无人机毫米波信道测量与建模研究综述*

朱秋明，倪浩然，华博宇，毛开,3，江浩，那振宇，陈小敏

（1.南京航空航天大学电子信息工程学院，江苏 南京 211106；2.电磁频谱空间认知动态系统工业与信息化部重点实验室，江苏 南京 211106；3.荷兰特温特大学电子技术、数学与计算机科学学院，上艾瑟尔 恩斯赫德 7500AE；4.南京信息工程大学人工智能学院，江苏 南京 210044；5.大连海事大学信息科学技术学院，辽宁 大连 116026）

0 引言

近年来，UAV（Unmanned Aerial Vehicle，无人机）在空中基站、中继通信、应急通信和战场通信等多种场景都得到了广泛应用。毫米波频段频谱宽广，能够提供更高的通信容量和传输速率，被认为是5G（The Fifth Generation，第五代）移动通信系统的重要部署频段。毫米波信号的传播损耗远大于Sub-6 GHz传统频段，导致通信距离较短，通常在百米级。但是，UAV通信一般存在视距路径，毫米波天线阵列也易于小型化，结合立体空间的三维窄波束技术，可以有效地扩展通信距离。因此，将毫米波和多天线技术应用于UAV 实现多场景高速率数据传输具有广阔的应用前景，学术界和工业界对此进行了诸多探索研究[1-6]。例如，华为和移动将UAV 毫米波平台作为高空基站开展测试，并在河南暴雨灾情期间实现50 km2范围的通信保障[3]；美国机器人紧急部署部门将UAV 毫米波通信技术应用于距离为1.6～2.4 km 的火灾环境视频传输，UAV以30 m/s 的飞行速度实现了火灾环境的快速侦查[4]；Facebook Connectivity 实验室利用UAV 毫米波技术解决偏远地区通信问题，并已完成13 公里20 Gbps 的UAV 对地通信测试[5]；美国DARPA 项目“100 Gbps 射频骨干网”致力于研制一种UAV毫米波通信网络，使飞行状态的UAV 和地面移动节点之间具备100 Gbps 的数据传输能力，最大通信距离可达100 km[6]。

稳健可靠的通信系统是UAV 正常运行和数据传输的基本前提，而大量的信道测量和精确构建符合真实场景的信道模型是合理设计无线通信系统的理论基础。与传统陆地通信场景相比，UAV 毫米波通信具有一些新生的特性。首先，UAV 机身特性对通信系统具有显著影响，如UAV 机身姿态抖动、机身遮挡阴影等物理特性使UAV 毫米波通信环境更加复杂多变。其次，UAV 毫米波通信涉及宽广的频谱范围，不同频段的信道具有明显的差异。最后，UAV 毫米波通信信道具有明显的三维传播特征，包括三维散射环境、三维飞行轨迹、三维飞行姿态和三维阵列天线等。此外，传统毫米波信道测量设备通常体积大、重量重，难以满足UAV 载荷、供电的要求。UAV 自身体积有限，机载设备和天线设计以及电磁兼容等一系列技术问题都需要妥善解决。总之，针对毫米波频段的UAV 信道测量建模研究还处于起步阶段，更高效的UAV毫米波信道测量方法和更准确的信道模型亟待研究开发。

本文接下来将首先分析UAV 毫米波通信信道的新特性，并归纳UAV 毫米波信道测量建模研究面临的需求与挑战，然后分类阐述UAV 毫米波信道测量现状以及主流信道模型的优缺点。最后对UAV 信道模型的未来发展趋势以及新兴潜在应用进行展望，图1 给出了UAV 信道特性、信道测量、信道建模及未来应用的内在关系：

图1 无人机毫米波信道研究内容

1 UAV毫米波信道建模需求与挑战

1.1 UAV信道测量

信道测量方案主要包括频域测量和时域测量。其中，频域测量通过扫频的方式获得特定位置和带宽内的频域传递函数，再利用傅里叶变换获得信道冲激响应，该方案受其灵活性和测量距离的限制，常用于室内及静态场景信道测量[7-8]；时域测量方案采用分离的收发系统，更适用于UAV 远距离、高动态场景的信道测量。

