UAV 위치, 각 지상 단말의 위치를 각각 획득하는 단계;상기 UAV 위치, 각 지상 단말의 위치 및 공통 속도를 기초로 n(n은 자연수)차원 상태를 정의한 후 강화 학습 기반 모델의 액터 및 크리틱 네트워크로 각각 입력하며, 상기 액터 네트워크의 출력을 기반으로 결합 동작을 선택하는 단계;상기 결합 동작의 값을 정책 제한 범위로 조정한 후 동작 형성 함수를 이용하여 재스케일링하는 단계; 및상기 스케일링된 결합 동작에 따른 보상을 적용하는 단계를 포함하되, 상기 보상은 달성 가능한 합계 속도인 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.

제1 항에 있어서, 상기 UAV의 고도는 고정되며, 좌우(x,y평면)로만 이동 가능한 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.

제1 항에 있어서, 상기 결합 동작은 프리코딩 행렬, 공통 속도 벡터, 방향각 및 UAV 속도를 포함하는 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.

제3 항에 있어서, 상기 프리코딩 행렬의 동작 형성 함수는 하기 수학식과 같은 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.여기서, 는 최대 전송 전력을 나타내고, 으로 신호대잡음비를 나타내며, 는 UAV 및 지상 단말을 나타내고, N은 안테나 개수를 나타내고, 는 빔포밍 벡터의 요소를 나타냄.

제3 항에 있어서, 상기 공통 속도 벡터의 동작 형성 함수는 하기 수학식과 같은 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.여기서, 는 사용자별 속도 비율(ratio of rate for each user)를 나타내고, K는 단말의 개수를 나타내며, 는 단말 K의 공통 메시지를 성공적으로 복호화할 수 있는 전송률을 나타냄.

제3 항에 있어서, 상기 UAV의 속도에 대한 동작 형성 함수는 하기 수학식과 같은 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.여기서, 는 UAV의 최대 속도를 나타내고, 는 정책 제한 범위로 조정된 속도의 값임.

제3 항에 있어서, 상기 UAV의 방향각에 대한 동작 형성 함수는 하기 수학식과 같은 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.여기서, 는 정책 제한 범위로 조정된 방향값을 나타내고, 는 최대 방향각을 나타냄.

제3 항에 있어서, 상기 보상은 하기 수학식으로 계산되는 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 방법.여기서, 는 원하는 최대 속도를 나타내고, K는 단말의 개수를 나타냄.

제1항 내지 제8 항 중 어느 하나의 항에 따른 방법을 수행하기 위한 프로그램 코드를 기록한 컴퓨터로 판독 가능한 기록매체.

적어도 하나의 명령어를 저장하는 메모리; 및상기 메모리에 저장된 명령어를 실행하는 프로세서를 포함하되, 상기 프로세서에 의해 실행된 명령어는 각각,UAV 위치, 각 지상 단말의 위치를 각각 획득하는 단계;상기 UAV 위치, 각 지상 단말의 위치 및 공통 속도를 기초로 n(n은 자연수) 차원 상태를 정의한 후 강화 학습 기반 모델의 액터 및 크리틱 네트워크로 각각 입력하며, 상기 액터 네트워크의 출력과 정책을 기반으로 결합 동작을 결정하는 단계;상기 결합 동작의 값을 정책 제한 범위로 조정한 후 동작 형성 함수를 이용하여 스케일링하는 단계; 및상기 스케일링된 결합 동작에 따른 보상을 적용하는 단계를 수행하되, 상기 보상은 달성 가능한 합계 속도인 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 장치.

제10 항에 있어서, 상기 UAV는 고도가 고정되며, 좌우(x,y) 평면상에서만 이동 및 호버링되는 것을 특징으로 하는 UAV 지원 RSMA 다운링크에서의 합계 속도 최대화 장치.

복수의 지상 단말;상기 복수의 지상 단말에 신호를 전송하기 위해 이동 및 호버링하는 UAV; 및상기 지상 단말 및 상기 UAV의 위치 및 공통 속도를 기초로 n(n은 자연수) 차원 상태를 정의한 후 달성 가능한 합계 속도 최대화를 위한 제한 조건들을 결합 동작으로 정의한 후 강화 학습 기반 모델을 통해 보상을 최대로 하는 상기 n차원 상태에 따른 결합 동작을 결정하는 에이전트를 포함하되,상기 결합 동작은 정책 제한 범위로 조정된 후 동작 형성 함수를 이용하여 스케일링되되,상기 보상은 달성 가능한 합계 속도인 것을 특징으로 하는 시스템.

제12 항에 있어서, 상기 결합 동작은 프리코딩 행렬 단위 동작, 공통 속도 벡터 단위 동작, 방향각 단위 동작 및 UAV 속도 단위 동작을 포함하는 것을 특징으로 하는 시스템.