⚡ electrical engineering

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

Questo articolo propone una rete UAV gerarchica che integra il recupero di energia non lineare e l'accesso multiplo a divisione di tasso (RSMA) in presenza di imperfezioni hardware e informazioni sullo stato del canale imperfette, derivando espressioni della probabilità di interruzione e ottimizzando il posizionamento degli UAV per dimostrare un'affidabilità e prestazioni superiori rispetto ai benchmark esistenti.

Autori originali: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Pubblicato 2026-06-08

📖 5 min di lettura🧠 Approfondimento

CC0 1.0

Autori originali: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate una squadra di droni (UAV) che lavorano insieme per fornire segnali Wi-Fi alle persone a terra, magari in una zona colpita da un disastro dove le torri cellulari sono fuori uso. Questo articolo propone un nuovo modo per organizzare questi droni in modo che possano lavorare più a lungo, comunicare meglio tra loro e non esaurire la batteria.

Ecco la suddivisione della loro idea utilizzando analogie semplici:

1. La struttura del team: Il "Capo" e gli "Aiutanti"

Pensate alla rete come a una gerarchia:

Il Drone Capo (CHU): Questo è un drone grande e potente che vola alto. Ha una batteria enorme (magari alimentata a energia solare) e funge da fonte principale di informazioni ed energia.
I Droni Aiutanti (CMU): Questi sono droni più piccoli che volano più in basso. Non hanno batterie grandi. Invece, agiscono come intermediari. Catturano il segnale dal Capo, lo decodificano e poi lo "gridano" verso le persone a terra (dispositivi IoT).

Il Problema: I Droni Aiutanti esauriscono la batteria rapidamente.
La Soluzione del Paper: Invece di aspettare che qualcuno a terra li ricarichi (il che è difficile se le infrastrutture a terra sono rotte), gli Aiutanti "rubano" un po' di energia dal segnale del Drone Capo mentre lo ascoltano. Questo è chiamato Wireless Energy Harvesting (raccolta di energia wireless).

2. Il trucco energetico: La batteria "Non Lineare"

Di solito, gli scienziati assumono che se raddoppi il segnale radio, ottieni il doppio dell'energia. Ma nel mondo reale, le batterie e i circuiti sono esigenti. Si riempiono e smettono di accettare energia, come una tazza che trabocca.

L'intuizione del Paper: Hanno utilizzato un modello realistico (Non Lineare) che tiene conto di questo "traboccamento". Hanno scoperto che se non si tiene conto di questo limite, la matematica è errata. Utilizzando il modello realistico, possono pianificare meglio in modo che i droni non sprechino energia cercando di riempire una tazza che è già piena.

3. Il metodo di conversazione: "Dividere il messaggio" (RSMA)

Quando il Drone Capo parla con gli Aiutanti, c'è molto rumore e interferenza.

Vecchio Metodo (NOMA): Immaginate che il Capo urli un messaggio a due persone contemporaneamente. Una persona è vicina, l'altra è lontana. Il Capo urla forte, e la persona lontana lo sente, ma la persona vicina deve aspettare che la persona lontana finisca di "ascoltare" prima di poter capire la propria parte. È un metodo un po' rigido.
Il Metodo del Paper (RSMA - Rate Splitting Multiple Access): Il Capo divide il messaggio in due parti: una Parte Comune (tutti devono sentire questa) e una Parte Privata (solo per persone specifiche).
- Gli Aiutanti ascoltano prima la parte Comune.
- Poi, usano quella conoscenza per aiutare a filtrare il rumore e sentire chiaramente le parti Private.
- Il Risultato: È come avere un traduttore che ti aiuta a capire meglio una stanza rumorosa. Questo metodo è molto più efficiente nel gestire le interferenze rispetto al vecchio modo.

4. Il caos del mondo reale: "Occhiali sporchi" e "Fruscio"

Il paper riconosce che la vita reale non è perfetta.

Difetti Hardware (HWI): Le radio dei droni non sono perfette. Hanno piccoli difetti di fabbricazione, come un'antenna leggermente piegata o un altoparlante rumoroso. Questo aggiunge "fruscio" al segnale.
Informazioni sullo Stato del Canale Imperfette (ICSI): I droni cercano di indovinare quanto sia buona la connessione, ma la loro stima non è accurata al 100%. È come cercare di puntare una torcia al buio con occhiali leggermente appannati.
La Rivendicazione del Paper: Molti studi precedenti hanno fatto finta che questi problemi non esistessero. Questo paper costruisce la sua matematica includendo queste imperfezioni, rendendo i risultati molto più affidabili per l'uso nel mondo reale.

