⚡ electrical engineering

RSMA Enabled Hierarchical UAV Networks with Non Linear Energy Harvesting: Outage Probability Analysis and UAV Placement Optimization

Dieses Papier schlägt ein hierarchisches UAV-Netzwerk vor, das nichtlineares Energy Harvesting und Rate-Splitting Multiple Access (RSMA) unter Hardware-Beeinträchtigungen und unvollständiger Kanalschätzung integriert, Ausfallwahrscheinlichkeits-Ausdrücke herleitet und die Platzierung der UAVs optimiert, um eine überlegene Zuverlässigkeit und Leistung im Vergleich zu bestehenden Benchmarks zu demonstrieren.

Ursprüngliche Autoren: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Veröffentlicht 2026-06-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC0 1.0

Ursprüngliche Autoren: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein Team von Drohnen (UAVs) vor, die zusammenarbeiten, um WLAN-Signale an Menschen am Boden zu liefern, etwa in einem Katastrophengebiet, in dem Mobilfunkmasten ausgefallen sind. Dieses Paper schlägt eine neue Art vor, diese Drohnen zu organisieren, damit sie länger arbeiten können, besser miteinander kommunizieren und nicht leerlaufen.

Hier ist die Aufschlüsselung ihrer Idee unter Verwendung einfacher Analogien:

1. Die Teamstruktur: Der „Chef“ und die „Helfer“

Stellen Sie sich das Netzwerk als eine Hierarchie vor:

Die Chef-Drohne (CHU): Dies ist eine große, leistungsstarke Drohne, die hoch oben schwebt. Sie hat eine große Batterie (vielleicht solarbetrieben) und fungiert als Hauptquelle für Informationen und Energie.
Die Helfer-Drohnen (CMUs): Dies sind kleinere Drohnen, die tiefer schweben. Sie haben keine großen Batterien. Stattdessen fungieren sie als Vermittler. Sie fangen das Signal vom Chef auf, dekodieren es und „schreien“ es dann zu den Menschen am Boden hinunter (IoT-Geräte).

Das Problem: Die Helfer-Drohnen gehen schnell leer.
Die Lösung des Papers: Anstatt darauf zu warten, dass jemand am Boden sie auflädt (was schwierig ist, wenn die Infrastruktur am Boden zerstört ist), „stehlen“ die Helfer ein wenig Energie aus dem Signal der Chef-Drohne, während sie ihm zuhören. Dies wird als drahtlose Energiegewinnung (Wireless Energy Harvesting) bezeichnet.

2. Der Energietrick: Die „nicht-lineare“ Batterie

Normalerweise nehmen Wissenschaftler an, dass man doppelt so viel Energie erhält, wenn man das Funksignal verdoppelt. Aber in der realen Welt sind Batterien und Schaltkreise wählerisch. Sie werden voll und nehmen dann keine Energie mehr an, wie ein Becher, der überläuft.

Die Erkenntnis des Papers: Sie verwendeten ein realistisches Modell (Nicht-Linear), das diesen „Überlauf“ berücksichtigt. Sie fanden heraus, dass die Mathematik falsch ist, wenn man dieses Limit nicht berücksichtigt. Durch die Verwendung des realistischen Modells können sie besser planen, damit die Drohnen keine Energie verschwenden, indem sie versuchen, einen Becher zu füllen, der bereits voll ist.

3. Die Gesprächsmethode: „Das Splitten der Nachricht“ (RSMA)

Wenn die Chef-Drohne mit den Helfern spricht, gibt es viel Rauschen und Interferenzen.

Der alte Weg (NOMA): Stellen Sie sich vor, die Chef-Drohne schreit eine Nachricht gleichzeitig an zwei Personen. Eine Person ist nah, eine ist fern. Die Chef-Drohne schreit laut, und die ferne Person hört es, aber die nahe Person muss warten, bis die ferne Person fertig mit dem „Zuhören“ ist, bevor sie ihren Teil verstehen kann. Das ist etwas starr.
Der Weg des Papers (RSMA – Rate Splitting Multiple Access): Die Chef-Drohne teilt die Nachricht in zwei Teile auf: einen gemeinsamen Teil (den alle hören müssen) und einen privaten Teil (nur für bestimmte Personen).
- Die Helfer hören zuerst den gemeinsamen Teil.
- Dann nutzen sie dieses Wissen, um dabei zu helfen, das Rauschen herauszufiltern und die privaten Teile klarer zu hören.
- Das Ergebnis: Es ist wie ein Übersetzer, der Ihnen hilft, einen lauten Raum besser zu verstehen. Diese Methode ist viel effizienter im Umgang mit Interferenzen als die alte Methode.

