⚡ electrical engineering

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

Este artículo propone una red de UAV jerárquica que integra la recolección de energía no lineal y el acceso múltiple por división de tasa (RSMA) bajo imperfecciones de hardware e información de estado del canal imperfecta, derivando expresiones de probabilidad de interrupción y optimizando la ubicación de los UAV para demostrar una fiabilidad y un rendimiento superiores en comparación con los puntos de referencia existentes.

Autores originales: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Publicado 2026-06-08

📖 5 min de lectura🧠 Análisis profundo

CC0 1.0

Autores originales: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un equipo de drones (UAV) trabajando juntos para entregar señales de Wi-Fi a personas en el suelo, quizás en una zona de desastre donde las torres de telefonía han caído. Este artículo propone una nueva forma de organizar estos drones para que puedan trabajar durante más tiempo, comunicarse mejor entre sí y no quedarse sin batería.

Aquí está el desglose de su idea utilizando analogías simples:

1. La estructura del equipo: El "Jefe" y los "Ayudantes"

Imagina la red como una jerarquía:

El Dron Jefe (CHU): Este es un dron grande y potente que sobrevuela a gran altura. Tiene una batería grande (quizás alimentada por energía solar) y actúa como la fuente principal de información y energía.
Los Dones Ayudantes (CMU): Estos son drones más pequeños que sobrevuelan a una altura menor. No tienen baterías grandes. En su lugar, actúan como intermediarios. Captan la señal del Jefe, la decodifican y luego la "gritan" hacia abajo a las personas en el suelo (dispositivos IoT).

El Problema: Los Drones Ayudantes se quedan sin batería rápidamente.
La Solución del Artículo: En lugar de esperar a que alguien en el suelo los cargue (lo cual es difícil si la infraestructura terrestre está rota), los Ayudantes "roban" un poco de energía de la señal del Dron Jefe mientras la escuchan. Esto se llama Recolección de Energía Inalámbrica (Wireless Energy Harvesting).

2. El truco de la energía: La batería "No Lineal"

Normalmente, los científicos asumen que si duplicas la señal de radio, obtienes el doble de energía. Pero en el mundo real, las baterías y los circuitos son exigentes. Se llenan y dejan de aceptar más energía, como una taza que se desborda.

La Perspectiva del Artículo: Utilizaron un modelo realista (No Lineal) que tiene en cuenta este "desbordamiento". Descubrieron que si no se tiene en cuenta este límite, las matemáticas son erróneas. Al usar el modelo realista, pueden planificar mejor para que los drones no desperdicien energía intentando llenar una taza que ya está llena.

3. El método de conversación: "Dividir el mensaje" (RSMA)

Cuando el Dron Jefe habla con los Ayudantes, hay mucho ruido e interferencia.

La Forma Antigua (NOMA): Imagina que el Jefe le grita un mensaje a dos personas a la vez. Una persona está cerca, otra está lejos. El Jefe grita fuerte, y la persona que está lejos lo oye, pero la persona que está cerca tiene que esperar a que la persona lejana termine de "escuchar" antes de poder entender su parte. Es un poco rígido.
La Forma del Artículo (RSMA - Acceso Múltiple por División de Tasa): El Jefe divide el mensaje en dos partes: una Parte Común (todos necesitan escuchar esto) y una Parte Privada (solo para personas específicas).
- Los Ayudantes escuchan primero la parte Común.
- Luego, utilizan ese conocimiento para ayudar a filtrar el ruido y escuchar las partes Privadas con claridad.
- El Resultado: Es como tener un traductor que te ayuda a entender mejor una habitación ruidosa. Este método es mucho más eficiente para manejar la interferencia que el método antiguo.

4. El desorden del mundo real: "Gafas malas" y "Estática"

El artículo reconoce que la vida real no es perfecta.

Defectos de Hardware (HWI): Las radios de los drones no son perfectas. Tienen diminutos defectos de fabricación, como una antena ligeramente torcida o un altavoz con ruido. Esto añade "estática" a la señal.
Información de Estado del Canal Imperfecta (ICSI): Los drones intentan adivinar qué tan buena es la conexión, pero su suposición no es 100% precisa. Es como intentar apuntar con una linterna en la oscuridad con gafas ligeramente empañadas.
La Afirmación del Artículo: La mayoría de los estudios previos pretendían que estos problemas no existían. Este artículo construye sus matemáticas incluyendo estas imperfecciones, haciendo que sus resultados sean mucho más fiables para el uso en el mundo real.

