Mejorando la comunicación de drones con aprendizaje automático

Los Vehículos Aéreos No Tripulados (UAV), conocidos comúnmente como Drones, son una tecnología en crecimiento que se puede usar en varios campos como el transporte, la seguridad y la respuesta de emergencia. Aunque los UAV tienen muchos beneficios, también enfrentan varios desafíos, especialmente cuando se trata de conectarse y comunicarse entre ellos en una red. Un problema importante es que los UAV a menudo cambian de posición, lo que hace que los sistemas de red tradicionales sean menos efectivos. Estos sistemas generalmente necesitan conocer toda la disposición de la red, lo cual es difícil de mantener cuando la red está en constante movimiento.

El objetivo de este artículo es discutir nuevas formas de mejorar el Enrutamiento, que es cómo se dirige la información de un UAV a otro, utilizando Aprendizaje automático. Este enfoque busca ayudar al flujo de aire en la red y reducir retrasos al predecir las posiciones y condiciones futuras de los UAV.

#Desafíos Actuales en la Red de UAV

El principal problema con las redes de UAV es su naturaleza de cambio rápido. A diferencia de redes móviles más simples, donde los dispositivos pueden no moverse mucho, los UAV requieren un sistema de enrutamiento diferente. Los protocolos de enrutamiento existentes a menudo no están diseñados para manejar cambios tan rápidos. Podrían depender de información desactualizada, lo que puede llevar a congestión de red y retrasos.

Las redes de UAV necesitan sistemas de enrutamiento que sean simples y no pidan demasiada información de toda la red. Idealmente, deberíamos tomar decisiones basadas en las condiciones futuras probables en lugar de solo en el estado presente.

#Aprendizaje Automático en el Enrutamiento

El aprendizaje automático (ML) es una herramienta poderosa que ayuda a encontrar patrones en los datos. En el contexto de las redes de UAV, se puede usar ML para predecir las mejores rutas para la comunicación. Investigaciones anteriores han mostrado que ciertos métodos de ML pueden ayudar a mejorar el enrutamiento de paquetes aprendiendo de datos previos.

Por ejemplo, algunos investigadores han propuesto usar redes neuronales de avance, que se adaptan según el historial de tráfico para tomar mejores decisiones de enrutamiento. Otros enfoques han incluido el uso de máquinas de Boltzmann y redes neuronales para analizar patrones de tráfico. Sin embargo, la mayor parte de esta investigación se ha centrado en redes con dispositivos similares, lo que no funcionará bien con UAV que pueden tener diferentes capacidades y ubicaciones.

#Aprendizaje Federado

Un método prometedor que aún no se ha explorado mucho es el aprendizaje federado (FL). Este enfoque permite que varios dispositivos trabajen juntos para entrenar un modelo sin tener que compartir sus datos con un servidor central. En el caso de los UAV, cada dron puede reunir sus propios datos sobre la red, pero aún así contribuir a un proceso de aprendizaje compartido.

Con FL, cada UAV puede entrenar su modelo local usando sus propios datos y luego compartir solo los parámetros del modelo con un servidor central, que combina estos para crear un modelo mejorado en general. De esta manera, cada dron no necesita enviar su conjunto de datos completo, ayudando a mantener la privacidad y reducir la cantidad de tráfico de datos.

#Sistema de Enrutamiento Propuesto

En este trabajo, sugerimos un método que combina el protocolo de enrutamiento B.A.T.M.A.N. con aprendizaje automático y aprendizaje federado. B.A.T.M.A.N. es un protocolo de enrutamiento descentralizado que permite a los UAV compartir información sobre los mejores caminos para enviar datos. Sin embargo, tiene limitaciones, especialmente para lidiar con cambios dinámicos en la red.

El sistema propuesto busca modificar B.A.T.M.A.N. para incorporar un modelo de aprendizaje automático que pueda aprender de datos históricos de rutas. Este modelo ayudará a predecir los costos futuros de enlace e identificar cuándo es ventajoso cambiar rutas para evitar congestiones, incluso si la nueva ruta parece peor en ese momento.

#Modelo de Aprendizaje Automático y Requisitos de Datos

Proponemos usar un tipo de red neuronal conocida como Memoria a Largo y Corto Plazo (LSTM) para manejar los datos históricos. Las LSTM son buenas para aprender de secuencias de datos a lo largo del tiempo, lo cual es importante para entender cómo cambian las condiciones de la red. El modelo tomará información sobre la red de pasos de tiempo anteriores para tomar decisiones informadas.

Dado que B.A.T.M.A.N. no mantiene un historial de condiciones de red, necesitamos adaptarlo para incluir memoria. El modelo deberá poder rastrear costos de enlace para diferentes rutas y los caminos elegidos por cada UAV. Estos datos estarán estructurados de manera que permita al LSTM analizarlos efectivamente.

#Entorno de Simulación para Pruebas

Para probar nuestra solución propuesta, usaremos un emulador de red para simular cómo operarán los UAV en un entorno del mundo real. El emulador puede crear diferentes escenarios de red y permitirnos evaluar qué tan bien se desempeña nuestro protocolo B.A.T.M.A.N. modificado.

La simulación incluirá varios nodos de UAV, cada uno capaz de ejecutar su propio modelo local. Los resultados de estos modelos locales contribuirán al proceso de aprendizaje general sin necesidad de compartir datos sensibles.

#Resultados e Ideas Iniciales

En nuestras pruebas preliminares, usamos un conjunto de datos bien conocido para comparar el rendimiento de nuestra simulación contra enfoques tradicionales de aprendizaje automático centralizado. Los resultados iniciales sugirieron que nuestro enfoque de aprendizaje federado podría desempeñarse de manera similar a los modelos centralizados, al mismo tiempo que aborda las necesidades únicas de una red de UAV distribuida.

También creamos un conjunto de datos de prueba básico para examinar la capacidad del modelo LSTM para clasificar rutas según los costos de enlace. Sin embargo, los resultados tempranos mostraron una tasa de precisión perfecta debido a la naturaleza simplista de los datos. Esto indica que se necesita más trabajo para generar conjuntos de datos más complejos que reflejen mejor las condiciones reales de la red de UAV.

#Trabajo Futuro

La investigación en curso busca refinar el modelo propuesto a través de simulaciones más extensas que involucren varios UAV y diferentes escenarios operativos. Generar conjuntos de datos que representen con precisión redes dinámicas de UAV será fundamental para probar nuestro enfoque de manera efectiva. Planeamos integrar aún más nuestro modelo de aprendizaje federado con el emulador para evaluar su rendimiento en condiciones realistas.

#Conclusión

Este artículo destaca el potencial de usar aprendizaje automático y aprendizaje federado para mejorar el enrutamiento en redes de UAV. Al modificar el protocolo B.A.T.M.A.N. para incorporar capacidades predictivas, nuestro enfoque busca mejorar la eficiencia de la red y reducir los retrasos en la comunicación en entornos altamente dinámicos. Los resultados hasta ahora muestran promesas, pero también indican la necesidad de pruebas más completas y refinamiento del modelo. A medida que la tecnología de UAV continúa avanzando, también deben hacerlo nuestros enfoques para el enrutamiento y la red de datos.