（1）设备小型化

Sub-6 GHz 通信系统发展较为成熟，集成度高，易于小型化，面向Sub-6 GHz 的UAV 信道测量系统已得到了广泛研究，比如部分文献分别基于四旋翼[9-10]、六旋翼[11-13]和八旋翼[14]等UAV 平台开发了小型轻量化的信道测量设备。然而，毫米波信道测量设备通常体积大、重量重，难以满足UAV 载荷、供电的要求，因此针对现有毫米波频段的UAV 信道测量设备的研究不足，文献[15] 初步在微波暗室中对16 GHz 频段UAV 毫米波信道测量设备进行了性能测试验证，尚未用于实际场景；文献[16]针对28 GHz频段开发了轻量化的UAV 毫米波信道测量设备并开展了信道实测活动，但注意到由于UAV 的载荷和体积限制，该测量设备并未在UAV 发射端安装毫米波功率放大器，从而限制了最大实测距离。总之，由于UAV 体积、载荷受限，毫米波机载设备集成、天线设计以及电磁兼容等一系列技术问题都亟待解决。

（2）收发系统同步

在UAV 信道时域特性测量方案中，由于收发端分离无法共用参考时钟，同步问题一直是信道测量系统面临的巨大挑战，主要包含触发信号同步和采样同步两个部分。首先，触发信号同步可以保证收发端同步工作，使得信道测量系统能够准确测量绝对传播时延。GPS 秒脉冲信号是信道测量系统中一种常见的触发同步信号[17]，其通常内置于UAV 控制系统中，实现简单，体积小，重量轻，但由于GPS 秒脉冲信号自身存在数十纳秒的误差，会对绝对传播时延测试结果造成一定影响。因此，部分信道测量系统采用了更高精度的原子钟模块实现触发信号同步[18-19]，但是原子钟模块通常价格昂贵，体积更大，重量更重，因此触发信号同步方案的选择需要综合考虑测量精度要求和UAV 载荷限制。其次，信道测量系统的收发端会存在采样时钟偏差，导致接收端滑动相关提取信道冲激响应时，相关峰的幅值存在不可忽略的损耗[20]。

（3）天线机身共型

现有的UAV 信道测量系统中，大多数研究将UAV视作一个理想的质点，只考虑了天线自身方向图对信道测量结果造成的影响[21-23]。然而，毫米波信号绕射能力差，不同UAV 特殊的机身结构对信号传播的影响更加明显，因此部分文献开始考虑UAV 机身特殊的几何结构影响下的等效共型天线方向图，并将其影响因素纳入信道测量方案设计中[24-25]，但是值得注意的是，这些研究工作只针对自身系统中天线安装位置给出了共型天线方向图，并没有深入分析不同天线安装位置对应的共型方向图及其对信道测量结果造成的影响机理。因此，UAV 毫米波信道测量系统需要根据不同UAV 机型，分析天线机身共型方向图并选择最佳的天线安装位置，并在信道数据处理中引入该影响因素，以减少天线特性以及UAV 机身结构对信道测量结果的影响[26]。

1.2 UAV信道模型

（1）机身遮挡抖动

由于毫米波频段的波长较短，UAV 机身结构特性会对毫米波信号传播造成显著影响，比如遮挡、散射和抖动等。此外，UAV 飞行过程中的机身斜倾、翻转等行为也会对毫米波信号传播产生阴影效应[28]。因此，传统信道模型将UAV 简单抽象成质点的假设不再适用，需要进一步考虑机身结构的影响[27]。文献[29] 讨论了机身散射对信号离开角的影响，结果表明UAV 信道的自相关函数会因机身散射发生改变。由于气流影响或飞行要求，UAV机身姿态存在三维旋转情况，也会导致天线方向发生改变，文献[30] 分析了机身姿态对信道的影响。在UAV 飞行或倾斜转弯时，UAV 和地面端之间的传播路径可能会被机身结构（如机翼、机身或发动机）阻断，产生阴影衰落现象。文献[31] 指出，机身阴影是UAV 通信独有的特性，对机身阴影合理表征和建模是通信链路设计的难点。此外，文献[32] 研究了UAV 悬停过程中机身存在的毫米级机械抖动，结果表明会导致额外的多普勒效应。

