Unmanned Aerial Vehicles (UAVs) connected to cellular networks, i.e., cellular-connected UAVs, introduce unique challenges and opportunities in mobility management that distinguish them from terrestrial users. This thesis presents a comprehensive approach for optimizing UAV integration into cellular networks.

We first investigate the distinct mobility management needs for cellular-connected UAVs. Unlike terrestrial mobility management, which primarily focuses on preventing radio link failures at cell edges, UAVs experience fragmented and overlapping coverage, often with line-of-sight visibility to multiple ground base stations (BSs). Consequently, UAV mobility management must address not only link stability but also the minimization of unnecessary handovers with sustained service availability, particularly in uplink scenarios.To tackle these challenges, we propose two solutions, a model-based handover parameter optimization algorithm and a model-free deep reinforcement learning (DRL) based handover algorithm, both designed specifically for UAV mobility management.We extend the problem by integrating UAV path planning with wireless objectives, including interference management, delay reduction, and minimized handovers. This results in a joint optimization framework for UAV trajectory planning, handover management, and radio resource allocation. To solve this multi-objective problem, we develop a multi-agent DRL algorithm that combines mission-specific trajectory planning with network-driven adjustments, optimizing resource allocation and handover transitions.

Furthermore, we address mobility management in multi-connectivity scenarios where UAVs are served by clusters of distributed BSs. As UAVs move, the serving BS clusters must be dynamically reconfigured, necessitating coordinated resource allocation under stringent and time-sensitive reliability constraints. We propose a centralized, fully distributed, and hierarchical DRL-based approaches to achieve reliable connectivity, reduce power consumption, and minimize cluster reconfiguration frequency.

Lastly, to evaluate a network’s capability to support range-based localization for cellular-connected UAVs, we introduce an analytical framework. This framework defines B-localizability as the probability of a UAV receiving sufficient localization signals from at least B ground BSs, meeting a specific Signal-to-Interference-plus-Noise Ratio (SINR) threshold. By incorporating UAV parameters within a three-dimensional environment, we provide insights into localizability factors such as distance distributions, path loss, interference, and SINR. 

Obemannade luftfarkoster (UAV:er) som är anslutna till mobilnätverk medför unika utmaningar och möjligheter inom mobilitetshantering som skiljer sig från dem för markbundna användare. Denna avhandling presenterar ett omfattande tillvägagångssätt för att optimera UAV-integration med mobilnätverk.

Vi undersöker först de särskilda behoven av mobilitetshantering för cellulärt anslutna UAV:er. Till skillnad från mobilitetshantering för markanvändare, som främst fokuserar på att förhindra radiolänkfel vid cellkanter, upplever UAV:er fragmenterad och överlappande täckning med siktlinje till flera markbasstationer (BS:er). Därför måste mobilitetshanteringen för UAV:er inte bara hantera länkstabilitet utan även minimera onödiga överlämningar och säkerställa bibehållen tjänstetillgänglighet, särskilt i uppströmskommunikation.

För att hantera dessa utmaningar föreslår vi både modellbaserade och modellfria algoritmer specifikt utformade för UAV-mobilitetshantering. Vi utökar problemet genom att integrera UAV-ruttplanering med trådlösa mål, inklusive störningshantering, minskad fördröjning och minimerade överlämningar. Detta resulterar i en gemensam optimeringsram för UAV-ruttplanering, överlämningshantering och radioresurstilldelning. För att lösa detta multiobjektivproblem utvecklar vi en algoritm baserad på djup förstärkningsinlärning (DRL) som kombinerar uppdragsbaserad ruttplanering med nätverksdrivna justeringar, vilket optimerar resursallokering och överlämningshantering.

Vidare behandlar vi mobilitetshantering i multikonnektivitetsscenarier där UAV:er betjänas av kluster av distribuerade basstationer. När UAV:er rör sig måste de servande BS-klustren dynamiskt omkonfigureras, vilket kräver samordnad resursallokering under strikta och tidskänsliga tillförlitlighetskrav. Vi föreslår ett centraliserat, fullt distribuerat och hierarkiskt DRL-baserat tillvägagångssätt för att uppnå tillförlitlig anslutning, minska strömförbrukningen och minimera frekvensen av klusteromkonfigureringar.

Slutligen, för att utvärdera nätverkets förmåga att stödja positionsbaserad lokalisering för cellulärt anslutna UAV:er, introducerar vi en analytisk ram. Denna ram definierar B-lokaliserbarhet som sannolikheten för att en UAV tar emot tillräckliga lokaliseringssignaler från minst B markbasstationer, som uppfyller en specifik signal-till-interferens-plus-brusförhållande (SINR) tröskel. Genom att inkludera UAV-parametrar i en tredimensionell miljö tillhandahåller vi insikter om lokaliserbarhetsfaktorer som distansfördelningar, dämpning, interferens och SINR.