⚡ electrical engineering

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

Cet article propose un réseau de drones hiérarchique intégrant la récupération d'énergie non linéaire et l'accès multiple par division de taux (RSMA) sous des imperfections matérielles et une connaissance imparfaite de l'état du canal, en dérivant des expressions de probabilité de coupure et en optimisant le placement des drones pour démontrer une fiabilité et des performances supérieures par rapport aux références existantes.

Auteurs originaux : Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Publié 2026-06-08

📖 6 min de lecture🧠 Analyse approfondie

CC0 1.0

Auteurs originaux : Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une équipe de drones (UAV) travaillant ensemble pour fournir des signaux Wi-Fi aux personnes au sol, peut-être dans une zone de catastrophe où les tours de téléphonie mobile sont hors service. Cet article propose une nouvelle façon d'organiser ces drones afin qu'ils puissent fonctionner plus longtemps, mieux communiquer entre eux et ne pas tomber en panne de batterie.

Voici la décomposition de leur idée en utilisant des analogies simples :

1. La structure de l'équipe : Le « Patron » et les « Aides »

Considérez le réseau comme une hiérarchie :

Le Drone Patron (CHU) : C'est un grand drone puissant qui plane en hauteur. Il possède une grosse batterie (peut-être solaire) et sert de source principale d'information et d'énergie.
Les Drones Aides (CMU) : Ce sont des drones plus petits qui planent plus bas. Ils n'ont pas de grosses batteries. Au lieu de cela, ils agissent comme des intermédiaires. Ils captent le signal du Patron, le décodent, puis le « crient » vers les gens au sol (appareils IoT).

Le Problème : Les Drones Aides tombent rapidement en panne de batterie.
La Solution de l'Article : Au lieu d'attendre que quelqu'un au sol les recharge (ce qui est difficile si les infrastructures au sol sont brisées), les Aides « volent » un peu d'énergie du signal du Drone Patron pendant qu'ils l'écoutent. C'est ce qu'on appelle la Récolte d'Énergie Sans Fil (Wireless Energy Harvesting).

2. L'astuce énergétique : La batterie « Non-Linéaire »

D'habitude, les scientifiques supposent que si vous doublez le signal radio, vous obtenez le double d'énergie. Mais dans le monde réel, les batteries et les circuits sont exigeants. Ils se remplissent et cessent d'accepter de l'énergie, comme une tasse qui déborde.

L'aperçu de l'Article : Ils ont utilisé un modèle réaliste (Non-Linéaire) qui tient compte de ce « débordement ». Ils ont découvert que si l'on ne prend pas en compte cette limite, les calculs sont faux. En utilisant le modèle réaliste, ils peuvent mieux planifier pour éviter que les drones ne gaspillent de l'énergie à essayer de remplir une tasse qui est déjà pleine.

3. La méthode de conversation : « Diviser le message » (RSMA)

Lorsque le Drone Patron parle aux Aides, il y a beaucoup de bruit et d'interférences.

L'ancienne méthode (NOMA) : Imaginez le Patron criant un message à deux personnes en même temps. Une personne est proche, l'autre est loin. Le Patron crie fort, et la personne éloignée entend, mais la personne proche doit attendre que l'autre ait fini d'« écouter » avant de pouvoir comprendre sa propre partie. C'est un peu rigide.
La méthode de l'Article (RSMA - Rate Splitting Multiple Access) : Le Patron divise le message en deux parties : une Partie Commune (tout le monde doit entendre ceci) et une Partie Privée (destinée à des personnes spécifiques).
- Les Aides écoutent d'abord la Partie Commune.
- Ensuite, ils utilisent cette connaissance pour aider à filtrer le bruit et entendre clairement les Parties Privées.
- Le Résultat : C'est comme avoir un traducteur qui vous aide à mieux comprendre une pièce bruyante. Cette méthode est bien plus efficace pour gérer les interférences que l'ancienne méthode.

4. Le désordre du monde réel : « Mauvettes lunettes » et « Statique »

L'article reconnaît que la vie réelle n'est pas parfaite.

Défauts Matériels (HWI - Hardware Impairments) : Les radios des drones ne sont pas parfaites. Elles présentent de minuscules défauts de fabrication, comme une antenne légèrement tordue ou un haut-parleur bruyant. Cela ajoute de la « statique » au signal.
Information de Canal Imparfaite (ICSI - Imperfect Channel State Information) : Les drones essaient de deviner la qualité de la connexion, mais leur estimation n'est pas 100 % précise. C'est comme essayer de viser avec une lampe de poche dans le noir avec des lunettes légèrement embuées.
L'affirmation de l'Article : La plupart des études précédentes faisaient comme si ces problèmes n'existaient pas. Cet article construit ses mathématiques en incluant ces imperfections, rendant ses résultats beaucoup plus fiables pour une utilisation réelle.

