Predictive Control over LAWN: Joint Trajectory Design and Resource Allocation

Resumo Técnico: Controle Preditivo sobre Redes Sem Fio de Baixa Altitude

Definição do Problema
Este trabalho aborda o desafio do controle sem fio em tempo real para múltiplos Veículos Guiados Automatizados (AGVs) móveis dentro de Redes Sem Fio de Baixa Altitude (LAWNs) assistidas por um drone aéreo. O problema central reside no acoplamento estreito entre a confiabilidade da comunicação e o desempenho do controle em cenários de latência crítica. Abordagens tradicionais frequentemente tratam a comunicação e o controle como subsistemas independentes ou assumem transmissões de comprimento de bloco infinito (IBL), o que falha em capturar os rigorosos requisitos de latência e confiabilidade para o controle em tempo real. Em tais sistemas, os períodos operacionais são segmentados em curtos intervalos de tempo, necessitando de transmissão de comprimento de bloco finito (FBL). Sob FBL, a taxa alcançável é não convexa e altamente sensível à razão sinal-ruído (SNR), ao comprimento de bloco e à taxa de erro de bloco (BLER), tornando a otimização conjunta da política de controle, da potência de transmissão e da trajetória do drone significativamente mais complexa do que em sistemas baseados em IBL. Além disso, estudos existentes frequentemente negligenciam a intrincada interação entre interrupções de comunicação e a estabilidade dos mecanismos de controle de malha interna, particularmente em configurações de coordenação multiagente.

Metodologia
Os autores propõem um framework de Controle Preditivo Baseado em Modelo (MPC) assistido por comunicação, onde um drone atende múltiplos AGVs via transmissão FBL. A metodologia procede através das seguintes etapas:

1. Modelagem do Sistema:

   • Comunicação: O canal ar-solo (A2G) é modelado usando o desvanecimento Nakagami-m para considerar condições de Linha de Visão (LoS) e Não-Linha de Visão (NLoS). A taxa alcançável é derivada usando a teoria FBL, incorporando restrições de SNR, comprimento de bloco e BLER.
   • Controle: Os AGVs são modelados como sistemas lineares de tempo discreto. Para garantir uma atuação suave, o sistema é reformulado usando um vetor de estado aumentado que inclui a entrada de controle anterior. O objetivo de controle é minimizar o erro de rastreamento de trajetória e o esforço de controle sobre um horizonte de predição finito.
   • Integração: O framework modela explicitamente a confiabilidade da transmissão via probabilidade de interrupção ($P_k[n]$). A dinâmica do sistema é reformulada para contabilizar a probabilidade de falha do comando de controle; durante uma interrupção, o AGV evolui com base em sua dinâmica intrínseca sem entrada externa. Esta probabilidade de interrupção é integrada diretamente na função de custo do MPC.

2. Formulação do Problema:
   Um problema de otimização conjunta é formulado para minimizar o custo de controle esperado, otimizando simultaneamente a sequência de entrada de controle, a alocação de potência de transmissão e a trajetória do drone. O problema está sujeito a restrições de potência total de transmissão, velocidade máxima do drone, limites de voo e limites de entrada de controle. O problema resultante é não convexo devido ao acoplamento de variáveis e à natureza complexa da expressão de taxa FBL.

3. Algoritmo de Solução:

   • Derivação de Forma Fechada: Os autores primeiro derivam uma expressão de forma fechada para a probabilidade de interrupção sob transmissão FBL.
   • Reformulação: Usando esta expressão, o problema original é recatastrado em uma estrutura de Programação Quadrática (QP).
   • Otimização Alternada (AO): Um framework de AO é desenvolvido para resolver o problema não convexo decompondo-o em três subproblemas tratáveis:
     • Estratégia de Controle: Resolvida como um QP padrão usando técnicas de otimização convexa.
     • Alocação de Potência: Resolvida usando o método de Gradiente Projetado (PGD) com busca de linha de retrocesso (backtracking line search) para lidar com o objetivo não convexo.
     • Trajetória do Drone: Resolvida usando Aproximação Convexa Sucessiva (SCA) para linearizar termos não convexos via expansões de Taylor de primeira ordem.
       O algoritmo atualiza iterativamente essas variáveis até a convergência. O artigo fornece uma análise rigorosa das propriedades de convergência e da complexidade computacional do algoritmo.

