Orientation Matters: Learning Radiation Patterns of Multi-Rotor UAVs In-Flight to Enhance Communication Availability Modeling

Probleemstelling

In de robotica, en specifiek bij zwermen van onbemande luchtvaartuigen (UAV's), is communicatiebewustzijn essentieel voor taken zoals padplanning en herverbinding. Echter, bestaande modellen voor signaalkwaliteit zijn vaak te simplistisch of vereisen een vooraf bekend, statisch stralingspatroon (Radiation Pattern - RP).

• Modulaire UAV's: Moderne UAV-systemen zijn modulair; zware ladingen, sensoren of reparaties kunnen het stralingspatroon van de antenne drastisch veranderen door interactie met het vliegtuigframe.
• Gebrek aan modellen: Rigoureuze elektromagnetische simulaties zijn onuitvoerbaar aan boord vanwege het ontbreken van een exacte milieumodel.
• Oriëntatie-afhankelijkheid: Het signaalverlies kan tot -20 dB variëren afhankelijk van de relatieve oriëntatie van de antennes. Bestaande werken nemen vaak een theoretisch of vooraf geïdentificeerd patroon aan, wat de praktische toepasbaarheid beperkt bij snelle configuratiewijzigingen op het veld.

Het doel van dit werk is een methode te ontwikkelen om de stralingspatronen van twee heterogene UAV's gelijktijdig te leren en te ontkoppelen tijdens een vlucht, zonder infrastructuur, zodat autonome systemen hun communicatiekanalen kunnen optimaliseren na configuratiewijzigingen.

Methodologie

De auteurs stellen een aanpak voor die bestaat uit drie hoofdcomponenten: een gezamenlijke kalibratietrajectorie, een wiskundige ontbinding van het signaalverlies, en verschillende leermodellen.

1. Gezamenlijke Kalibratietrajectorie

Omdat UAV's niet-holonomisch zijn (ze kunnen niet in alle richtingen bewegen zonder te draaien) en niet in de lucht kunnen "hangen" zoals in een anechoïsche kamer, werd een specifieke trajectorie ontworpen:

• Twee UAV's vliegen synchroon in een verticale cirkel met een constante diameter (10 m) en een hoogte van 20 m (om grondreflecties te minimaliseren).
• Na elke lus verandert één UAV lichtjes zijn koers (heading).
• Dit proces herhaalt zich totdat beide UAV's een volledige 360° scan van relatieve oriëntaties hebben afgedekt.
• Tijdens deze vlucht worden RSSI-waarden (Received Signal Strength Indicator) en posities continu geregistreerd.

2. Wiskundige Ontbinding (Decoupling)

Het ontvangen signaal ($P_{rx}$) wordt gemodelleerd volgens de Friis-transmissievergelijking:
$$P_{rx} = P_{tx} + G_{tx} + G_{rx} - \text{Path Loss}$$
Waarbij $G$ het gezamenlijke stralingspatroon is. De kernuitdaging is het ontkoppelen van het gezamenlijke verlies $G$ in twee onafhankelijke componenten: $G_{tx}$ (zender) en $G_{rx}$ (ontvanger).

• De auteurs gebruiken lineaire regressie op polynoomcoëfficiënten om dit te bereiken.
• Door Ridge-regressie toe te passen, wordt voorkomen dat er een willekeurige constante $\epsilon$ in de parameters wordt opgelost, wat de unieke oplossing van de twee onafhankelijke patronen garandeert.

3. Stralingspatroon Modellen

Drie verschillende modellen werden vergeleken om het stralingspatroon $G(\alpha, \beta)$ te representeren, waarbij $\alpha$ en $\beta$ respectievelijk de azimut- en hellingshoeken zijn:

1. Sferische Harmonischen (SH): Een orthogonaal polynoomsysteem (Legendre-polynomen) dat ideaal is voor functies op een bol. Dit model kan complexe patronen efficiënt benaderen.
2. Basis Grid (BG): Een benadering waarbij het domein wordt bemonsterd op een rooster, waarbij elke punt een regressieparameter is die lokaal bijdraagt aan de winst.
3. Polynoom (P): Een onbeperkt polynoommodel over de hoeken, hoewel dit de periodiciteit van het domein negeert.

Belangrijkste Bijdragen

1. Gelijktijdige Ontkoppeling: Een nieuwe methode om de stralingspatronen van twee verschillende UAV's tegelijkertijd te leren en te ontkoppelen uit gezamenlijke vluchtdata, zonder dat één UAV als statische referentie hoeft te dienen.
2. Snelle Veldkalibratie: Een efficiënt traject dat alle relatieve oriëntaties in een korte tijd afdekt, waardoor UAV's hun communicatiemodel kunnen updaten na ladingswijzigingen of reparaties.
3. Validatie op Real-World Data: De methode is getest met echte hardware (DJI F450 en Holybro X-500) in een open veld, wat een grote stap is ten opzichte van alleen theoretische of anechoïsche kamer-simulaties.

Resultaten

De methoden zijn geëvalueerd op een dataset van bijna 28.000 samples verzameld tijdens vluchten.

• Nauwkeurigheid: Het beste model (Sferische Harmonischen met orde 28) bereikte een Root-Mean-Squared Error (RMSE) van 3,6 dB. Dit komt overeen met het niveau van de meetruis (veroorzaakt door propellers, polarisatie en elektronica), wat aangeeft dat het model de onderliggende fysica perfect heeft leren voorspellen.
• Vergelijking:
  • De Sferische Harmonischen (SH) presteerden het best, met name bij hogere ordes (orde 14 en 28), met een RMSE van respectievelijk 3,73 dB en 3,39 dB.
  • De Nearest Neighbor (NN) baseline (die het gezamenlijke patroon leert zonder ontkoppeling) bereikte een RMSE van 3,43 dB, maar kan geen individuele patronen voor elke UAV leveren.
  • De Polynoom (P) en Basis Grid (BG) modellen presteerden iets slechter (RMSE rond 3,8 - 4,0 dB).
• Overfitting: Hoewel het model met orde 28 zeer complex was, toonde cross-validatie aan dat er geen sprake was van overfitting op ruis; de topologie van de geleerde patronen bleef consistent tussen verschillende validatie-sets.

Betekenis en Toekomstperspectief

Dit werk is significant omdat het de brug slaat tussen theoretische antenne-modellering en praktische, autonome robotica.

• Toepassing: Het stelt zwermen van UAV's in staat om hun communicatiekanalen dynamisch te optimaliseren door de oriëntatie aan te passen (bijv. voor maximale throughput of minimale interferentie), zelfs als de hardwareconfiguratie verandert.
• Autonomie: Het elimineert de noodzaak voor tijdrovende laboratoriumkalibratie bij elke wijziging in de payload.
• Toekomst: De auteurs suggereren verdere onderzoek naar het rekening houden met polarisatie, het optimaliseren van de kalibratietrajectorie als een informatieverzamelingsprobleem, en het toepassen van meer geavanceerde modellen zoals Gaussian Processes.

Kortom, de paper bewijst dat het mogelijk is om complexe, oriëntatie-afhankelijke stralingspatronen van UAV's in real-time en in het veld te leren, wat een cruciale stap is voor betrouwbare en efficiënte UAV-zwermen in onvoorspelbare omgevingen.