4. Das reale Chaos: „Schlechte Brillen“ und „Statik“

Das Paper erkennt an, dass das reale Leben nicht perfekt ist.

Hardware-Beeinträchtigungen (HWI): Die Funkgeräte der Drohnen sind nicht perfekt. Sie haben winzige Fertigungsfehler, wie eine leicht verbogene Antenne oder einen verrauschten Lautsprecher. Dies fügt dem Signal „Statik“ hinzu.
Unvollkommene Kanalschätzungen (ICSI): Die Drohnen versuchen zu erraten, wie gut die Verbindung ist, aber ihre Schätzung ist nicht zu 100 % genau. Es ist, als würde man versuchen, mit einer leicht beschlagenen Brille im Dunkeln mit einer Taschenlampe zu zielen.
Die Behauptung des Papers: Die meisten bisherigen Studien haben so getan, als ob diese Probleme nicht existieren würden. Dieses Paper baut seine Mathematik einschließlich dieser Unvollkommenheiten auf, was die Ergebnisse für den realen Einsatz viel zuverlässiger macht.

5. Die Optimierungsspiele: „Das beste Team auswählen“

Die Autoren haben zwei „Spiele“ (Algorithmen) erstellt, um das System besser zu machen:

Spiel 1: Die besten Helfer auswählen (CMU Selection)
- Stellen Sie sich vor, Sie haben 10 Helfer-Drohnen, aber Sie brauchen nur 6, um das Gebiet abzudecken.
- Zufällige Auswahl: Das zufällige Auswählen von 6 Drohnen könnte 6 schwache Drohnen auswählen.
- Der Algorithmus des Papers: Er betrachtet jede Drohne, prüft deren Signalstärke und wählt die spezifischen 6 aus, die die wenigsten „Ausfälle“ (verbindungsabbrüche) verursachen werden. Zudem koppelt er die Bodennutzer intelligent, sodass die starken und schwachen Nutzer einander helfen.
- Ergebnis: Diese Methode reduziert die Wahrscheinlichkeit eines Verbindungsabbruchs im Vergleich zur Zufallsauswahl erheblich.
Spiel 2: Den perfekten Schwebepunkt finden
- Wo sollte eine Helfer-Drohne schweben? Zu weit weg von der Chef-Drohne? Keine Energie. Zu weit weg von den Menschen? Schlechtes Signal.
- Der Algorithmus des Papers: Er berechnet die exakte 3D-Position (X-, Y- und Z-Koordinaten) und die exakte Menge an Energie, die „gestohlen“ werden soll (den Power-Splitting-Faktor), um das beste Gleichgewicht zu erreichen.
- Ergebnis: Sie haben einen smarten Weg gefunden, um diesen Punkt zu berechnen, der schneller und genauer ist als bisherige Methoden.

Das Fazit

Das Paper beweist, dass man durch die Kombination von hierarchischen Drohnen, smartem Nachrichten-Splitting (RSMA) und realistischer Energiegewinnung ein viel zuverlässigeres Netzwerk aufbauen kann.

RSMA schlägt die alte „NOMA“-Methode um etwa 3–4 dB (einen signifikanten Sprung in der Signalqualität).
Drohne-zu-Drohne-Energiegewinnung schlägt den Versuch, Energie vom Boden zu gewinnen, um etwa 8–12 dB, da die Luft klarer ist und es weniger Hindernisse gibt.
Die Algorithmen stellen sicher, dass man keine Zeit mit schlechten Drohnen oder schlechten Positionen verschwendet.

Kurz gesagt: Sie haben ein mathematisch fundiertes „Rezept“ für ein Drohnennetzwerk gebaut, das robuster, intelligenter und energieeffizienter ist, selbst wenn die Ausrüstung nicht perfekt ist.