（2）高频超宽带特性

毫米波频段具有丰富的带宽资源，如26 GHz 和38 GHz频段附近均有1 GHz 左右的带宽，而68 GHz 频段的带宽资源可以达到5 GHz[33]。与Sub-6 GHz 频段通信系统相比，毫米波通信虽然具备更宽的带宽，但是也存在传播损耗更大、信道变化更快、信号绕射能力更低等特性[34]。文献[35]指出，不同频点信号的反射、衍射等传播过程和能量衰减具有明显差异性，传统的频率平稳性假设不再适用整个带宽。此外，毫米波信道的频率非平稳具有一定的环境依赖性。文献[36] 指出通信环境中不同波长的簇和多径相互作用导致了毫米波信号的频率非平稳，因此超宽带信道模型应包含更多的多径分量。在UAV 毫米波通信场景中，收发端都处于移动状态，导致不同频点的多普勒频率差异愈发明显。如果仍然假设多普勒频移等于中心频点对应的频移值，或者将宽带信号切割为若干子带，将无法体现多普勒连续非线性特征[37]。

（3）多域全三维特性

UAV 在三维广域空间飞行，信号传播具有明显的全三维属性，如三维环境、三维轨迹、三维旋转和三维天线阵列等，这些属性都会对信道传输特性造成显著影响，同时也是研究人员在构建UAV 信道模型过程中着重考虑的因素。文献[38] 对UAV 对地传播信号的离开角和到达角进行分析，指出三维散射空间对信道模型的统计特性产生了明显影响。此外，UAV 的位置、速度和姿态具有三维时变特性。随着UAV 飞行环境的动态切换，多径的生灭更为复杂多变，UAV 毫米波信道呈现明显的随机非平稳特性。文献[39-40] 将UAV 的移动速度扩展为三维矢量表示，分析了UAV 三维运动对散射体生灭的影响。文献[41] 分析了UAV 飞行过程中、毫米波三维窄波束赋形技术及跟踪和动态对准等因素。

2 UAV毫米波信道建模的研究进展

2.1 UAV通信场景信道测量

信道实测可以直观观测信号的传播特征，也是信道模型构建和参数获取的重要步骤。近年来，国内外学者陆续开展了UAV 信道的测量研究[42-53]。例如，文献[42]实测了UAV 悬停状态，5.2 GHz 频段地面接收功率及路径损耗的特性；文献[43]在沙漠、山区等场景实测了L/S 波段接收功率和时延扩展等特性；文献[44]针对1.8 GHz，2.585 GHz 和5.76 GHz 等频段进行实测并给出了路径损耗、莱斯因子等参数特性；文献[45-46]利用六旋翼UAV 搭建了一套UAV信道测量系统，对校园场景进行了多次实际测量；文献[47]针对UAV 空-空通信场景，利用信道探测仪测量了5.8 GHz频段下的路径损耗指数；文献[48]将飞艇作为信号发射端，实测了2 GHz 频段下树冠对信号功率的影响。

利用UAV（或航空飞行器）平台的信道测量系统如表1 所示，可以看出涉及的信道测量场景非常有限、频段也偏低。大部分系统针对Sub-6 GHz 频段，由于带宽和天线等原因，无法满足UAV 毫米波动态波束信道的实测需求。此外，研究人员开发了大量的实测信道参数提取算法，并利用实测的信道冲激响应（或传递函数）和理论模型进行比对评估。然而，考虑到UAV 毫米波信道的随机性和非平稳性，精确地获取特定条件下的信道参数仍然比较困难。

表1 UAV（或航空飞行器）信道测量系统总结

2.2 几何场景驱动的信道模型

目前主流UAV 毫米波信道模型利用了几何地理场景的散射体信息。进一步地，该方法可以分为GBDM（Geometry-Based Deterministic Channel Model，几 何确定信道模型）和GBSM（Geometry-Based Stochastic Channel Model，几何随机信道模型），图2 给出了几何场景驱动的信道建模示意图。

图2 几何场景驱动的信道建模示意图

GBDM 需要获取场景的详细几何地理信息，利用电磁波理论复现特定场景下无线信号的传播过程。其中，RT（Ray-Tracing，射线跟踪）方法是一种常用的确定性分析方法[54]，所获模型的精确度高度依赖于输入场景的精确度。文献[55] 提出了一种基于RT 方法的GBDM，将毫米波信号的漫反射分量与镜面反射分量分别表征；文献[56] 通过对障碍物和散射体分配不同的材质特性，来提高GBDM 的建模精确度。针对UAV 毫米波通信场景，文献[57] 提出了一种基于数字地图的GBDM，研究了毫米波信道的接收功率、信号角度和多径时延等信道参数。文献[58]基于RT 方法比较了城市、郊区、农村和海洋四种环境下毫米波空地信道的信号传播特性。为了减少计算复杂度，文献[59]使用统计分布方法生成路径内参数，提高了GBDM 生成信道的效率。相较于其他类型的信道模型，GBDM 具有精确度高、数据获取成本低等优势，但需要大量的计算时间，且只适用于给定场景。