5. Los Juegos de Optimización: "Eligiendo al mejor equipo"

Los autores crearon dos "juegos" (algoritmos) para hacer que el sistema funcione mejor:

Juego 1: Elegir a los Mejores Ayudantes (Selección de CMU)
- Imagina que tienes 10 Drones Ayudantes, pero solo necesitas 6 para cubrir el área.
- Elección Aleatoria: Elegir 6 al azar podría resultar en la elección de 6 drones débiles.
- El Algoritmo del Artículo: Observa cada dron, comprueba su fuerza de señal y elige los 6 específicos que causarán la menor cantidad de "interrupciones" (fallos de conexión). También empareja a los usuarios en tierra de forma inteligente para que los usuarios fuertes y los débiles se ayuden entre sí.
- Resultado: Este método reduce significamente la probabilidad de una conexión caída en comparación con la selección aleatoria.
Juego 2: Encontrar el Punto de Levitación Perfecto
- ¿Dónde debe sobrevolar un Dron Ayudante? ¿Demasiado lejos del Jefe? No hay energía. ¿Demasiado lejos de la gente? Mala señal.
- El Algoritmo del Artículo: Calcula la posición exacta en 3D (coordenadas X, Y y Z) y la cantidad exacta de energía para "robar" (el factor de división de potencia) para obtener el mejor equilibrio.
- Resultado: Encontraron una forma inteligente de calcular este punto que es más rápida y precisa que los métodos anteriores.

La Conclusión

El artículo demuestra que al combinar drones jerárquicos, división de mensajes inteligente (RSMA) y recolección de energía realista, se puede construir una red mucho más fiable.

RSMA supera al antiguo método "NOMA" por unos 3–4 dB (un salto significativo en la calidad de la señal).
La recolección de energía de Dron a Dron supera al intento de recolectar energía desde el suelo por unos 8–12 dB porque el aire es más despejado y hay menos obstáculos.
Los Algoritmos aseguran que no se esté perdiendo el tiempo con malos drones o malas posiciones.

En resumen, construyeron una "receta" matemáticamente rigurosa para una red de drones que es más resistente, más inteligente y más eficiente energéticamente, incluso cuando el equipo no es perfecto.

Resumen Técnico: Redes UAV Jerárquicas habilitadas por RSMA con Recolección de Energía No Lineal

Planteamiento del Problema
Los vehículos aéreos no tripulados (UAV) son fundamentales para mejorar la conectividad en las redes de sexta generación (6G), particularmente en el socorro de desastres y aplicaciones civiles. Sin embargo, los sistemas multi-UAV enfrentan limitaciones críticas respecto a la energía a bordo, lo que restringe la duración de la misión y la continuidad de la comunicación. Si bien la recolección de energía (EH) inalámbrica ofrece una solución sostenible, la literatura existente suele basarse en modelos de EH lineales y supuestos de sistemas ideales. Además, la integración de técnicas avanzadas de acceso múltiple, específicamente el Acceso Múltiple por División de Tasa (RSMA), en redes UAV jerárquicas sigue estando poco explorada, particularmente bajo restricciones prácticas como las imperfecciones de hardware (HWI) e información de estado de canal imperfecta (ICSI). La mayoría de los estudios existentes se centran en arquitecturas de un solo UAV o condiciones ideales, sin capturar la complejidad de los despliegues multi-UAV donde prevalecen la interferencia entre usuarios y las condiciones de canal heterogéneas.

Metodología
Los autores proponen una novedosa arquitectura de red UAV ad hoc jerárquica que comprende un UAV de Cabecera de Clúster (CHU) que actúa como la fuente y múltiples UAVs Miembros de Clúster (CMUs) que actúan como repetidores hacia dispositivos IoT terrestiales.

