Melhorando a Comunicação de UAV com Aprendizado de Máquina

Veículos Aéreos Não Tripulados (VANTs), mais conhecidos como Drones, são uma tecnologia que tá crescendo e pode ser usada em várias áreas, tipo transporte, segurança e resposta a emergências. Apesar dos benefícios que os VANTs trazem, eles também enfrentam vários desafios, principalmente na hora de se conectar e se comunicar em rede. Um dos grandes problemas é que os VANTs mudam de posição o tempo todo, o que faz com que os sistemas de rede tradicionais sejam menos eficazes. Esses sistemas geralmente precisam saber como toda a rede tá disposta, e isso é complicado de manter quando a rede tá em constante movimento.

O objetivo desse artigo é discutir novas maneiras de melhorar o Roteamento, que é como os dados são direcionados de um VANT pra outro, usando Aprendizado de Máquina. Essa abordagem pretende ajudar o fluxo de ar na rede e reduzir atrasos, prevendo futuras posições e condições dos VANTs.

#Desafios Atuais nas Redes de VANTs

O principal problema nas redes de VANTs é a natureza super dinâmica delas. Diferente de redes móveis mais simples, onde os dispositivos não se movem muito, os VANTs exigem um tipo diferente de sistema de roteamento. Os protocolos de roteamento existentes geralmente não são feitos pra lidar com mudanças tão rápidas. Eles podem depender de informações desatualizadas, o que pode causar congestionamento e atrasos na rede.

As redes de VANTs precisam de sistemas de roteamento que sejam simples e que não exijam muita informação de toda a rede. Eles deveriam tomar decisões com base em condições futuras prováveis, em vez de apenas no estado atual.

#Aprendizado de Máquina no Roteamento

O aprendizado de máquina (AM) é uma ferramenta poderosa que ajuda a encontrar padrões nos dados. No contexto das redes de VANTs, o AM pode ser usado pra prever as melhores rotas de comunicação. Pesquisas anteriores mostraram que certos métodos de AM podem ajudar a melhorar o roteamento de pacotes aprendendo com dados passados.

Por exemplo, alguns pesquisadores sugeriram usar redes neurais feed-forward, que se adaptam com base na história do tráfego pra tomar decisões de roteamento melhores. Outras abordagens incluíram o uso de máquinas de Boltzmann e redes neurais pra analisar padrões de tráfego. Mas, a maioria dessa pesquisa focou em redes com dispositivos semelhantes, que não funcionam bem com VANTs que podem ter capacidades e localizações diferentes.

#Aprendizado Federado

Uma abordagem promissora que ainda não foi muito explorada é chamada de aprendizado federado (AF). Essa abordagem permite que vários dispositivos trabalhem juntos pra treinar um modelo sem precisar compartilhar os dados com um servidor central. No caso dos VANTs, cada drone pode coletar seus próprios dados sobre a rede, mas ainda assim contribuir para um processo de aprendizado compartilhado.

Com o AF, cada VANT pode treinar seu modelo local usando seus próprios dados e, depois, compartilhar apenas os parâmetros do modelo com um servidor central, que combina esses dados pra criar um modelo geral melhorado. Assim, cada drone não precisa enviar todo seu conjunto de dados, ajudando a manter a privacidade e diminuindo o tráfego de dados.

#Sistema de Roteamento Proposto

Nesse trabalho, sugerimos um método que combina o protocolo de roteamento B.A.T.M.A.N. com aprendizado de máquina e aprendizado federado. O B.A.T.M.A.N. é um protocolo de roteamento descentralizado que permite que os VANTs compartilhem informações sobre os melhores caminhos pra enviar dados. Mas ele tem limitações, especialmente ao lidar com mudanças dinâmicas na rede.

O sistema proposto visa modificar o B.A.T.M.A.N. pra incorporar um modelo de aprendizado de máquina que possa aprender a partir de dados de rotas históricas. Esse modelo vai ajudar a prever os custos de link futuros e identificar quando é vantajoso mudar de rota pra evitar congestionamento, mesmo que a nova rota pareça pior no momento.

#Modelo de Aprendizado de Máquina e Requisitos de Dados

Propomos usar um tipo de rede neural conhecida como Memória de Longo e Curto Prazo (LSTM) pra lidar com os dados históricos. As LSTMs são boas em aprender a partir de sequências de dados ao longo do tempo, o que é importante pra entender como as condições da rede mudam. O modelo vai receber informações sobre a rede a partir de períodos de tempo anteriores pra tomar decisões mais informadas.

Como o B.A.T.M.A.N. não mantém um histórico das condições da rede, precisamos adaptá-lo pra incluir memória. O modelo deve ser capaz de acompanhar os custos dos links de diferentes rotas e os caminhos escolhidos por cada VANT. Esses dados serão organizados de uma forma que permita que a LSTM analise de forma eficaz.

#Ambiente de Simulação para Testes

Pra testar nossa solução proposta, vamos usar um emulador de rede pra simular como os VANTs vão operar em um cenário do mundo real. O emulador pode criar diferentes cenários de rede e nos permitir avaliar quão bem o nosso protocolo B.A.T.M.A.N. modificado funciona.

A simulação vai incluir vários nós VANT, cada um capaz de rodar seu próprio modelo local. Os resultados desses modelos locais vão contribuir pro processo geral de aprendizado sem precisar compartilhar dados sensíveis.

#Resultados Iniciais e Insights

Nos nossos testes preliminares, usamos um conjunto de dados bem conhecido pra comparar o desempenho da nossa simulação com abordagens de aprendizado de máquina centralizadas tradicionais. Os resultados iniciais sugeriram que nossa abordagem de aprendizado federado poderia ter um desempenho similar aos modelos centralizados, enquanto também atendia às necessidades únicas de uma rede de VANTs distribuída.

Também criamos um conjunto de dados de teste básico pra examinar a capacidade do modelo LSTM de classificar rotas com base nos custos dos links. Porém, os resultados iniciais mostraram uma taxa de precisão perfeita devido à natureza simples dos dados. Isso indica que mais trabalho é necessário pra gerar conjuntos de dados mais complexos que reflitam melhor as condições reais das redes de VANTs.

#Trabalho Futuro

A pesquisa em andamento visa refinar o modelo proposto por meio de simulações mais extensivas envolvendo vários VANTs e diferentes cenários operacionais. Gerar conjuntos de dados que representem com precisão redes de VANTs dinâmicas será fundamental pra testar nossa abordagem efetivamente. Pretendemos integrar ainda mais nosso modelo de aprendizado federado com o emulador pra avaliar seu desempenho em condições realistas.

#Conclusão

Esse artigo destaca o potencial de usar aprendizado de máquina e aprendizado federado pra melhorar o roteamento nas redes de VANTs. Ao modificar o protocolo B.A.T.M.A.N. pra incorporar capacidades preditivas, nossa abordagem busca aumentar a eficiência da rede e reduzir atrasos na comunicação em ambientes altamente dinâmicos. Os resultados até agora mostram promessas, mas também indicam a necessidade de mais testes abrangentes e refinamento do modelo. Conforme a tecnologia de VANTs continua a avançar, nossas abordagens de rede e roteamento de dados também devem evoluir.