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

Résumé Technique : Optimisation Conjointe du Déploiement Multi-UAV et du Positionnement 3D dans les Réseaux Aériens Sensibles au Trafic

Énoncé du Problème
L'article traite du défi critique que représente le déploiement de plusieurs véhicules aériens sans pilote (UAV) dans des réseaux aériens dynamiques et sensibles au trafic. Bien que les UAV offrent un déploiement à la demande et une connectivité de ligne de vue (LoS) fiable, les positionner efficacement en temps réel pour répondre à des demandes de trafic non uniformes et variables dans le temps reste difficile. Les méthodes existantes reposent souvent sur des distributions d'utilisateurs statiques, un nombre fixe d'UAV, ou des étapes d'optimisation séparées qui ne parviennent pas à minimiser conjointement le nombre d'UAV déployés tout en maximisant le débit du réseau. Le problème central est formulé comme un problème de programmation non linéaire mixte (MINLP) : déterminer simultanément le nombre minimum d'UAV actifs, leurs coordonnées 3D optimales et l'association des équipements d'utilisateurs (UE) au sol à ces UAV, sous réserve des exigences de débit de données, des contraintes de bande passante et des modèles de probabilité de LoS. Les auteurs notent que ce problème est NP-difficile, rendant les solutions optimales informatiquement intraitables pour les scénarios à grande échelle.

Méthodologie : L'Algorithme EMTAD
Pour résoudre ce problème d'optimisation, les auteurs proposent l'algorithme Efficient Multi-UAV Traffic-Aware Deployment (EMTAD). Ce cadre fonctionne en deux étapes principales :

1. Clustering Spatial par Intersection de Couverture :

   • L'algorithme calcule d'abord une distance maximale admissible ($d^{MAX}_{ik}$) entre un UE et un UAV. Cette distance est dérivée de la demande de trafic spécifique de l'utilisateur, de la bande passante allouée et du modèle de canal probabiliste LoS/NLoS (basé sur le modèle d'Al-Hourani pour les environnements urbains).
   • Sur la base de cette distance, une « sphère de couverture » est définie autour de chaque UE.
   • L'algorithme calcule les intersections spatiales de ces sphères pour identifier des régions 3D candidates ($s_p$) où un seul UAV peut servir simultanément plusieurs UE tout en satisfaisant leurs contraintes de trafic individuelles.
   • Il identifie ensuite le plus petit sous-ensemble de ces zones d'intersection requis pour couvrir tous les UE, regroupant ainsi les utilisateurs en fonction de leur proximité et de leur compatibilité de trafic afin de minimiser le nombre total d'UAV nécessaires.

2. Optimisation du Positionnement 3D via l'Optimisation par Essaim Particulaire (PSO) :

   • Une fois les zones d'intersection candidates établies, une métaheuristique basée sur le PSO est employée pour déterminer les coordonnées 3D précises ($P_k$) de chaque UAV au sein de sa zone assignée.
   • La fonction de fitness du PSO vise à maximiser le nombre d'UE servis par UAV (en respectant les limites de bande passante) tout en garantissant que le débit réalisable répond à la demande de l'utilisateur et en privilégiant les positions présentant une haute probabilité de LoS.
   • L'algorithme réduit de manière itérative le nombre d'UAV ($K_{max}$) pour trouver la configuration de déploiement la plus efficace.

Contributions Clés
L'article souligne trois contributions principales :

1. Positionnement en Temps Réel Sensible au Trafic : Une stratégie qui ajuste dynamiquement le placement des UAV en fonction de l'emplacement réel des utilisateurs et de la distribution spatiale du trafic, plutôt que sur des modèles statiques.
2. Cadre d'Optimisation Intégré : Une approche unifiée qui minimise conjointement le nombre d'UAV déployés, détermine les associations UE-UAV optimales et prend en compte les contraintes pratiques telles que la capacité de bande passante et la propagation LoS.
3. Algorithme Évolutif : Une solution heuristique conçue pour des environnements de réseaux hétérogènes et dynamiques qui équilibre l'efficacité des ressources et la performance globale du réseau.

Évaluation des Performances et Résultats
Les auteurs ont évalué l'EMTAD à l'aide de scripts Python et du simulateur de réseau ns-3, en le comparant à deux lignes de base de pointe : une approche à altitude fixe et une approche à nombre fixe d'UE par UAV. L'évaluation a couvert trois scénarios :

• Scénario A (Trafic Variable) : Avec un nombre fixe d'UE (20) et une taille de lieu fixe (100m x 100m), l'EMTAD a démontré une performance supérieure en termes de débit agrégé par rapport aux lignes de base, particulièrement lorsque des demandes de trafic plus élevées nécessitaient plus d'UAV.
• Scénario B (Taille de Lieu Variable) : Dans des lieux plus vastes (jusqu'à 500m x 500m), l'EMTAD a obtenu un débit comparable ou meilleur avec moins d'UAV. Par exemple, dans une zone de 500m x 500m, l'EMTAD a déployé trois UAV pour répondre aux demandes, tandis que l'approche de référence avec deux UAV n'a pas réussi à satisfaire les exigences.
• Scénario C (Nombre d'UE Variable) : À mesure que le nombre d'UE augmentait (jusqu'à 60), l'EMTAD a réussi à couvrir tous les utilisateurs et à répondre aux demandes de trafic en utilisant au maximum deux UAV. En revanche, l'approche de référence nécessitait jusqu'à six UAV pour le même scénario sans offrir d'amélioration significative du débit.

Signification et Revendications
L'article affirme que l'EMTAD améliore considérablement les performances du réseau tout en réduisant les coûts de déploiement. En minimisant le nombre d'UAV requis dans des environnements dynamiques, le cadre assure une utilisation efficace des ressources et une réduction des coûts opérationnels. Les auteurs soulignent que leur approche améliore la couverture LoS, équilibre la charge du réseau et améliore l'efficacité spectrale par rapport aux stratégies statiques conventionnelles. Ce travail s'appuie sur des recherches antérieures concernant le positionnement d'un seul UAV mais l'étend pour traiter la complexité de l'optimisation multi-UAV et de l'association dynamique des utilisateurs. Les travaux futurs consistent à étendre le cadre pour supporter la mobilité des UAV, les opérations économes en énergie et l'intégration de l'intelligence de bord native au 6G.