Otimização da Velocidade e Conectividade de Drones

Veículos aéreos não tripulados (VANTs), conhecidos popularmente como Drones, estão se tornando cada vez mais populares para várias tarefas porque se movem facilmente, são baratos de fabricar e conseguem se comunicar sem fio. Esses VANTs podem se conectar a redes de celular para suas próprias necessidades de dados ou servir como Estações Base para fornecer conectividade a outros dispositivos. No entanto, gerenciar VANTs que voam além do que uma pessoa pode ver é desafiador e precisa de Comunicação confiável para garantir a segurança.

#Desafios Atuais

A maioria dos estudos até agora se concentrou em garantir que os VANTs fiquem conectados a redes de celular, ignorando como esses drones se movem e interagem no ar. Alguns pesquisadores analisaram como planejar caminhos de VANTs com base na necessidade de conectividade e uso de energia, mas seus métodos não levaram em conta a velocidade dos VANTs ou se estavam mudando de faixa durante o voo. Outros trabalhos analisaram como prever com que frequência os VANTs precisam mudar de conexão para uma estação base diferente, mas não consideraram como as mudanças de velocidade ou direção impactam a operação geral.

Além disso, tentar simplesmente fazer os VANTs voarem mais rápido pode criar problemas nas taxas de transição (HO) entre estações base, o que pode atrapalhar a comunicação. Estudos recentes mostraram essa troca em carros, mas não em VANTs. Até agora, ninguém analisou como otimizar a velocidade de múltiplos VANTs voando no ar enquanto gerenciam suas conexões com estações base, tudo isso evitando colisões e gerenciando mudanças de faixa.

#Soluções Propostas

Para resolver esses problemas, um novo método usando aprendizado por reforço profundo (DRL) foi desenvolvido para ajudar os VANTs a tomarem melhores decisões sobre sua velocidade e como se conectam às estações base. O objetivo é melhorar tanto a movimentação deles quanto a comunicação.

Esse método é estruturado como um processo de decisão de Markov, o que significa que modela o estado do VANT com base na sua velocidade e nas taxas de dados que está alcançando. Cada VANT pode escolher entre várias ações, como acelerar, desacelerar ou mudar de faixa. A nova arquitetura para essa abordagem DRL envolve um módulo de tomada de decisão compartilhado que se conecta a diferentes ramificações da rede, cada uma dedicada a uma ação específica.

#Visão Geral do Sistema

O modelo envolve uma área 3D onde múltiplos VANTs estão voando ao longo de caminhos definidos, conectados a várias estações base no chão. Essas estações base estão espalhadas uniformemente pela área. Os VANTs não podem voar acima de uma certa altura, e tanto os VANTs quanto as estações base são identificados por suas posições.

O desempenho da comunicação entre os VANTs e as estações base depende de vários fatores, como ganho de antena, perda de caminho e se a condição de linha de visão é atendida. As estações base têm antenas que precisam ser modeladas adequadamente para garantir que os VANTs possam se conectar de forma eficiente. Essa modelagem inclui entender como os ângulos entre os VANTs e as estações base afetam a qualidade do sinal.

#Comunicação e Taxas de Dados

Quando um VANT tenta se conectar a uma estação base, ele deve avaliar quão forte é o sinal e a interferência de outras estações base próximas. A força do sinal recebido é crucial para a qualidade da conexão. Mesmo que os VANTs possam se conectar a várias estações, a interferência pode diminuir a eficácia da conexão.

Enquanto os VANTs voam, eles podem enfrentar mudanças na qualidade da comunicação. Como vários VANTs podem estar competindo pela mesma estação base, uma gestão cuidadosa é necessária para garantir que eles consigam se comunicar de forma eficaz sem interrupções desnecessárias.

#Ação e Observação

O método DRL se baseia em um framework de estado-ação onde os VANTs avaliam constantemente seu ambiente para tomar decisões informadas. Cada VANT acompanha seu desempenho de comunicação e a dinâmica de outros VANTs próximos para otimizar suas operações.

À medida que os VANTs observam seu entorno, eles avaliam as velocidades e posições de outros VANTs, enquanto também consideram quais estações base fornecem a melhor conexão. O objetivo é escolher ações que maximizem tanto a velocidade de deslocamento quanto a qualidade da comunicação.

#Funções de Recompensa

Os VANTs precisam ser motivados a continuar melhorando seu desempenho. Portanto, uma função de recompensa é projetada com base em dois aspectos principais: Transporte e comunicação.

1. Recompensa de Transporte: Essa recompensa incentiva os VANTs a manterem sua velocidade dentro dos limites, evitando colisões com outros. Quanto mais eficazmente eles gerenciarem sua velocidade e espaçamento, maior será a recompensa que ganharão.

2. Recompensa de Comunicação: Foca na taxa de dados que um VANT pode alcançar ao se conectar a uma estação base. O objetivo aqui é manter a conexão estável enquanto minimiza a necessidade de mudar entre estações base, já que mudanças frequentes podem interromper a comunicação.

Ao incorporar esses dois tipos de recompensas, os VANTs são motivados a fazer escolhas que equilibram efetivamente velocidade e comunicação sem fio.

#Resultados da Simulação

A abordagem DRL proposta, por meio de seu design único de redes ramificadas, mostra uma promessa significativa em melhorar a forma como os VANTs operam em um ambiente conectado. Nas simulações, os VANTs conseguiram gerenciar suas velocidades enquanto mantinham conexões estáveis com as estações base. As métricas de desempenho indicaram melhorias tanto na eficiência do transporte quanto na qualidade da comunicação.

Ao comparar diferentes configurações, à medida que os VANTs aumentavam suas velocidades, as recompensas de transporte diminuíam devido a uma maior probabilidade de colisões. No entanto, as recompensas de comunicação permaneceram comparativamente estáveis, já que os VANTs se adaptaram para manter taxas de dados ideais, independentemente da velocidade.

Os resultados mostram que, com a gestão e aprendizado adequados, os VANTs podem trabalhar juntos para otimizar suas rotas e conexões com estações base, melhorando assim o desempenho geral no espaço aéreo.

#Conclusão

Esse trabalho demonstra o potencial de usar métodos DRL para gerenciar múltiplos VANTs em um ambiente de voo complexo. Ao otimizar simultaneamente sua velocidade e conectividade com estações base, os VANTs não apenas melhoram seu desempenho individual, mas também contribuem para uma rede aérea mais eficiente.

Os trabalhos futuros provavelmente se concentrarão em melhorar a precisão da posição dos VANTs dentro de sistemas de transporte inteligentes, aprimorando ainda mais seus papéis em várias aplicações. O objetivo final continua sendo criar uma rede confiável e eficiente para operações de VANT que suporte tanto as necessidades de transporte quanto de comunicação no céu.