GBSM 通过假设散射体服从不同的几何分布，获取信道传播特性参数的表征，也是近年来UAV 信道建模的主流方法。GBSM 进一步分为RS-GBSM（Regular Shaped Geometry-based Stochastic Channel Model，规则型几何随机信道模型）和IS-GBSM（Irregular Shaped Geometrybased Stochastic Channel Model，不规则型几何随机信道模型）。RS-GBSM 假设有效散射体分布在规则形状上，如文献[60]考虑到UAV 与接收端的高度差异，假设散射体以仰角分布在接收端附近的球体上，提出了支持多天线的RS-GBSM。文献[61]假设收发端周围的散射体分别分布在两个圆柱体上，提出了一种考虑地面反射的UAV 莱斯衰落RS-GBSM。文献[62]分别使用圆柱体和椭圆柱体来模拟局部散射体和远散射体的分布。与RS-GBSM 相比，ISGBSM 的散射体分布更加灵活，能够适应UAV 的三维飞行和高机动性，已应用于5G 标准信道建模[63-65]。比如，双簇建模方法假设散射环境由靠近发射端的簇和靠近接收端的簇以及他们之间的虚拟链路组成[66]。文献[67]考虑UAV 通信过程中的大尺度衰落和小尺度衰落，提出了通用UAV 非平稳IS-GBSM。为了进一步通用性，文献[68]提出了一种普适的三维空时频非平稳IS-GBSM 模型，能够支持不同频段和不同场景的信道特性。针对双簇建模方法的局限性，文献[69]对散射环境中的视距路径，单跳反射和多跳反射分别进行建模，提出了一个全面考虑信道传播情况的UAV 毫米波IS-GBSM。相较于其他类型的信道模型，GBSM 的优势在于可直接获得信道的单位冲激响应表达式，并且通过调节参数能够适用于不同的通信场景，具有较强的通用性。

2.3 数据学习驱动的信道模型

基于几何场景的信道建模需要在无线信号传播方面有深入的专业知识，其模型参数多且计算复杂。为了解决几何场景建模的约束和局限性，神经网络和机器学习技术被认为是针对不同应用场景信道建模的替代方案。神经网络对于近似任意函数和数据隐藏特征的挖掘非常有效，且能够准确捕获信道的特性。因此，最近一些研究使用机器学习方法对海量原始信道数据进行处理，直接生成符合统计规律的信道，即数据学习驱动的信道模型[70]。

目前，GAN（Generative Adversarial Network，对抗生成网络）在数据生成和补全方面引起了广泛的关注，GAN主要由信道数据生成器和信道数据判别器两部分组成。数据学习驱动的信道建模示意图如图3 所示，通过GAN 对海量原始测量数据进行训练，一旦以信道数据生成器和信道数据判别器之间的MinMax 博弈达到纳什平衡，信道数据生成器将被提取为该通信场景下的目标信道模型。文献[71]提出了一种基于GAN 的无线信道建模框架，对高斯白噪声信道进行自主建模，该模型无需任何理论分析和数学假设就能对复杂的通信环境进行学习和表征。文献[72]将信道的时频响应视为图像，利用GAN 对信道图像进行建模，同时考虑了移动速度的影响，提出了一种单输入单输出的信道模型。在此基础上，文献[73]针对链路级MIMO（Multiple Input Multiple Output，多输入多输出）信道设计了一种基于深度学习的信道模型，从时延域和天线域交叉验证了模型的有效性。然而，基于数据驱动的信道模型的研究还处于初级阶段，目前缺乏针对UAV 毫米波通信场景的数据驱动信道模型，在未来亟需进一步研究。

