⚡ electrical engineering

Statistical Channel Model for FSO Systems Assisted by a UAV-Mounted IRS

Este artículo propone un nuevo modelo de canal estadístico de forma cerrada para sistemas ópticos de espacio libre asistidos por superficies reflectantes inteligentes montadas en UAV, el cual tiene en cuenta las fluctuaciones aleatorias de los UAV para derivar las estadísticas de desalineación del haz y proporcionar directrices de diseño para minimizar la probabilidad de interrupción.

Autores originales: Ferdaous Tarhouni, Vasilis K. Papanikolaou, Laura Cottatellucci, Mohammad-Ali Khalighi, Robert Schober

Publicado 2026-08-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ferdaous Tarhouni, Vasilis K. Papanikolaou, Laura Cottatellucci, Mohammad-Ali Khalighi, Robert Schober

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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 intentar enviar un mensaje secreto usando un puntero láser superbrillante a través de una ciudad. Este es el mundo de la comunicación Óptica de Espacio Libre (FSO, por sus siglas en inglés), una tecnología que promete velocidades de internet mucho más rápidas que las señales de Wi-Fi o 5G que usamos hoy en día. En lugar de ondas de radio invisibles, utiliza haces de luz. Pero hay un inconveniente: la luz viaja en línea recta. Si un edificio, un árbol o incluso un pájaro se interpone en el camino, el mensaje se pierde. Para solucionar esto, los científicos han estado buscando formas de hacer rebotar la luz alrededor de los obstáculos, de forma muy parecida a un juego de laser tag donde apuntas tu rayo a un espejo para golpear un objetivo detrás de una pared.

Entra en escena la "Superficie de Reflexión Inteligente" (IRS). Piensa en esto no como un espejo común, sino como una lámina de vidrio de alta tecnología y programable que puede retorcer y girar el haz de luz exactamente como tú quieras, enviándolo precisamente a su destino. Ahora, imagina poner este espejo inteligente en un dron (un UAV) que sobrevuela en el cielo. Esto le otorga al sistema superpoderes: puede volar al lugar perfecto para captar el láser y rebotarlo sobre un edificio. Sin embargo, los drones no son perfectos; se tambalean, vibran y derivan con el viento. Si el espejo se mueve aunque sea un poquito, el láser podría fallar el receptor por completo, convirtiendo una conexión superrápida en una rota. La gran pregunta es: ¿cómo predecir exactamente cuánto afectará el tambaleo del dron a la señal y dónde debe volar el dron para mantener viva la conexión?

Este artículo aborda ese problema exacto construyendo un nuevo "libro de reglas" matemático para estos sistemas láser voladores. Los autores, un equipo de investigadores de Alemania y Francia, se dieron cuenta de que, si bien sabemos cómo usar espejos en el suelo, no teníamos una buena forma de calcular qué sucede cuando el espejo está en un dron inestable en el aire, especialmente cuando el láser viene desde un ángulo extraño. Los modelos anteriores eran demasiado simples, a menudo asumiendo que el dron y el láser estaban perfectamente alineados en un mundo plano de 2D, lo cual no coincide con la vida real.

Los investigadores comenzaron utilizando un principio fundamental de la física llamado principio de Huygens-Fresnel (piensa en ello como una regla que explica cómo las ondas de luz se propagan como ondas en un estanque) para escribir nuevas ecuaciones más precisas sobre cómo el haz de luz golpea el espejo del dron y cómo rebota. Luego crearon un modelo estadístico detallado, una forma de predecir las probabilidades de que la señal falle. Trataron los tambaleos del dron (tanto su movimiento de posición hacia arriba y hacia abajo como su inclinación) como un temblor aleatorio, similar a cómo una mano que sostiene una cámara podría vibrar. Descubrieron que estos temblores crean un patrón específico de "desalineación", donde el haz de luz aterriza ligeramente fuera del centro de la lente del receptor.

Usando su nueva matemática, el equipo simuló el sistema en una computadora para ver cómo se comportaba bajo diferentes condiciones. Encontraron que la cantidad de pérdida de señal depende fuertemente de cuánto se sacude el dron y de cómo se programa el espejo para doblar la luz. Probaron dos formas diferentes de programar la superficie del espejo: una que dobla la luz de una manera simple y recta (Fase Lineal) y otra que la dobla de una manera más compleja y curva (Fase Cuadrática). Sus simulaciones mostraron que cuanto más se sacude el dron, peor es la conexión, pero el nuevo modelo predice esta caída de forma muy precisa.