Modelo de Sistema: El CHU transmite señales a los CMUs, los cuales recolectan energía de estas señales utilizando un protocolo de División de Potencia (PS). La energía recolectada alimenta a los CMUs para repetir la información a los dispositivos IoT terrestres. El sistema opera bajo canales con desvanecimiento Nakagami- $m$ .
Restricciones Prácticas: El análisis incorpora modelos de EH no lineales para reflejar las características de saturación de los circuitos de RF prácticos, junto con los efectos de HWI (por ejemplo, ruido de fase del oscilador, distorsión del amplificador) e ICSI.
Esquema de Acceso: Se emplea RSMA, dividiendo los mensajes de los usuarios en componentes comunes y privados para gestionar la interferencia de manera más flexible que el Acceso Múltiple No Ortogonal (NOMA).
Derivación Analítica: El artículo deriva expresiones de forma cerrada para la probabilidad de interrupción de los dispositivos IoT terrestres individuales, de los CMUs individuales y de la probabilidad de interrupción general del sistema. También se proporcionan expresiones aproximadas para regímenes de alta potencia de transmisión.
Optimización: Se formulan dos problemas de optimización:
1. Selección Conjunta de CMU e IoT (OPM-JCIS): Tiene como objetivo minimizar la probabilidad de interrupción general del sistema mediante la selección de los CMUs óptimos y el emparejamiento de dispositivos IoT terrestres basados en las condiciones del canal.
2. Optimización Conjunta de Posición y Factor de PS: Tiene como objetivo minimizar la probabilidad de interrupción del CMU mediante la optimización conjunta de las coordenadas de vuelo estacionario 3D del CMU y el factor de división de potencia ( $\rho$ ). Se proponen dos algoritmos para resolver este problema no convexo: un método de descomposición subóptimo (CPPF) y un enfoque metaheurístico (JCPPM).

Contribuciones Clave

Marco Novedoso: Este es el primer estudio que investiga una red UAV ad hoc jerárquica integrando EH no lineal, RSMA, HWI e ICSI simultáneamente.
Perspectivas Analíticas: Los autores proporcionan derivaciones rigurosas de la probabilidad de interrupción que consideran los efectos de saturación de la EH no lineal y la degradación causada por las imperfecciones de hardware y los errores de estimación de canal.
Algoritmos de Optimización: El artículo introduce el algoritmo OPM-JCIS para el emparejamiento de usuarios y la selección de CMU, y el algoritmo metaheurístico JCPPM para la optimización conjunta de posición y división de potencia, ofreciendo soluciones con diversas complejidades computacionales.
Evaluación de Desempeño: El sistema propuesto se compara con puntos de referencia que incluyen UAVs jerárquicos basados en NOMA y sistemas de EH terrestres.

Resultados

Validación Analítica: Los resultados de la simulación confirman la precisión de las expresiones analíticas derivadas, mostrando una estrecha concordancia con las simulaciones numéricas.
Impacto de las Restricciones: La presencia de HWI e ICSI degrada significamente el desempeño del sistema, siendo el ICSI el que tiene un impacto negativo más pronunciado. El modelo de EH no lineal introduce un piso de probabilidad de interrupción a altas potencias de transmisión debido a la saturación, a diferencia de los modelos lineales que predicen una mejora continua.
RSMA vs. NOMA: El sistema propuesto basado en RSMA supera a los sistemas basados en NOMA, logrando una ganancia de aproximadamente 3–4 dB en la probabilidad de interrupción. Esta ventaja se atribuye a la capacidad superior de gestión de interferencias de RSMA.
UAV vs. EH Terrestre: La arquitectura de recolección de energía de UAV a UAV propuesta supera significativamente a los sistemas tradicionales de EH basados en tierra, mostrando ganancias de aproximadamente 8 dB (NOMA) y 12 dB (RSMA). Esto se atribuye a las favorables condiciones de propagación aire-aire con Línea de Vista (LoS).
Eficacia de la Optimización: El algoritmo OPM-JCIS demuestra un desempeño superior sobre la selección aleatoria (RSEL) y los escenarios donde todos los CMUs están activos, equilibrando eficazmente la cobertura y la confiabilidad. El algoritmo JCPPM logra la menor probabilidad de interrupción del CMU entre los métodos de optimización probados al optimizar conjuntamente la posición y la división de potencia, superando a los algoritmos CPPF y HGCD.

Significancia
El artículo afirma que su marco propuesto proporciona una arquitectura de comunicación más realista y eficiente para las futuras redes asistidas por UAV. Al integrar el modelado de EH no lineal con RSMA bajo restricciones prácticas de hardware y canal, el estudio aborda brechas críticas en la literatura actual con respecto a la sostenibilidad y confiabilidad de los sistemas multi-UAV. Los hallazgos subrayan que optimizar la selección de CMU, el emparejamiento de IoT y los parámetros de EH es esencial para mejorar la eficiencia del sistema. Los autores concluyen que, si bien reducir la probabilidad de interrupción no equivale a maximizar la recolección de energía, un diseño equilibrado es crucial para una operación confiable. Este trabajo sienta las bases para futuras investigaciones sobre efectos inducidos por la movilidad y optimización en tiempo real basada en aprendizaje automático.