解决「换城市要不要推倒重来」。对 eVTOL 商业化而言，可复用的运营模型库本身就是降低边际成本的关键。
局限与展望
批判地看：① 结果仍是仿真，真实多城市 O-RAN 现网的数据飞轮还没转起来，射线追踪再真也替代不了真实用户分布；② 「最相似模型」的选择依赖特征空间的可比性，当新城市拓扑完全超出历史库（比如从平原新城到山城），兜底模型性能上限未量化；③ 论文聚焦收敛速度，未给长期漂移下的持续学习稳定性——模型库会不会随时间变质、需要多频繁回灌新数据，是运营侧的真问题。
相关阅读
常见问题
O-RAN 和低空经济有什么关系
O-RAN 把基站能力开放成可软件定义的模块。低空里的飞行器、地面站、监管节点都是分布式无线节点，O-RAN 的模型库与迁移思路可以直接降低跨城市部署的重复训练成本。
44% 到 56% 的收敛加速能直接省多少钱
论文给的是训练收敛时间的相对缩短，不是直接的财务数字。对运营方而言，它意味着新城市上线周期与算力开销的下降，但真实收益要乘以当地的模型复用率与部署频次才能折算。
这套框架会取代飞手和工程师吗
不会。它缩短的是模型适应新环境的耗时，部署前的合规审查、空域申请、应急预案仍须人把关。论文的兜底机制也说明，遇到完全陌生的环境仍需要人工介入或持续细化。