LAWNs Meet SWIPT: Beamforming and Power Splitting Optimization for Predictive Control

Resumen Técnico: Lawns Meet SWIPT: Optimización de Beamforming y División de Potencia para Control Predictivo

Planteamiento del Problema
Este artículo aborda el desafío de mantener y controlar Sistemas de Aeronaves No Tripuladas (UAS) dentro de Redes Inalámbricas de Baja Altitud (LAWNs). Específicamente, investiga un sistema donde una Estación Base (BS) con múltiples antenas debe entregar simultáneamente información de control y energía inalámbrica a una flota de UAS mediante la Transferencia Simultánea de Información y Potencia Inalámbrica (SWIFT). El sistema opera bajo dos restricciones críticas:

1. Restricciones de Seguridad Dinámica: Los UAS deben navegar en espacios aéreos complejos y compartidos que contienen múltiples Zonas de No Vuelo (NFZ) móviles (por ejemplo, áreas militares restringidas o restricciones de vuelo temporales) mientras siguen trayectorias de referencia predefinidas.
2. Restricciones de Recursos y Estabilidad: Los UAS tienen baterías limitadas y dependen de la energía recolectada para su operación a largo plazo. Además, el bucle de control se cierra sobre enlaces inalámbricos sujetos a restricciones de longitud de bloque finita (FBL), donde la calidad de la comunicación impacta directamente en la estabilidad del bucle cerrado y en el rendimiento de seguimiento.

El problema central es una optimización conjunta de los vectores de formación de haces (beamforming) de transmisión, las relaciones de división de potencia (PS) y los controles de entrada para minimizar el error de seguimiento de la trayectoria por unidad de energía recolectada, garantizando al mismo tiempo la estabilidad del sistema y la evitación de colisiones.

Metodología
Los autores proponen un marco integral que consta de tres componentes principales:

1. Generación de Trayectoria de Referencia mediante la Teoría de la Función de Corriente:
   Para garantizar una navegación segura en espacios aéreos dinámicos, el artículo utiliza la teoría del flujo de fluido ideal. Se construye una función de corriente para generar trayectorias de referencia suaves y libres de colisiones:

• NFZ Estáticas: Se modelan mediante flujos de doblete para crear líneas de corriente que esquivan naturalmente obstáculos circulares.
• NFZ Móviles: Se abordan introduciendo un componente de flujo de vórtice centrado en el obstáculo móvil. Esto induce un campo de flujo rotacional que guía a los UAS para evitar las zonas móviles (ya sea en sentido horario o antihorario) basándose en la velocidad relativa y la dirección.
  La función de corriente resultante proporciona un campo de guía analítico que satisface inherentemente las restricciones de evitación de colisiones con baja complejidad computacional.

2. Modelado del Sistema y Formulación del Problema:

• Dinámica de los UAS: El modelo cinemático del UAS se linealiza alrededor de un punto de operación local y se discretiza utilizando el método de Euler hacia adelante para formar un modelo de espacio de estados adecuado para el Control Predictivo basado en Modelo (MPC).
• Modelo SWIPT: La señal recibida se divide en un flujo de decodificación de información (ID) y un flujo de recolección de energía (EH) utilizando una relación de PS $\alpha_k$. El sistema emplea la transmisión de Longitud de Bloque Finita (FBL) para caracterizar el compromiso entre tasa-fiabilidad-latencia para paquetes de control cortos.
• Objetivo de Optimización: Se formula un problema de optimización en tiempo real para minimizar la relación entre el costo total de control (error de seguimiento) y la energía total recolectada. Las restricciones incluyen la dinámica del sistema, límites de actuadores, una tasa de datos mínima de estabilización (derivada del Teorema 1), potencia de transmisión máxima y requisitos mínimos de potencia recolectada.