Technische Zusammenfassung: RSMA-gestützte hierarchische UAV-Netzwerke mit nicht-linearer Energieernte

Problemstellung
Unbemannte Luftfahrzeuge (UAVs) sind entscheidend für die Verbesserung der Konnektivität in sechsten Generationen-Netzwerken (6G), insbesondere im Katastrophenschutz und in zivilen Anwendungen. Multi-UAV-Systeme stehen jedoch vor kritischen Einschränkungen hinsichtlich der Onboard-Energie, was die Missionsdauer und die Kommunikationskontinuität einschränkt. Während drahtlose Energieernte (Wireless Energy Harvesting, EH) eine nachhaltige Lösung bietet, stützt sich die bestehende Literatur oft auf lineare EH-Modelle und ideale Systemannahmen. Darüber hinaus bleibt die Integration fortschrittlicher Mehrfachzugangstechniken, speziell des Rate-Splitting Multiple Access (RSMA), in hierarchische UAV-Netzwerke unteruntersucht, insbesondere unter praktischen Randbedingungen wie Hardware-Imperfektionen (Hardware Impairments, HWI) und unvollkommener Kanalschätzung (Imperfect Channel State Information, ICSI). Die meisten bestehenden Studien konzentrieren sich auf Single-UAV-Architekturen oder ideale Bedingungen und erfassen dabei nicht die Komplexität von Multi-UAV-Einsätzen, bei denen Inter-User-Interferenzen und heterogene Kanalbedingungen vorherrschen.

Methodik
Die Autoren schlagen eine neuartige hierarchische Ad-hoc-UAV-Netzwerkarchitektur vor, die aus einem Cluster Head UAV (CHU) als Quelle und mehreren Cluster Member UAVs (CMUs) als Relais zu Boden-IoT-Geräten besteht.

Systemmodell: Der CHU überträgt Signale an die CMUs, welche Energie aus diesen Signalen mittels eines Power-Splitting-Protokolls (PS) ernten. Die gewonnene Energie versorgt die CMUs, um Informationen an Boden-IoT-Geräte zu relayen. Das System arbeitet unter Nakagami- $m$ -Fading-Kanälen.
Praktische Randbedingungen: Die Analyse berücksichtigt nicht-lineare EH-Modelle, um die Sättigungseigenschaften praktischer HF-Schaltkreise widerzuspiegeln, sowie die Auswirkungen von HWI (z. B. Oszillatordesign-Phasenrauschen, Verstärkerverzerrung) und ICSI.
Zugangsverfahren: RSMA wird eingesetzt, wobei Nutzernachrichten in gemeinsame (common) und private Komponenten aufgeteilt werden, um Interferenzen flexibler zu verwalten als Non-Orthogonal Multiple Access (NOMA).
Analytische Ableitung: Das Paper leitet geschlossene Formeln für die Ausfallwahrscheinlichkeit (Outage Probability) einzelner Boden-IoT-Geräte, einzelner CMUs und der gesamten Systemausfallwahrscheinlichkeit ab. Für Hochleistungsbereiche werden ebenfalls Näherungsausdrücke bereitgestellt.
Optimierung: Es werden zwei Optimierungsprobleme formuliert:
1. Gemeinsame CMU- und IoT-Selektion (OPM-JCIS): Ziel ist die Minimierung der gesamten Systemausfallwahrscheinlichkeit durch Auswahl optimaler CMUs und Paarung von Boden-IoT-Geräten basierend auf den Kanalbedingungen.
2. Gemeinsame Positions- und PS-Faktor-Optimierung: Ziel ist die Minimierung der CMU-Ausfallwahrscheinlichkeit durch die gleichzeitige Optimierung der 3D-Hovering-Koordinaten des CMU und des Power-Splitting-Faktors ( $\rho$ ). Es werden zwei Algorithmen vorgeschlagen, um dieses nicht-konvexe Problem zu lösen: eine suboptimale Dekompositionsmethode (CPPF) und einen metaheuristischen Ansatz (JCPPM).