Quizás el hallazgo más práctico surgió cuando se preguntaron: "¿Cuál es el mejor lugar para volar el dron?". Realizaron una búsqueda digital para encontrar el lugar perfecto para que el espejo montado en el dron minimizara la probabilidad de que la conexión se interrumpa (llamada "probabilidad de interrupción"). Descubrieron un intercambio sorprendente: si bien el espejo ayuda a enfocar el haz, también hace que el sistema sea muy sensible al movimiento. Sus resultados sugieren que, para obtener el mejor rendimiento, el dron debe mantenerse suspendido mucho más cerca del receptor (la persona que recibe el láser) que del emisor. Al acortar la distancia que la luz tiene que recorrer después de rebotar en el dron, el sistema es menos propenso a fallar el objetivo, incluso si el dron se tambalea. En su escenario de prueba específico, se encontró que el lugar óptimo estaba a solo unos pocos metros del receptor, mientras que colocar el dron cerca del emisor resultaba en una probabilidad de fallo mucho mayor.

El artículo concluye que, aunque no podemos evitar que el viento sacuda al dron, podemos usar esta nueva matemática para colocar el dron en el lugar más inteligente posible para mantener fuerte el enlace láser. Los autores validaron sus fórmulas ejecutando millones de simulaciones por computadora, las cuales coincidieron casi perfectamente con sus nuevas ecuaciones. Este trabajo no solo resuelve un rompecabezas matemático; proporciona un plano para ingenieros que quieran construir sistemas de internet láser basados en drones del mundo real que puedan sobrevivir a los inevitables baches y vibraciones del cielo.

Resumen Técnico: Modelo de Canal Estadístico para Sistemas FSO Asistidos por un IRS Montado en un UAV

Planteamiento del Problema
La comunicación de Óptica de Espacio Libre (FSO) ofrece altas tasas de datos adecuadas para redes 5G y más allá, pero está estrictamente limitada por el requisito de un enlace de Línea de Visión (LoS). Mientras que los Superficies Inteligentes de Reflexión (IRS) montadas en Vehículos Aéreos No Tripulados (UAV) han sido propuestas para relajar esta restricción al proporcionar conectividad no-LoS flexible, su despliegue práctico enfrenta desafíos significativos. Específicamente, el vuelo estacionario de los UAV induce fluctuaciones aleatorias tanto en la posición como en la orientación. Estos desalineamientos degradan la calidad del canal extremo a extremo, pero los modelos de canal estadísticos existentes para enlaces FSO asistidos por IRS son limitados. Trabajos previos suelen basarse en supuestos restrictivos, como perfiles de desfase específicos, propagación únicamente en el plano, o estadísticas de fluctuación independientes, los cuales no logran capturar la complejidad de los escenarios de despliegue real y arbitrario que involucran el temblor (jitter) del UAV.

Metodología
Los autores desarrollan un modelo de canal estadístico integral para un IRS montado en un UAV que asiste un enlace FSO entre un Transmisor (Tx) fijo y un Receptor (Rx) fijo. La metodología avanza a través de tres etapas principales:

Derivación del Campo Eléctrico: Basándose en el principio de Huygens-Fresnel, el artículo deriva expresiones novedosas en forma cerrada para el campo eléctrico incidente en el IRS y el campo reflejado hacia el receptor. A diferencia de estudios previos limitados a la propagación en el plano, estas expresiones son válidas para direcciones de haz incidentes y reflejados arbitrarias ( $\theta_i, \phi_i, \theta_r, \phi_r$ ). El modelo tiene en cuenta la naturaleza elíptica del haz Gaussiano en el plano del IRS, derivando anchuras de haz efectivas y radios de curvatura de frente de onda para ubicaciones generales del transmisor.
Pérdida Geométrica y de Desalineamiento (GML) Condicional: Los autores derivan una expresión en forma cerrada del coeficiente de GML condicional ( $h_{irs}$ ) como una función de la distancia de desalineamiento del haz ( $u$ ) en la lente del receptor. Esta derivación considera perfiles de desplazamiento de Fase Lineal (LP) y de Fase Cuadrática (QP) en el IRS. El modelo aproxima la potencia recibida sin depender de las aproximaciones de límite superior comunes encontradas en la literatura.
Modelado Estadístico de Fluctuaciones: El artículo modela las perturbaciones inducidas por el UAV como variables aleatorias gaussianas de media cero que afectan la posición vertical ( $z$ ) y los ángulos de incidencia ( $\theta_i, \phi_i$ ). Utilizando expansiones de la serie de Taylor de primer orden, los autores derivan la relación estadística entre los ángulos de incidencia y reflexión, estableciendo que el desalineamiento del haz resultante en el receptor sigue una distribución de Beckmann. En consecuencia, se deriva una Función de Densidad de Probabilidad (PDF) en forma cerrada para la GML, vinculando las fluctuaciones físicas con la distribución de la ganancia del canal.