5. Les Jeux d'Optimisation : « Choisir la meilleure équipe »

Les auteurs ont créé deux « jeux » (algorithmes) pour rendre le système plus performant :

Jeu 1 : Choisir les meilleurs Aides (Sélection des CMU)
- Imaginez que vous avez 10 Drones Aides, mais que vous n'avez besoin que de 6 pour couvrir la zone.
- Choix Aléatoire : Choisir 6 drones au hasard pourrait revenir à choisir 6 drones faibles.
- L'Algorithme de l'Article : Il examine chaque drone, vérifie la force de son signal, et choisit les 6 drones spécifiques qui causeront le moins de « ruptures » (échecs de connexion). Il associe également intelligemment les utilisateurs au sol pour que les utilisateurs forts et les utilisateurs faibles s'entraident.
- Résultat : Cette méthode réduit considérablement le risque de déconnexion par rapport à une sélection aléatoire.
Jeu 2 : Trouver l'endroit de vol parfait
- Où un Drone Aide doit-il planer ? Trop loin du Patron ? Pas assez d'énergie. Trop loin des gens ? Mauvais signal.
- L'Algorithme de l'Article : Il calcule la position 3D exacte (coordonnées X, Y et Z) et la quantité exacte d'énergie à « voler » (le facteur de division de puissance) pour obtenir le meilleur équilibre.
- Résultat : Ils ont trouvé une manière intelligente de calculer cet emplacement, qui est plus rapide et plus précise que les méthodes précédentes.

L'essentiel

L'article prouve qu'en combinant des drones hiérarchiques, une division intelligente des messages (RSMA) et une récolte d'énergie réaliste, on peut construire un réseau beaucoup plus fiable.

Le RSMA bat l'ancienne méthode « NOMA » d'environ 3 à 4 dB (un bond significatif de la qualité du signal).
La récolte d'énergie de drone à drone bat la tentative de récolter l'énergie depuis le sol d'environ 8 à 12 dB car l'air est plus clair et comporte moins d'obstacles.
Les Algorithmes garantissent que vous ne perdez pas de temps avec de mauvais drones ou de mauvaises positions.

En bref, ils ont construit une « recette » mathématiquement rigoureuse pour un réseau de drones qui est plus robuste, plus intelligent et plus efficace sur le plan énergétique.

Résumé technique : Réseaux d'UAV hiérarchiques avec RSMA et récupération d'énergie non linéaire

Énoncé du problème
Les véhicules aériens non habités (UAV) sont essentiels pour améliorer la connectivité dans les réseaux de sixième génération (6G), particulièrement pour les secours en cas de catastrophe et les applications civiles. Cependant, les systèmes multi-UAV font face à des limitations critiques concernant l'énergie embarquée, ce qui restreint la durée des missions et la continuité de la communication. Bien que la récupération d'énergie (EH) sans fil offre une solution durable, la littérature existante repose souvent sur des modèles d'EH linéaires et des hypothèses de systèmes idéaux. De plus, l'intégration de techniques d'accès multiple avancées, spécifiquement le Rate-Splitting Multiple Access (RSMA), dans les réseaux d'UAV hiérarchiques reste sous-explorée, particulièrement sous des contraintes pratiques telles que les imperfections matérielles (HWI) et l'information d'état du canal imparfaite (ICSI). La plupart des études existantes se concentrent sur des architectures à UAV unique ou des conditions idéales, ne parvenant pas à capturer la complexité des déploiements multi-UAV où l'interférence entre utilisateurs et les conditions de canal hétérogènes sont prévalentes.

Méthodologie
Les auteurs proposent une nouvelle architecture de réseau d'UAV ad hoc hiérarchique comprenant un UAV de tête de cluster (CHU) agissant comme source et plusieurs UAV membres de cluster (CMU) agissant comme relais vers des dispositifs IoT terrests.

