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

Technische Samenvatting: Gezamenlijke Optimalisatie van Multi-UAV Deployment en 3D-positionering in Verkeersbewuste Luchtnatwerken

Probleemstelling
Het artikel behandelt de kritieke uitdaging van het inzetten van meerdere Unmanned Aerial Vehicles (UAV's) in dynamische, verkeersbewuste luchtnatwerken. Hoewel UAV's on-demand inzetbaarheid en betrouwbare Line-of-Sight (LoS) connectiviteit bieden, blijft het effectief positioneren van deze voertuigen in realtime om te voldoen aan niet-uniforme, tijdvariërende verkeersvraag een moeilijke opgave. Bestaande methoden vertrouwen vaak op statische gebruikersdistributies, een vast aantal UAV's, of afzonderlijke optimalisatiefases die er niet in slagen om het aantal ingezette UAV's gezamenlijk te minimaliseren terwijl de netwerkdoorvoer wordt gemaximaliseerd. Het kernprobleem wordt geformuleerd als een Mixed-Integer Nonlinear Programming (MINP) probleem: het gelijktijdig bepalen van het minimale aantal actieve UAV's, hun optimale 3D-coördinaten en de associatie van grondgebonden User Equipment (UE's) met deze UAV's, onderworpen aan eisen voor datasnelheid, bandbreedtebeperkingen en LoS-waarschijnlijkheidsmodellen. De auteurs merken op dat dit probleem NP-hard is, waardoor optimale oplossingen computationeel onhaalbaar zijn voor grootschalige scenario's.

Methodologie: Het EMTAD-algoritme
Om dit optimalisatieprobleem op te lossen, stellen de auteurs het Efficient Multi-UAV Traffic-Aware Deployment (EMTAD) algoritme voor. Dit framework werkt in twee primaire stadia:

1. Ruimtelijke Clustering via Dekkingsintersectie:

   • Het algoritme berekent eerst een maximaal toelaatbare afstand ($d^{MAX}_{ik}$) tussen een UE en een UAV. Deze afstand is afgeleid van de specifieke verkeersvraag van de gebruiker, de toegewezen bandbreedte en het probabilistische LoS/NLoS-kanaalmodel (gebaseerd op het Al-Hourani-model voor stedelijke omgevingen).
   • Op basis van deze afstand wordt een "dekkingssfeer" gedefinieerd rond elke UE.
   • Het algoritme berekent de ruimtelijke intersecties van deze sferen om kandidaat 3D-regio's ($s_p$) te identificeren waar een enkele UAV simultaan meerdere UE's kan bedienen terwijl aan hun individuele verkeerseisen wordt voldaan.
   • Vervolgens identificeert het de kleinste subset van deze intersectiezones die nodig is om alle UE's te dekken, waarbij gebruikers effectief worden gegroepeerd op basis van nabijheid en verkeerscompatibiliteit om het totale aantal benodigde UAV's te minimaliseren.

2. 3D-Positioneringsoptimalisatie via Particle Swarm Optimization (PSO):

   • Zodra de kandidaat intersectiezones zijn vastgesteld, wordt een PSO-gebaseerde metaheuristiek ingezet om de exacte 3D-coördinaten ($P_k$) voor elke UAV binnen zijn toegewezen zone te bepalen.
   • De PSO-fitnessfunctie streeft ernaar om het aantal bediende UE's per UAV te maximaliseren (rekening houdend met bandbreedtebeperkingen), terwijl wordt gewaarborgd dat de haalbare datasnelheid voldoet aan de vraag van de gebruiker en posities met een hoge LoS-waarschijnlijkheid worden geprioriteerd.
   • Het algoritme reduceert iteratief het aantal UAV's ($K_{max}$) om de meest efficiënte deploymentconfiguratie te vinden.

Belangrijkste Bijdragen
Het artikel schetst drie belangrijke bijdragen:

1. Verkeersbewuste Real-time Positionering: Een strategie die de plaatsing van UAV's dynamisch aanpast op basis van real-time gebruikerslocaties en ruimtelijke verkeersdistributie, in plaats van statische patronen.
2. Geïntegreerd Optimalisatieframework: Een verenigde aanpak die gezamenlijk het aantal ingezette UAV's minimaliseert, de optimale UE-UAV-associaties bepaalt en rekening houdt met praktische beperkingen zoals bandbreedtecapaciteit en LoS-propagatie.
3. Schaalbaar Algoritme: Een heuristische oplossing ontworpen voor dynamische, heterogene netwerkomgevingen die een balans vindt tussen middelenefficiëntie en algehele netwerkprestaties.

Prestatie-evaluatie en Resultaten
De auteurs hebben EMTAD geëvalueerd met behulp van Python-scripts en de ns-3 netwerksimulator, waarbij het werd vergeleken met twee state-of-the-art baselines: een fixed-altitude benadering en een fixed-number-of-UEs-per-UAV benadering. De evaluatie besloeg drie scenario's:

• Scenario A (Variërend Verkeer): Met een vast aantal UE's (20) en een locatiegrootte (100m x 100m) demonstreerde EMTAD superieure prestaties in de geaggregeerde doorvoer vergeleken met de baselines, met name wanneer hogere verkeerseisen meer UAV's vereisten.
• Scenario B (Variërende Locatiegrootte): In grotere locaties (tot 500m x 500m) behaalde EMTAD een vergelijkbare of betere doorvoer met minder UAV's. Bijvoorbeeld, in een gebied van 500m x 500m zette EMTAD drie UAV's in om aan de eisen te voldoen, terwijl de benchmark-aanpak met twee UAV's er niet in slaagde de vereisten te vervullen.
• Scenario C (Variërend Aantal UE's): Naarmate het aantal UE's toenam (tot 60), slaagde EMTAD erin om alle gebruikers te dekken en aan de verkeerseisen te voldoen met maximaal twee UAV's. In contrast hiermee had de benchmark-aanpak tot wel zes UAV's nodig voor hetzelfde scenario zonder significante verbeteringen in de doorvoer te bieden.

Betekenis en Claims
Het artikel claimt dat EMTAD de netwerkprestaties aanzienlijk verbetert terwijl de deployment-overhead wordt verminderd. Door het aantal vereiste UAV's in dynamische omgevingen te minimaliseren, zorgt het framework voor een efficiënt gebruik van middelen en lagere operationele kosten. De auteurs benadrukken dat hun aanpak de LoS-dekking verbetert, de netwerkbelasting balanceert en de spectrale efficiëntie verhoogt vergeleken met conventionele statische strategieën. Het werk bouwt voort op eerder onderzoek naar single-UAV positionering, maar breidt dit uit om de complexiteit van multi-UAV optimalisatie en dynamische gebruikersassociatie aan te pakken. Toekomstig werk wordt geïdentificeerd als het uitbreiden van het framework om UAV-mobiliteit, energiebewuste operaties en integratie met 6G-native edge intelligence te ondersteunen.