Connecting unmanned aerial vehicles (UAVs) to cellular networks has become more prevalent due to the robust, high-speed connectivity they provide for real-time applications such as video streaming. However, with other users connected to cellular networks, UAVs may experience crowd-induced interference, which can reduce the signal quality between the UAV and its base station (BS), measured by signal-to-interference-plus-noise ratio (SINR) (dB), or cause disconnection. This thesis addresses crowd-induced interference by integrating data-driven generative models into the UAV motion planner to create interference-aware paths. Since crowd locations suggest areas of high interference and low SINR, it is beneficial for the UAV to know the future trajectories of pedestrians moving together and forming a crowd, so that the UAV can avoid them. The proposed method employs a generative Motion Indeterminacy Diffusion (MID) model to predict future pedestrian trajectories based on current and past pedestrian trajectory data, where future predictions of a single pedestrian are assumed to apply to a crowd moving together. While predictions of crowd trajectories can indicate areas of interference UAVs should avoid, there is no direct or easily identifiable correlation between crowd locations and the signal quality between a UAV and its BS. Instead crowd-induced interference create spatially and numerically variable SINR regions, complicating the precise identification of interference regions based merely on crowd trajectory data. As a result, the proposed method uses a network simulator to generate spatio-temporal SINR maps that show the SINR distribution in a time-dependent environment, based on crowd trajectory predictions. Since the network simulator is computationally demanding, a generative conditional variational autoencoder (CVAE), trained on SINR maps and crowd trajectory prediction-based labels, is used as an alternative. This research investigates whether path planning on SINR maps leads to a higher mean SINR for a path compared to crowd-avoiding distance- based planning. The proposed method develops two path planners, A∗ with re-planning (A∗RPL) and time-dependent shortest path (TDSP), to produce SINR-based and distance-based paths. The results show that using SINR maps in the A∗RPL instead of the crowd-avoiding planning strategy, increases the average relative percent change (ARPC) of mean SINR by 45 %. This demonstrates that SINR maps used as cost maps during planning provide better interference-aware paths for the UAV. However, the accuracy of these paths is limited by the accuracy of the crowd trajectory predictions. Next, it is investigated if SINR map generation can be accelerated. Results show that the CVAE can generate a new SINR map in 0.322 ms, which is approximately 45700 times faster than the network simulator. This supports that the CVAE reduces the time-complexity of SINR map generation, if however at a cost of less accurate SINR maps.

Drönare (eng. unmanned aerial vehicles) som kopplas upp till mobila nätverk blir allt vanligare då nätverkens höga hastighet och robusthet gör dem särskilt väl lämpade för tillämpningar i realtid, såsom videostreaming. Dock kan kvaliteten på signalen mellan drönaren och basstationerna, vanligtvis mätt med SINR (eng. signal-to-interference-plus-noise ratio), påverkas av andra användare som delar samma nätverk. I vissa fall leder denna typ av störning till att uppkopplingen bryts helt. I denna studie föreslår vi en metod där datadrivna generativa modeller integreras i drönares rörelseplaneringsalgoritmer för att planera rutter som minimerar störningar från andra användare på nätverket. Ett område med folksamlingar antyder höga nivåer av störningar och låg SINR, och det är därför fördelaktigt för drönare att kunna förutse hur dessa folkmassor kommer röra sig för att sedermera undvika dessa. Den metod som föreslås använder en generativ MID-modell (eng. Motion Indeterminacy Diffusion) för att göra förutsägelser om fotgängares rörelsemönster baserat på både aktuell och historisk data om fotgängares rutter. Här antas framtida förutsägelser för en enskild fotgängare gälla för en hel folkmassa som rör sig tillsammans. Förutsägelser av folkmassors rutter indikerar områden med hög nät- verksbelastning som drönare bör undvika, men det finns ingen direkt korrelation mellan folkmassornas placering och signalkvaliteten mellan en drönare och dess basstation. Istället skapar störningarna orsakade av folkmassorna en SINR-region med både rumsliga och numeriska variationer. Detta försvårar en exakt identifiering av platser med stora nätverksstörningar baserat enbart på data om folkmassornas rörelse. Den föreslagna metoden använder därför en nätverkssimulator för att generera spatio-temporala SINR- kartor som visar SINR-distributionen i en tidsberoende miljö baserat på förutsägelserna av folkmassornas rörelser. Eftersom denna simulator är beräkningsmässigt krävande, används en generativ CVAE (eng. conditional variational autoencoder) tränad på SINR-kartor och etiketter baserade på förutsägelser av folkmassors rörelse som alternativ. I denna studie undersöker vi om rörelseplanering med hjälp av SINR- kartor leder till ett i genomsnitt högre SINR för en rutt i jämförelse med avståndsbaserad planering som undviker trängsel och folkmassor. Vi fokuserar på två olika planeringsalgoritmer, A∗RPL (eng. A∗ with re-planning) och TDSP (eng. time-dependent shortest path), för att generera och sedan jämföra SINR- och avståndsbaserade rutter. Resultaten visar att integrering av SINR- kartor i A∗RPL ökar den genomsnittliga relativa procentuella förändringen av medelvärdet för SINR med 45% jämfört med den avståndsbaserade metoden. Detta demonstrerar att användningen av SINR-kartor som kostnadskartor under rörelseplanering för drönare bidrar till rutter som i högre grad undviker områden med stora nätverksstörningar. Dessa rutter är dock begränsade av noggrannheten i förutsägelserna om folkmassornas rörelse. Vi undersökte även om skapandet av SINR-kartor kan accelereras. Resultat visar att en CVAE kan generera en ny SINR-karta på 0.322ms, vilket var ungefär 45700 gånger snabbare än nätverkssimulatorn, även om detta sker till priset av mindre exakta SINR-kartor.