图3 数据学习驱动的信道建模示意图

2.4 场景数据双驱动信道模型

根据第2.2 节和第2.3 节的分析可知，数据驱动的信道建模需要海量的训练数据，但由于信道测量活动的局限性，很难获得所有场景下的实测信道数据，场景驱动的信道建模也存在准确性和通用性的局限。为了在精确度、复杂度和泛用度之间实现平衡，数据和场景混合驱动的信道模型近年来受到广泛关注。数据场景混合模型是以电波传播规律为基础，利用机器学习方法获取信道参数内在特性。场景驱动的信道模型能够高效获取全场景覆盖的信道数据，实测数据和机器学习技术可以更准确挖掘环境与信道之间的映射关系，通过将二者有机结合，完成全面、准确、高效的信道参数预测或信道建模。

文献[74] 针对城市街道提出了一个基于几何地理和机器学习的路径损耗预测模型，通过迁移学习使用少量的场景测量值来优化现有机器学习算法。针对UAV 通信场景，文献[75] 提出了一种基于机器学习的数据场景混合信道模型，该模型的确定性参数来自几何信息计算，随机参数由基于反向传播神经网络和GAN 生成，在精度和效率之间取得了很好的平衡。文献[76] 提出了一种基于卷积神经网络的混合信道模型，其中，路径损耗和阴影衰落可以通过输入建筑高度、收发端位置等几何信息进行预测。文献[77] 考虑路径时延，载波频率和反射角对路径损耗的影响，提出了一种基于深度神经网络的UAV 对地混合信道模型。此外，文献[78] 提出了一种基于迁移学习的混合信道模型，其利用场景驱动的信道数据挖掘场景和信道之间的联系，结合已知场景的实测数据预测未知场景下的信道特性。UAV 毫米波信道特性随场景变化更加复杂多变，针对传统移动场景及Sub-6 GHz UAV场景的研究方法不再适用，如何结合现有场景驱动和数据驱动的UAV 毫米波信道建模架构，构建混合驱动信道模型，将成为未来UAV 毫米波信道建模的研究热点。

3 未来发展趋势与应用

3.1 UAV信道模型的升级

（1）太赫兹通信

毫米波-太赫兹通信能够利用巨大的通信带宽，满足高速率传输和超低延迟的应用需求，因此被誉为6G（The Sixth Generation，第六代）通信系统的重要使能技术[79]。超大规模MIMO 技术可以在同一频率信道上复用大量并行数据流，同时实现超高的信道增益[80]。值得注意的是，在实际应用中超大规模MIMO 和毫米波-太赫兹呈现出一种共生关系。毫米波-太赫兹频段信号波长极短，可以在几平方毫米的空间内嵌入超大规模的天线阵列，进而利用波束赋型带来的高增益弥补太赫兹信号的高传播损耗[81]。然而，在UAV通信场景中，信道特性变化对于窄波束指向变化极其敏感，簇生灭现象也更加明显，显著增加了UAV 信道建模的难度和复杂性。目前，文献[82]已初步提出了一种支持超大规模MIMO 无线通信系统的三维毫米波太赫兹信道模型。随着未来通信系统对更高速率更大带宽的需求，将现有UAV 信道模型升级为面向超大规模MIMO 毫米波-太赫兹的信道模型，是未来的一个重要研究方向。

（2）智能反射面

RIS（Reconfigurable intelligent surface，可重构智能表面）是一种二维超表面，凭借低成本、高效率的优点受到了广泛的关注，并被认为是未来6G 通信网络的关键使能技术[83]。RIS 主要分布在建筑物表面，当收发端之间的视距路径被障碍物严重遮挡时，可以借助RIS 智能控制电磁波传播路径，提供较强的视距路径，从而改善通信质量[84]。由于RIS 具有调控入射信号幅度和相位的能力，相当于引入了一段额外的传播信道，RIS 辅助的无线信道将会出现许多新生特性。这些信道特性与传统的无线信道存在明显差异，例如，RIS 的介入会造成与传统通信场景不同的信号传播损耗变化特性[85]。在UAV 毫米波通信场景中，收发端高速移动会引起多普勒效应和多径衰落，RIS 调整了到达多径的相位和传播方向，进而影响了信道的角度扩展和多普勒扩展等特性[86]。目前已有学者将RIS 辅助的UAV 信道建模为三个子信道的级联[87]，然而，上述RIS 辅助的信道模型对场景的针对性较强。因此，针对RIS 辅助的UAV 通信场景，构建一个考虑所有信道特性，可应用于各种频带和场景的通用信道模型是未来的研究重点[88]，该方向开辟了UAV 毫米波信道建模新的设计维度，对实现通信系统被动适应随机信道到主动控制的跨越，具有重要的支撑作用。