Principais Contribuições

1. Framework Inovador: Desenvolvimento de um framework de controle sem fio para LAWNs assistidas por drones que permite o rastreamento de trajetória remoto em tempo real de múltiplos AGVs sob transmissão FBL, acoplando explicitamente a confiabilidade da comunicação (via probabilidade de interrupção) com o controle baseado em MPC.
2. Formulação de Otimização Conjunta: Formulação de um problema de otimização conjunta que minimiza o custo total de controle ao otimizar entradas de controle, alocação de potência e trajetória do drone. Esta formulação captura explicitamente o impacto das interrupções de comunicação no desempenho do controle, sujeito a restrições de mobilidade física e potência.
3. Solução Algorítmica: Derivação de uma expressão de forma fechada para a probabilidade de interrupção e a subsequente transformação do problema não convexo em uma estrutura QP. O desenvolvimento de um framework de AO utilizando técnicas de PGD e SCA para alcançar soluções subótimas computacionalmente eficientes, acompanhado de análise de convergência e complexidade.
4. Validação: Simulações extensas e experimentos baseados em AirSim validando a abordagem contra esquemas de referência (PID Preditivo, LQR Preditivo, Alocação de Potência Igual e Voo Reto).

Resultados

• Convergência: As simulações demonstram que o algoritmo proposto converge rapidamente (dentro de poucas iterações) para um custo de controle estável através de diferentes intervalos de tempo.
• Robustez: O método proposto mantém um Erro Quadrático Médio (RMSE) menor no rastreamento de trajetória em comparação com os benchmarks, mesmo sob CSI imperfeito e orçamentos de potência variáveis. Ele apresenta uma degradação mais lenta de desempenho conforme os erros de estimativa de canal aumentam.
• Impacto de Parâmetros:
  • Orçamento de Potência: Orçamentos de potência mais altos levam a uma melhor precisão de controle. A otimização conjunta proposta supera significativamente a Alocação de Potência Igual (EPA), especialmente em cenários de baixa confiabilidade.
  • Limiar de Taxa: À medida que o limiar de taxa de dados exigida aumenta, o custo de controle sobe devido às maiores probabilidades de interrupção. O método proposto gerencia esse trade-off de forma mais eficaz que os baselines.
  • Comprimento de Bloco: O custo de controle diminui conforme o comprimento de bloco aumenta, convergindo para o caso IBL. O método proposto supera consistentemente a alocação estática e os baselines de trajetória fixa.
• Adaptação de Trajetória: Em cenários de multi-AGV, o drone ajusta dinamicamente sua trajetória para priorizar áreas com movimentos complexos de AGVs (ex: curvas acentuadas), enquanto esquemas de referência (como EPA) resultam em trajetórias mais longas e menos eficientes e maiores desvios de rastreamento.
• Validação AirSim: Experimentos na plataforma AirSim, incorporando perturbações ambientais realistas (chuva, vento, névoa), confirmam a praticidade do método. Embora as restrições físicas introduzam mais desvio do que as simulações ideais, o drone ainda consegue pairar próximo a regiões de alta complexidade para apoiar os AGVs, demonstrando robustez.

Significância
O artigo afirma que sua principal significância reside em abordar a lacuna entre a confiabilidade da comunicação e a estabilidade do controle em sistemas IoT de tempo real e latência crítica. Ao ir além da suposição de comprimento de bloco infinito e tratar a comunicação e o controle como um sistema unificado, o framework proposto oferece uma abordagem mais realista e eficaz para LAWNs assistidas por drones. O trabalho fornece uma solução prática para coordenar múltiplos agentes móveis em ambientes dinâmicos, demonstrando que a otimização conjunta de trajetória, potência e política de controle é essencial para manter um rastreamento de alto desempenho sob rigorosas restrições de comunicação. A validação via AirSim reforça ainda mais a aplicabilidade prática do modelo teórico em ambientes fisicamente fundamentados e sujeitos a perturbações.