5. I Giochi di Ottimizzazione: "Scegliere la squadra migliore"

Gli autori hanno creato due "giochi" (algoritmi) per far funzionare meglio il sistema:

Gioco 1: Scegliere i Migliori Aiutanti (Selezione CMU)
- Immaginate di avere 10 Droni Aiutanti, ma ne servono solo 6 per coprire l'area.
- Scelta Casuale: Scegliere 6 droni a caso potrebbe significare scegliere 6 droni deboli.
- L'Algoritmo del Paper: Esamina ogni drone, controlla la loro forza del segnale e sceglie i 6 specifici che causeranno il minor numero di "interruzioni" (connessioni fallite). Inoltre, accoppia intelligentemente gli utenti a terra in modo che gli utenti forti e quelli deboli si aiutino a vicenda.
- Risultato: Questo metodo riduce significativamente la probabilità di una connessione interrotta rispetto alla selezione casuale.
Gioco 2: Trovare il Punto di Hover Perfetto
- Dove dovrebbe volare un Drone Aiutante? Troppo lontano dal Capo? Niente energia. Troppo lontano dalle persone? Segnale scarso.
- L'Algoritmo del Paper: Calcola la posizione esatta in 3D (coordinate X, Y e Z) e l'esatta quantità di energia da "rubare" (il fattore di ripartizione della potenza) per ottenere il miglior equilibrio.
- Risultato: Hanno trovato un modo intelligente per calcolare questo punto che è più veloce e accurato rispetto ai metodi precedenti.

Il Punto Fondamentale

Il paper dimostra che combinando droni gerarchici, divisione intelligente dei messaggi (RSMA) e raccolta di energia realistica, si può costruire una rete molto più affidabile.

RSMA batte il vecchio metodo "NOMA" di circa 3–4 dB (un salto significativo nella qualità del segnale).
L'energy harvesting da drone-a-drone batte il tentativo di raccogliere energia dal suolo di circa 8–12 dB perché l'aria è più limpida e ci sono meno ostacoli.
Gli Algoritmi assicurano che non si stia sprecando tempo con cattivi droni o cattive posizioni.

In breve, hanno costruito una "ricetta" matematicamente rigorosa per una rete di droni che è più resistente, più intelligente e più efficiente dal punto di vista energetico, anche quando l'attrezzatura non è perfetta.

Sintesi Tecnica: Reti UAV Gerarchiche con RSMA e Harvesting Energetico Non Lineare

Definizione del Problema
I veicoli aerei non presidiati (UAV) sono fondamentali per potenziare la connettività nelle reti di sesta generazione (6G), in particolare nel soccorso in caso di disastri e nelle applicazioni civili. Tuttavia, i sistemi multi-UAV affrontano limitazioni critiche riguardanti l'energia a bordo, il che restringe la durata della missione e la continuità della comunicazione. Sebbene l'harvesting dell'energia wireless (EH) offra una soluzione sostenibile, la letteratura esistente si basa spesso su modelli di EH lineari e assunzioni di sistema ideali. Inoltre, l'integrazione di tecniche avanzate di accesso multiplo, nello specifico il Rate-Splitting Multiple Access (RSMA), nelle reti UAV gerarchiche rimane poco esplorata, specialmente sotto vincoli pratici come le imperfezioni hardware (HWI) e l'informazione sullo stato del canale imperfetta (ICSI). La maggior parte degli studi esistenti si concentra su architetture a singolo UAV o su condizioni ideali, non riuscendo a catturare la complessità dei dispiegamenti multi-UAV dove sono prevalenti l'interferenza tra utenti e le condizioni di canale eterogenee.

Metodologia
Gli autori propongono una nuova architettura di rete UAV ad hoc gerarchica composta da un Cluster Head UAV (CHU) che funge da sorgente e da molteplici Cluster Member UAV (CMU) che fungono da relay verso dispositivi IoT a terra.

