HAPS-RIS and UAV Integrated Networks: A Unified Joint Multi-objective Framework

Resumo Técnico: Redes Integradas HAPS-RIS e UAV

Este artigo propõe um framework unificado de otimização multi-objetivo para redes não terrestres (NTN) de sexta geração (6G), integrando Estações de Plataforma de Alta Altitude equipadas com Superfícies Inteligentes Reconfiguráveis (HAPS-RIS) e Veículos Aéreos Não Tripulados (UAVs).

1. O Problema

O objetivo central das redes 6G é a conectividade ubíqua, especialmente em regiões remotas. Embora os UAVs possam atuar como estações base móveis para estender a cobertura, eles enfrentam limitações críticas: número limitado de dispositivos disponíveis e orçamentos de energia finitos. Por outro lado, o uso de HAPS-RIS oferece uma solução de baixo custo e baixa complexidade para cobertura ampla, mas a integração de ambos os sistemas introduz novos desafios de gestão de recursos, especificamente a limitação de largura de banda e a necessidade de coordenação entre as infraestruturas.

O problema fundamental é: Como projetar conjuntamente as infraestruturas HAPS-RIS e UAV dentro de um framework de sistema unificado que maximize a cobertura e minimize o custo de implantação (número de UAVs e perda de percurso)?

2. Metodologia

Os autores formulam um problema de Programação Não Linear de Inteiros Misto (MINLP) de larga escala, que é inerentemente NP-difícil. Para torná-lo tratável, eles propõem uma sequência de transformações matemáticas inovadoras:

• Equivalência com K-means (Teorema 1): Eles provam que minimizar o limite superior da perda de percurso média dos UAVs é matematicamente equivalente ao algoritmo de agrupamento k-means. Isso transforma o problema de posicionamento de UAVs e associação de usuários em uma operação de aprendizado não supervisionado de baixa complexidade.
• Design de Fase de RIS em Tempo Fechado (Lema 1): Em vez de otimizar milhares de elementos de RIS individualmente, eles derivam uma solução de fase simplificada baseada em propriedades geométricas, reduzindo drasticamente o overhead computacional.
• Técnica de Mapeamento (Proposição 1): Eles colapsam as associações combinatórias de alta dimensão (usuário-subportadora-elemento RIS) em variáveis de baixa dimensão: um raio de zona ($R$) para os UAVs e um fator de partição de largura de banda ($\kappa$) para o sistema.
• Otimização Dinâmica de Pareto: Utilizam uma abordagem de otimização lexicográfica onde as prioridades são definidas pela lógica operacional: 1º Maximizar a cobertura HAPS-RIS; 2º Minimizar o número de UAVs; 3º Minimizar a perda de percurso dos UAVs.

3. Principais Contribuições

1. Framework Unificado: O primeiro modelo de sistema que integra HAPS-RIS e UAVs de forma conjunta, tratando a largura de banda como um recurso compartilhado e acoplado.
2. Redução de Complexidade: A transformação de um problema NP-difícil em um modelo tratável através de derivações teóricas que ligam otimização clássica ao aprendizado de máquina (k-means).
3. Parâmetro de Unificação: A introdução do fator $\kappa$, que permite que o modelo recupere automaticamente arquiteturas tradicionais (apenas UAV, apenas HAPS-RIS ou divisão igualitária) como casos especiais.
4. Escalabilidade: Demonstração de que a complexidade computacional escala polinomialmente, tornando-o viável para implementações reais de larga escala.

4. Resultados e Discussões

As simulações revelam comportamentos distintos dependendo do regime de taxa de dados:

• Regime de Baixa Taxa: O HAPS-RIS sozinho é suficiente para fornecer cobertura quase total com poucos elementos de RIS.
• Regime de Alta Taxa: A assistência dos UAVs torna-se indispensável para atender às demandas de dados elevadas.
• Trade-off RIS vs. UAV: Existe uma relação quantificável onde o aumento do número de elementos de RIS pode substituir efetivamente a necessidade de implantar mais UAVs, permitindo aos projetistas trocar custos de hardware (RIS) por custos operacionais (UAVs).
• Superioridade do Modelo: O framework otimizado ($\kappa_{opt}$) superou consistentemente todas as linhas de base (baselines), equilibrando melhor a cobertura HAPS-RIS e a eficiência do uso de UAVs.

5. Significância

Este trabalho é significativo para o desenvolvimento de redes 6G por fornecer diretrizes de design baseadas em dados. Ele oferece uma ferramenta matemática para que operadores de rede decidam a proporção ideal entre infraestrutura passiva (RIS) e ativa (UAV) para atender a diferentes demandas de serviço, otimizando o custo e a eficiência energética em redes não terrestres.