Kernbeiträge

Neuartiges Framework: Dies ist die erste Studie, die ein hierarchisches Ad-hoc-UAV-Netzwerk unter gleichzeitiger Berücksichtigung von nicht-linearer EH, RSMA, HWI und ICSI untersucht.
Analytische Einblicke: Die Autoren liefern rigorose Ableitungen der Ausfallwahrscheinlichkeit, die die Sättigungseffekte nicht-linearer EH sowie die Verschlechterung durch Hardware-Imperfektionen und Kanalschätzfehler berücksichtigen.
Optimierungsalgorithmen: Das Paper führt den OPM-JCIS-Algorithmus zur Nutzerpaarung und CMU-Selektion sowie den JCPPM-Metaheuristik-Algorithmus zur gemeinsamen Positions- und Power-Splitting-Optimierung ein, die Lösungen mit unterschiedlicher Komplexität bieten.
Leistungs-Benchmarking: Das vorgeschlagene System wird gegen Benchmarks verglichen, darunter NOMA-basierte hierarchische UAVs und bodengestützte EH-Systeme.

Ergebnisse

Analytische Validierung: Simulationsergebnisse bestätigen die Genauigkeit der abgeleiteten analytischen Ausdrücke und zeigen eine enge Übereinstimmung mit numerischen Simulationen.
Einfluss von Randbedingungen: Das Vorhandensein von HWI und ICSI verschlechtert die Systemleistung signifikant, wobei ICSI einen stärkeren negativen Einfluss hat. Das nicht-lineare EH-Modell führt bei hohen Sendeleistungen aufgrund der Sättigung zu einer Ausfallwahrscheinlichkeitsschwelle (Outage Probability Floor), im Gegensatz zu linearen Modellen, die eine kontinuierliche Verbesserung vorhersagen.
RSMA vs. NOMA: Das vorgeschlagene RSMA-basierte System übertrifft NOMA-basierte Systeme und erzielt einen Gewinn von etwa 3–4 dB bei der Ausfallwahrscheinlichkeit. Dieser Vorteil ist auf die überlegene Interferenzmanagement-Fähigkeit von RSMA zurückzuführen.
UAV vs. Boden-EH: Die vorgeschlagene UAV-zu-UAV-Energieernte-Architektur übertrifft traditionelle bodengestützte EH-Systeme deutlich und zeigt Gewinne von etwa 8 dB (NOMA) und 12 dB (RSMA). Dies wird den günstigen Line-of-Sight (LoS) Air-to-Air-Ausbreitungsbedingungen zugeschrieben.
Effektivität der Optimierung: Der OPM-JCIS-Algorithmus zeigt eine überlegene Leistung gegenüber der Zufallsauswahl (RSEL) und Szenarien, in denen alle CMUs aktiv sind, indem er Abdeckung und Zuverlässigkeit effektiv ausbalanciert. Der JCPPM-Algorithmus erreicht die niedrigste CMU-Ausfallwahrscheinlichkeit unter den getesteten Optimierungsmethoden durch die gemeinsame Optimierung von Position und Power Splitting und übertrifft dabei die CPPF- und HGCD-Algorithmen.

Bedeutung
Das Paper behauptet, dass sein vorgeschlagenes Framework eine realistischere und effizientere Kommunikationsarchitektur für zukünftige UAV-gestützte Netzwerke bietet. Durch die Integration der nicht-linearen EH-Modellierung mit RSMA unter praktischen Hardware- und Kanalbeschränkungen adressiert die Studie kritische Lücken in der aktuellen Literatur hinsichtlich der Nachhaltigkeit und Zuverlässigkeit von Multi-UAV-Systemen. Die Ergebnisse unterstreichen, dass die Optimierung der CMU-Selektion, der IoT-Paarung und der EH-Parameter essenziell ist, um die Systemeffizienz zu steigen. Die Autoren kommen zu dem Schluss, dass die Reduzierung der Ausfallwahrscheinlichkeit nicht mit der Maximierung der Energieernte gleichzusetzen ist, aber ein ausgewogenes Design entscheidend für den zuverlässigen Betrieb ist. Diese Arbeit legt den Grundstein für die zukünftige Forschung zu mobilitätsinduzierten Effekten und maschinellem Lernen zur Echtzeitoptimierung.