3. Marco de Optimización de Dos Etapas:
   El problema formulado es no convexo e intratable. Los autores proponen una solución de dos etapas:

• Etapa 1 (Diseño de la Entrada de Control): Las entradas de control se optimizan de forma independiente utilizando un enfoque estándar de Programación Cuadrática (QP). Se introduce un modelo de espacio de estados aumentado para optimizar los incrementos de control en lugar de los valores absolutos, asegurando acciones de control suaves.
• Etapa 2 (Diseño de Beamforming y Relación de PS): Se emplea un marco de Optimización Alternante (AO) para optimizar conjuntamente los vectores de beamforming de transmisión y las relaciones de PS.
  • Relajación de Semidefinida (SDR): Se relaja la restricción de rango uno de la matriz de covarianza de beamforming. Los autores demuestran que la relajación es ajustada, garantizando una solución óptima de rango uno.
  • Aproximación Convexa Sucesiva (SCA): Las restricciones no convexas relacionadas con la tasa FBL y el SINR se aproximan utilizando límites superiores convexos.
  • El algoritmo itera entre la optimización del beamforming (dadas las relaciones de PS fijas) y la optimización de las relaciones de PS (dado el beamforming fijo) hasta la convergencia.

Contribuciones Clave

• Navegación Basada en Funciones de Corriente: Desarrollo de un diseño de trayectoria de referencia basado en funciones de corriente que proporciona campos de guía analíticos y suaves, capaces de manejar tanto NFZ estáticas como móviles con baja complejidad computacional, permitiendo la aplicabilidad en tiempo real.
• Optimización Conjunta de Control y Energía: Formulación de un problema de optimización en tiempo real que minimiza el error de seguimiento por energía recolectada bajo restricciones FBL. Esto equilibra explícitamente el rendimiento del control inalámbrico (estabilidad) con la sostenibilidad energética.
• Marco Algorítmico Eficiente: Propuesta de un marco de optimización de dos pasos que combina el diseño de control basado en MPC con un algoritmo iterativo basado en SDR y SCA para el beamforming y la división de potencia. El artículo demuestra la solidez de la relajación SDR y la convergencia del algoritmo propuesto.

Resultados de la Simulación
Simulaciones numéricas extensas validan el diseño propuesto frente a esquemas de referencia (PID, LQR, beamforming MRT, relación de PS aleatoria y esquemas de equidad/fairness):

• Seguimiento de Trayectoria: El enfoque basado en MPC propuesto supera significativamente a PID y LQR en términos de Error Cuadrático Medio (RMSE), particularmente en entornos dinámicos con NFZ móviles. La capacidad de anticipar desviaciones futuras permite un seguimiento más robusto.
• Convergencia: El algoritmo iterativo propuesto converge rápidamente (dentre de 10 iteraciones).
• Compromiso entre Energía y Rendimiento: El esquema propuesto logra un equilibrio superior entre la precisión de seguimiento y la energía recolectada en comparación con los esquemas de referencia.
  • El aumento de la potencia de transmisión y el número de antenas mejora la energía recolectada para todos los esquemas, pero el método propuesto ofrece consistentemente los valores más altos.
  • Existe un compromiso claro entre el umbral de Eficiencia Espectral (SE) requerido y la energía recolectada; los requisitos de estabilidad más estrictos (mayor SE) reducen la energía disponible para la recolección.
• Robustez: El método mantiene el rendimiento incluso cuando los UAS se alejan de la BS o encuentran giros bruscos requeridos para evitar las NFZ móviles.

Significado
El artículo afirma que su diseño propuesto ofrece una solución viable para la implementación sostenible de las redes LAWN habilitadas para SWIFT. Al unificar la planificación de rutas libres de colisiones para entornos dinámicos con la gestión conjunta de control inalámbrico y energía, el trabajo aborda las limitaciones críticas de los UAS con restricciones de batería que operan en espacios aéreos complejos y regulados. Los resultados demuestran que el marco propuesto supera significativamente a los esquemas de referencia existentes tanto en precisión de seguimiento como en sostenibilidad energética, validando su potencial para el despliegue práctico en futuras redes 6G de baja altitud.