概率知识图谱+速率分割多址：无人机网络语义通信的能耗新解
📌 核心结论
本文用概率知识图谱（PKG）给终端用户的语义建模，把语义拆成共享与私有两部分，再借速率分割多址（RSMA）天然擅长处理这种结构的特点做传输。在严重能量约束、信道快速变化的无人机下行链路上，联合优化飞行轨迹、功率、波束与语义压缩比，比传统 RSMA / NOMA / SDMA 在能效与语义保真度上全面占优。对低空网络的意味：通信资源开始从比特走向语义，而 RSMA 是当下最契合这条路的空口技术。
本文用概率知识图谱（PKG）给终端用户的语义建模，把语义拆成共享与私有两部分，再借速率分割多址（RSMA）天然擅长处理这种结构的特点做传输。在严重能量约束、信道快速变化的无人机下行链路上，联合优化飞行轨迹、功率、波束与语义压缩比，比传统 RSMA / NOMA / SDMA 在能效与语义保真度上全面占优。对低空网络的意味：通信资源开始从比特走向语义，而 RSMA 是当下最契合这条路的空口技术。
背景：无人机通信为什么需要语义
无人机下行要把感知与控制信息传给地面终端，但机载能量有限、低空信道又随时间剧烈变化。传统通信按比特传，冗余大、能耗高。语义通信只传意思，理论上能大幅省能——但怎么定义意思、怎么在多用户间公平高效地传，是没解决的问题。
方法亮点
1. 概率知识图谱建模语义。用 PKG 描述用户设备的语义，并把语义信息分解成共享成分（多用户共有）与私有成分（某用户独有），把模糊的语义变成可计算结构。
2. PKG 辅助的 RSMA 传输。RSMA 本来就能把公共流与私有流分给多用户，正好匹配 PKG 的共享 / 私有二分，论文据此设计传输方案。
3. 加权能耗最小化联合优化。把通信、计算、飞行三者强耦合的能耗统一建模，联合优化无人机轨迹、功率分配、波束成形、语义压缩比，用拉格朗日对偶分解加逐次凸近似（SWEO）迭代求解非凸问题。
4. 语义准确度度量。给知识图谱三元组按重要性加权，量化重建的可靠性。
对低空网络的意味
低空经济里大量场景是机载节点回传小数据、要快要省电——巡检图像语义摘要、传感器异常标记、编队状态同步。语义通信加 RSMA 指向一个更轻的空口：同样电量能传更多有用信息。这与站内多篇 ISAC / 通感一体研究形成互补——一个管感知与通信联合，一个管通信内容的语义压缩。
局限与展望
| 方案 | 能效 | 语义保真 |
|---|---|---|
| 传统 SDMA / NOMA / RSMA | 基线 | 基线 |
| 本文（PKG + RSMA） | 更优 | 更优 |
- 仿真为主，未见实机 / 外场验证，低空真实信道（楼宇反射、人体遮挡）的鲁棒性未证。
- PKG 的构建依赖先验知识库，在城市动态语义下如何在线更新未展开。
- 语义压缩比与安全性的关系（压缩是否丢关键安全信息）未讨论。
- 多机协作下的语义一致性、与监管链路的标准化接口仍是开放问题。
相关阅读
- research-uav-isac-robust-trajectory-2606
- research-uav-raa-gnn-resource-2607
- research-uav-isac-crb-beamforming-2607
- research-uam-corridor-comm-coplanning-2607
- research-low-altitude-predictive-comm-2509
语义通信和普通人说的压缩有什么不同？
压缩是去掉冗余比特但信息等价；语义通信是按接收方需要理解的意思重组信息，允许丢弃与任务无关的细节，省能更彻底。
为什么用 RSMA 而不是 NOMA？
RSMA 通过公共流加私有流结构天然适配共享语义与私有语义的拆分，干扰管理更灵活，论文也比 NOMA / SDMA 表现更好。
这套框架离低空商用还有多远？
仍处仿真验证阶段，缺外场实测与标准化，且语义压缩的安全边界未被评估，商用前需补实测与监管适配。