Modèle de système : Le CHU transmet des signaux aux CMU, qui récupèrent l'énergie à partir de ces signaux en utilisant un protocole de division de puissance (Power Splitting - PS). L'énergie récoltée alimente les CMU pour relayer l'information vers les dispositifs IoT au sol. Le système fonctionne sous des canaux de fading Nakagami- $m$ .
Contraintes pratiques : L'analyse intègre des modèles d'EH non linéaires pour refléter les caractéristiques de saturation des circuits RF réels, ainsi que les effets des imperfections matérielles (HWI) (ex: bruit de phase de l'oscillateur, distorsion de l'amplificateur) et de l'ICSI.
Schéma d'accès : Le RSMA est employé, divisant les messages des utilisateurs en composantes communes et privées pour gérer l'interférence de manière plus flexible que le Non-Orthogonal Multiple Access (NOMA).
Dérivation analytique : L'article dérive des expressions en forme fermée pour la probabilité de panne des dispositifs IoT terrests individuels, des CMU uniques, et de la probabilité de panne globale du système. Des expressions approximatives pour les régimes de haute puissance de transmission sont également fournies.
Optimisation : Deux problèmes d'optimisation sont formulés :
1. Sélection conjointe des CMU et des IoT (OPM-JCIS) : Vise à minimiser la probabilité de panne globale du système en sélectionnant les CMU optimaux et en appariant les dispositifs IoT terrests en fonction des conditions de canal.
2. Optimisation conjointe de la position et du facteur de PS : Vise à minimiser la probabilité de panne des CMU en optimisant conjointement les coordonnées de vol stationnaire en 3D du CMU et le facteur de division de puissance ( $\rho$ ). Deux algorithmes sont proposés pour résoudre ce problème non convexe : une méthode de décomposition sous-optimale (CPPF) et une approche métaheuristique (JCPPM).

Contributions clés

Cadre novateur : Il s'agit de la première étude investiguant simultanément un réseau d'UAV hiérarchique intégrant l'EH non linéaire, le RSMA, les HWI et l'ICSI.
Aperçus analytiques : Les auteurs fournissent des dérivations rigoureuses de la probabilité de panne qui tiennent compte des effets de saturation de l'EH non linéaire ainsi que de la dégradation causée par les imperfections matérielles et les erreurs d'estimation de canal.
Algorithmes d'optimisation : L'article introduit l'algorithme OPM-JCIS pour l'appariement des utilisateurs et la sélection des CMU, ainsi que l'algorithme métaheuristique JCPPM pour l'optimisation conjointe de la position et de la division de puissance, offrant des solutions avec des complexités de calcul variables.
Évaluation de performance : Le système proposé est comparé à des références incluant des UAV hiérarchiques basés sur le NOMA et des systèmes d'EH au sol.

Résultats

Validation analytique : Les résultats de simulation confirment l'exactitude des expressions analytiques dérivées, montrant une forte correspondance avec les simulations numériques.
Impact des contraintes : La présence de HWI et d'ICSI dégrade significativement les performances du système, l'ICSI ayant un impact négatif plus prononcé. Le modèle d'EH non linéaire introduit un plancher de probabilité de panne à haute puissance de transmission dû à la saturation, contrairement aux modèles linéaires qui prédisent une amélioration continue.
RSMA vs NOMA : Le système proposé basé sur le RSMA surpasse les systèmes basés sur le NOMA, atteignant un gain d'environ 3 à 4 dB en probabilité de panne. Cet avantage est attribué à la capacité supérieure de gestion des interférences du RSMA.
UAV vs EH au sol : L'architecture de récupération d'énergie de type UAV-vers-UAV proposée surpasse nettement les systèmes traditionnels d'EH au sol, montrant des gains d'environ 8 dB (NOMA) et 12 dB (RSMA). Cela est attribué aux conditions favorables de propagation air-air en ligne de vue (LoS).
Efficacité de l'optimisation : L'algorithme OPM-JCIS démontre une performance supérieure à la sélection aléatoire (RSEL) et aux scénarios où tous les CMU sont actifs, équilibrant efficacement la couverture et la fiabilité. L'algorithme JCPPM atteint la probabilité de panne de CMU la plus faible parmi les méthodes d'optimisation testées en optimisant conjointement la position et la division de puissance, surpassant les algorithmes CPPF et HGCD.

Signification
L'article affirme que son cadre proposé fournit une architecture de communication plus réaliste et efficace pour les futurs réseaux assistés par UAV. En intégrant la modélisation de l'EH non linéaire avec le RSMA sous des contraintes matérielles et de canal pratiques, l'étude comble des lacunes critiques dans la littérature actuelle concernant la durabilité et la fiabilité des systèmes multi-UAV. Les conclusions soulignent que l'optimisation de la sélection des CMU, de l'appariement des IoT et des paramètres d'EH est essentielle pour améliorer l'efficacité du système. Les auteurs concluent que bien que la réduction de la probabilité de panne n'équivaille pas à la maximisation de la récupération d'énergie, une conception équilibrée est cruciale pour un fonctionnement fiable. Ce travail pose les bases de futures recherches sur les effets induits par la mobilité et l'optimisation en temps réel basée sur l'apprentissage automatique.