（3）多机协同通信

随着UAV 机群控制技术的发展，UAV 多机协同通信在物联网[89]、边缘计算[90]和安全通信[91]等各个领域引起了越来越多的关注。UAV 多机协同面临着更加多变的通信环境和复杂耦合的信号，UAV 通信链路的可靠和稳定是UAV 机群完成协同通信的基础，因此UAV 多机协同应用场景下的信道传播特性将是未来研究热点[92]。目前，面向UAV 多机协同场景的毫米波信道建模还处于起步阶段，仅有文献[93] 将配置单天线的多个UAV 组成虚拟MIMO 系统，提出了一种针对UAV 机群的空地信道模型。然而，对于毫米波段的UAV 多机协同通信场景，复杂多变的多机波束跟踪、对齐过程使得信道模型的拓扑架构和信道参数的时变特性更加复杂多变，此外，UAV节点之间的互扰也需要纳入信道模型中。因此，如何将传统单链路的UAV 信道模型升级成动态拓扑的网络信道模型，是未来非常值得深入研究的方向。

3.2 UAV信道模型的应用

（1）通信感知一体化

ISAC（Integrated Sensing and Communication，通信感知一体化）是未来无线网络发展的一项重要使能技术，能够同时实现通信任务和感知任务[94]。未来ISAC辅助的UAV 通信中，搭载传感器的UAV 平台有望在信息传输的同时主动感知周围环境，并实现对环境的检测、捕获、成像等功能。结合毫米波-太赫兹通信技术，能够实现高精度的定位和高分辨率的三维成像。然而，ISAC辅助的UAV 毫米波通信系统在实现更高速率、更可靠的信息传递的同时，对UAV 通信链路的稳定有着严格的要求。因此，兼容ISAC 技术的UAV 信道模型将是保障ISAC 通信系统稳定工作的重要支撑。

（2）空天地海全域覆盖

未来6G 通信将从陆地移动通信扩展到全球无缝覆盖的SAGSIN（Space-Air-Ground-Sea Integrated Network，空天地海一体化网络），包括卫星通信网络、无人机通信网络、陆地通信网络以及海洋通信网络等[95]。其中，UAV 作为空中基站或移动中继，致力于实现复杂场景中的多维度覆盖与安全连接，在空地网络、联合卫星和海上通信中发挥着重要作用。例如通过部署UAV 空中基站实现远海上渔船等设备与陆地控制中心的通信、无人机通信网络与卫星和地面网络构建空-天-地异构网络实现网络三维覆盖等。针对未来全域通信场景通信的应用需求，UAV 将面临种类繁多的通信环境，了解各场景下的信号传播特性至关重要。因此，具备更强场景兼容性与平滑演进能力的UAV 毫米波信道模型是开展空天地海全覆盖通信研究的首要前提。

（3）信道模拟器

信道模拟器可以在实验室内低成本高效率地模拟真实信道，因此在通信设备制造、移动网络运营及通信系统研究等领域均有巨大需求[96]。基于信道模拟器复现真实UAV 通信场景下的信道状况，有助于UAV 通信系统的重复测试，在降低测试成本的同时大大提高了研究效率。由于无人机毫米波通信的频段高、带宽大，且信道具有快速时变特性，需要开发更先进的信道模拟器对UAV 毫米波信道进行高实时性的模拟。然而，设计信道模拟器的前提是深入了解通信场景下的传播机理及信道特性。因此，高效逼真并支持超宽带特性的UAV 毫米波信道模型是设计开发满足未来应用需求的高实时性UAV 信道模拟器的基础保障。

4 结束语

UAV 毫米波通信作为未来极具潜力的通信技术，在空中基站、无线中继、应急通信以及战场通信等受到了广泛的关注。对无人机信道的高效测量和精确建模，是实现高效可靠的无人机通信系统的理论基础，也是测试和评估通信系统的重要依据。本文通过分析面向UAV 毫米波测量与建模的已有研究成果，归纳了UAV 毫米波场景独有的信道特性以及信道建模面临的需求与挑战，总结分类了当前UAV 毫米波信道模型，包括几何场景驱动、数据学习驱动以及场景数据双驱动信道模型。在此基础上，展望了未来UAV 信道建模的发展趋势和应用场景，旨在为UAV 毫米波信道模型的科学构建提供参考依据，进而为高效可靠的UAV 毫米波通信系统提供理论支撑。