Joint Optimization of Multi-UAV Deployment and 3D Positioning in Traffic-Aware Aerial Networks

Resumen Técnico: Optimización Conjunta del Despliegue de Multi-UAV y Posicionamiento 3D en Redes Aéreas Conscientes del Tráfico

Planteamiento del Problema
El artículo aborda el desafío crítico de desplegar múltiples Vehículos Aéreos No Tripulados (UAV) en redes aéreas dinámicas y conscientes del tráfico. Si bien los UAV ofrecen despliegue bajo demanda y conectividad fiable de Línea de Visión (LoS), posicionarlos de manera efectiva en tiempo real para satisfacer demandas de tráfico no uniformes y variables en el tiempo sigue siendo difícil. Los métodos existentes suelen depender de distribuciones de usuarios estáticas, números fijos de UAV o etapas de optimización separadas que no logran minimizar conjuntamente el número de UAV desplegados y maximizar el rendimiento de la red (throughput). El problema central se formula como un problema de Programación No Lineal de Enteros Mixtos (MINLP): determinar simultáneamente el número mínimo de UAV activos, sus coordenadas 3D óptimas y la asociación de los Equipos de Usuario (UE) terrestres con estos UAV, sujeto a requisitos de tasa de datos, restricciones de ancho de banda y modelos de probabilidad de LoS. Los autores señalan que este problema es NP-duro, lo que hace que las soluciones óptimas sean computacionalmente intratables para escenarios a gran escala.

Metodología: El Algoritmo EMTAD
Para resolver este problema de optimización, los autores proponen el algoritmo Efficient Multi-UAV Traffic-Aware Deployment (EMTAD). Este marco opera en dos etapas principales:

1. Agrupación Espacial mediante Intersección de Cobertura:

   • El algoritmo calcula primero una distancia máxima permitida ($d^{MAX}_{ik}$) entre un UE y un UAV. Esta distancia se deriva de la demanda de tráfico específica del usuario, el ancho de banda asignado y el modelo de canal probabilístico LoS/NLoS (basado en el modelo de Al-Hourani para entornos urbanos).
   • Basándose en esta distancia, se define una "esfera de cobertura" alrededor de cada UE.
   • El algoritmo calcula las intersecciones espaciales de estas esferas para identificar regiones 3D candidatas ($s_p$) donde un solo UAV puede servir simultáneamente a múltiples UEs satisfaciendo sus restricciones de tráfico individuales.
   • Posteriormente, identifica el subconjunto más pequeño de estas zonas de intersección requerido para cubrir todos los UEs, agrupando eficazmente a los usuarios según su proximidad y compatibilidad de tráfico para minimizar el número total de UAV necesarios.

2. Optimización de Posicionamiento 3D mediante Optimización por Enjambre de Partículas (PSO):

   • Una vez establecidas las zonas de intersección candidatas, se emplea un metaheurístico basado en PSO para determinar las coordenadas 3D precisas ($P_k$) para cada UAV dentro de su zona asignada.
   • La función de aptitud (fitness) del PSO tiene como objetivo maximizar el número de UEs atendidos por UAV (cumpliendo con los límites de ancho de banda) asegurando al mismo tiempo que la tasa de datos alcanzable cumpla con la demanda del usuario y priorizando posiciones con alta probabilidad de LoS.
   • El algoritmo reduce iterativamente el número de UAVs ($K_{max}$) para encontrar la configuración de despliegue más eficiente.

Contribuciones Clave
El artículo describe tres contribuciones principales:

1. Posicionamiento en Tiempo Real Consciente del Tráfico: Una estrategia que ajusta dinámicamente la ubicación de los UAV basándose en las ubicaciones de los usuarios en tiempo real y la distribución espacial del tráfico, en lugar de patrones estáticos.
2. Marco de Optimización Integrado: Un enfoque unificado que minimiza conjuntamente el número de UAV desplegados, determina las asociaciones óptimas UE-UAV y tiene en cuenta restricciones prácticas como la capacidad de ancho de banda y la propagación de LoS.
3. Algoritmo Escalable: Una solución heurística diseñada para entornos de red heterogéneos y dinámicos que equilibra la eficiencia de los recursos con el rendimiento general de la red.

Evaluación de Desempeño y Resultados
Los autores evaluaron el EMTAD utilizando scripts de Python y el simulador de red ns-3, comparándolo con dos líneas base de vanguardia: un enfoque de altitud fija y un enfoque de número fijo de UEs por UAV. La evaluación cubrió tres escenarios:

• Escenario A (Tráfico Variable): Con un número fijo de UEs (20) y un tamaño de recinto (100m x 100m), el EMTAD demostró un desempeño superior en el rendimiento agregado en comparación con las líneas base, particularmente cuando demandas de tráfico más altas requerían más UAVs.
• Escenario B (Tamaño de Recinto Variable): En recintos más grandes (hasta 500m x 500m), el EMTAD logró un rendimiento comparable o mejor con menos UAVs. Por ejemplo, en un área de 500m x 500m, el EMTAD desplegó tres UAVs para satisfacer las demandas, mientras que el enfoque de referencia con dos UAVs no logró satisfacer los requisitos.
• Escenario C (Cantidad de UE Variable): A medida que el número de UEs aumentó (hasta 60), el EMTAD cubrió con éxito a todos los usuarios y cumplió con las demandas de tráfico utilizando como máximo dos UAVs. En contraste, el enfoque de referencia requirió hasta seis UAVs para el mismo escenario sin ofrecer mejoras significativas en el rendimiento.

Significancia y Reivindicaciones
El artículo afirma que el EMTAD mejora significamente el rendimiento de la red al tiempo que reduce la sobrecarga de despliegue. Al minimizar el número de UAV requeridos en entornos dinámicos, el marco asegura una utilización eficiente de los recursos y una reducción de los costos operativos. Los autores enfatizan que su enfoque mejora la cobertura de LoS, equilibra la carga de la red y mejora la eficiencia espectral en comparación con las estrategias estáticas convencionales. El trabajo se basa en investigaciones previas sobre posicionamiento de un solo UAV, pero lo extiende para abordar las complejidades de la optimización de múltiples UAV y la asociación dinámica de usuarios. El trabajo futuro se identifica como la extensión del marco para soportar la movilidad de los UAV, operaciones conscientes de la energía e integración con la inteligencia de borde nativa de 6G.