Modello di Sistema: Il CHU trasmette segnali ai CMU, i quali raccolgono energia dai segnali utilizzando un protocollo di Power Splitting (PS). L'energia raccolta alimenta i CMU per inoltrare le informazioni ai dispositivi IoT a terra. Il sistema opera sotto canali con fading Nakagami- $m$ .
Vincoli Pratici: L'analisi incorpora modelli di EH non lineari per riflettere le caratteristiche di saturazione dei circuiti RF pratici, insieme agli effetti delle HWI (ad esempio, rumore di fase dell'oscillatore, distorsione dell'amplificatore) e ICSI.
Schema di Accesso: Viene impiegato il RSMA, che suddivide i messaggi degli utenti in componenti comuni e private per gestire l'interferenza in modo più flessibile rispetto al Non-Orthogonal Multiple Access (NOMA).
Derivazione Analitica: Il documento deriva espressioni in forma chiusa per la probabilità di outage dei singoli dispositivi IoT a terra, dei singoli CMU e della probabilità di outage complessiva del sistema. Sono fornite anche espressioni approssimate per regimi di potenza di trasmissione elevati.
Ottimizzazione: Sono formulati due problemi di ottimizzazione:
1. Selezione Congiunta di CMU e IoT (OPM-JCIS): Mira a minimizzare la probabilità di outage complessiva del sistema selezionando i CMU ottimali e accoppiando i dispositivi IoT a terra in base alle condizioni del canale.
2. Ottimizzazione Congiunta di Posizione e Fattore PS: Mira a minimizzare la probabilità di outage del CMU ottimizzando congiuntamente le coordinate di hovering 3D del CMU e il fattore di power splitting ( $\rho$ ). Vengono proposti due algoritmi per risolvere questo problema non convesso: un metodo di decomposizione sub-ottimale (CPPF) e un approccio meta euristico (JCPPM).

Contributi Chiave

Nuovo Framework: Questo è il primo studio che investiga una rete UAV gerarchica ad hoc integrando simultaneamente EH non lineare, RSMA, HWI e ICSI.
Approfondimenti Analitici: Gli autori forniscono derivazioni rigorose della probabilità di outage che tengono conto degli effetti di saturazione dell'EH non lineare e della degradazione causata dalle imperfezioni hardware e dagli errori di stima del canale.
Algoritmi di Ottimizzazione: Il documento introduce l'algoritmo OPM-JCIS per l'accoppiamento degli utenti e la selezione dei CMU, e l'algoritmo meta euristico JCPPM per l'ottimizzazione congiunta di posizione e power splitting, offrendo soluzioni con diverse complessità computazionali.
Benchmarking delle Prestazioni: Il sistema proposto viene confrontato con benchmark che includono UAV gerarchici basati su NOMA e sistemi di EH a terra.

Risultati

Validazione Analitica: I risultati delle simulazioni confermano l'accuratezza delle espressioni analitiche derivate, mostrando una stretta corrispondenza con le simulazioni numeriche.
Impatto dei Vincoli: La presenza di HWI e ICSI degrada significativamente le prestazioni del sistema, con l'ICSI che ha un impatto negativo più pronunciato. Il modello di EH non lineare introduce un pavimento di probabilità di outage ad alte potenze di trasmissione a causa della saturazione, a differenza dei modelli lineari che prevedono un miglioramento continuo.
RSMA vs. NOMA: Il sistema proposto basato su RSMA supera i sistemi basati su NOMA, ottenendo un guadagno di circa 3–4 dB nella probabilità di outage. Questo vantaggio è attribuito alla capacità superiore di gestione delle interferenze del RSMA.
UAV vs. Ground EH: La proposta architettura di energy harvesting UAV-to-UAV supera significativamente i sistemi tradizionali di EH a terra, mostrando guadagni di circa 8 dB (NOMA) e 12 dB (RSMA). Ciò è dovuto alle favorevoli condizioni di propagazione aria-aria con Line-of-Sight (LoS).
Efficacia dell'Ottimizzazione: L'algoritmo OPM-JCIS dimostra prestazioni superiori rispetto alla selezione casuale (RSEL) e agli scenari in cui tutti i CMU sono attivi, bilanciando efficacemente copertura e affidabilità. L'algoritza JCPPM raggiunge la più bassa probabilità di outage del CMU tra i metodi di ottimizzazione testati, ottimizzando congiuntamente posizione e power splitting, superando gli algoritmi CPPF e HGCD.

Significatività
Il documento afferma che il framework proposto fornisce un'architettura di comunicazione più realistica ed efficiente per le future reti assistite da UAV. Integrando la modellazione dell'EH non lineare con il RSMA sotto vincoli pratici di hardware e di canale, lo studio affronta lacune critiche nella letteratura attuale riguardanti la sostenibilità e l'affidabilità dei sistemi multi-UAV. I risultati sottolineano che l'ottimizzazione della selezione dei CMU, dell'accoppiamento degli IoT e dei parametri di EH è essenziale per migliorare l'efficienza del sistema. Gli autori concludono che, sebbene la riduzione della probabilità di outage non equivalga alla massimizzazione dell'energy harvesting, un design equilibrato è cruciale per un funzionamento affidabile. Questo lavoro pone le basi per la ricerca futura sugli effetti indotti dalla mobilità e sull'ottimizzazione in tempo reale basata sul machine learning.