Contribuciones Clave

Expresiones Generalizadas del Campo Eléctrico: El artículo proporciona la primera derivación de expresiones de campo eléctrico incidente y reflejado válidas para orientaciones arbitrarias de Tx y Rx, yendo más allá de las restricciones de plano de trabajos anteriores.
PDF de GML en Forma Cerrada y Tratable: Se presenta un modelo de canal estadístico novedoso y en forma cerrada para la GML. Este modelo es válido tanto para perfiles de desfase LP como QP y tiene en cuenta las fluctuaciones correlacionadas en la posición y orientación del UAV, asumiendo estadísticas gaussianas.
Aproximación de Potencia Refinada: Los autores derivan una aproximación tratable para la potencia recibida que evita las suposiciones de límite superior utilizadas frecuentemente en la literatura existente, ofreciendo una representación más precisa de la ganancia del canal.
Directrices de Despliegue Óptimo: El marco se utiliza para analizar la probabilidad de interrupción (outage probability), proporcionando un método de búsqueda numérica para determinar la ubicación óptima del IRS montado en el UAV para minimizar la interrupción del sistema.

Resultados
El modelo analítico propuesto fue validado mediante simulaciones de Monte Carlo (MC) utilizando $10^7$ realizaciones. Los resultados demuestran:

Precisión del Modelo: La PDF analítica de la GML muestra una fuerte concordancia con los datos de simulación. El modelo captura con precisión el comportamiento de "cola pesada" (heavy tail) de la distribución del canal bajo escenarios de alta fluctuación, particularmente para el perfil de Fase Cuadrática.
Impacto de las Fluctuaciones: El aumento de las fluctuaciones del UAV (tanto en posición como en ángulo) degrada significativamente la calidad del canal. El análisis revela que cuando los parámetros de fluctuación exceden ciertos umbrales, la PDF de la GML exhibe una cola pesada, lo que conduce a una mayor probabilidad de desvanecimientos profundos.
Ubicación Óptima: Las simulaciones relativas a la ubicación óptima del IRS revelan un compromiso crítico. Si bien el despliegue del IRS mitiga la divergencia del haz, aumenta la sensibilidad al desalineamiento. Los resultados indican que la posición óptima para minimizar la probabilidad de interrupción se encuentra en las inmediaciones del Receptor (Rx). Colocar el IRS más cerca del Rx acorta la trayectoria de propagación post-reflexión, reduciendo así la probabilidad de que el haz se desvíe del centro de la lente del receptor. Sin embargo, el paisaje de la probabilidad de interrupción cerca del punto óptimo es pronunciado; pequeñas desviaciones de las coordenadas óptimas pueden conducir a una degradación significativa del rendimiento.

Significancia
El artículo afirma abordar un vacío en la literatura al proporcionar un modelo de canal estadístico general que contabiliza conjuntamente las pérdidas geométricas y las fluctuaciones del UAV tanto en posición como en orientación, válido para ubicaciones arbitrarias de transmisor y receptor. Los autores enfatizan que los modelos estadísticos tratables son esenciales para el análisis y la optimización a nivel de sistema. Al validar el modelo mediante simulaciones y derivar directrices de despliegue prácticas, este trabajo ofrece una base para diseñar redes FSO asistidas por UAV robustas que puedan mitigar eficazmente los desafíos de conectividad causados por el temblor (jitter) del vuelo estacionario del UAV.

Más como este