⚡ electrical engineering

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

Este artigo propõe uma rede de UAV hierárquica integrando colheita de energia não linear e acesso múltiplo por divisão de taxa (RSMA) sob imperfeições de hardware e informações de estado de canal imperfeitas, derivando expressões de probabilidade de interrupção e otimizando o posicionamento de UAV para demonstrar confiabilidade e desempenho superiores em comparação com benchmarks existentes.

Autores originais: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Publicado 2026-06-08

📖 5 min de leitura🧠 Leitura aprofundada

CC0 1.0

Autores originais: Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma equipe de drones (UAVs) trabalhando juntos para entregar sinais de Wi-Fi para pessoas no solo, talvez em uma zona de desastre onde as torres de celular estão fora de operação. Este artigo propõe uma nova maneira de organizar esses drones para que possam trabalhar por mais tempo, se comunicar melhor e não ficarem sem bateria.

Aqui está a divisão da ideia deles usando analogias simples:

1. A Estrutura da Equipe: O "Chefe" e os "Ajudantes"

Pense na rede como uma hierarquia:

O Drone Chefe (CHU): Este é um drone grande e poderoso pairando no alto. Ele tem uma bateria grande (talvez movida a energia solar) e atua como a principal fonte de informação e energia.
Os Drones Ajudantes (CMUs): Estes são drones menores pairando mais baixo. Eles não têm baterias grandes. Em vez disso, atuam como intermediários. Eles captam o sinal do Chefe, decodificam-no e depois o "gritam" para as pessoas no solo (dispositivos IoT).

O Problema: Os Drones Ajudantes ficam sem bateria rapidamente.
A Solução do Artigo: Em vez de esperar que alguém no solo os carregue (o que é difícil se a infraestrutura terrestre estiver quebrada), os Ajudantes "roubam" um pouco de energia do sinal do Drone Chefe enquanto estão ouvindo-o. Isso é chamado de Colheita de Energia Sem Fio (Wireless Energy Harvesting).

2. O Truque da Energia: A Bateria "Não Linear"

Normalmente, os cientistas assumem que, se você dobrar o sinal de rádio, você obtém o dobro de energia. Mas, no mundo real, as baterias e os circuitos são exigentes. Eles ficam cheios e param de aceitar mais energia, como um copo que transborda.

A Percepção do Artigo: Eles usaram um modelo realista (Não Linear) que leva em conta esse "transbordamento". Eles descobriram que, se você não considerar esse limite, sua matemática estará errada. Ao usar o modelo realista, eles podem planejar melhor para que os drones não desperdicem energia tentando encher um copo que já está cheio.

3. O Método de Conversa: "Dividir a Mensagem" (RSMA)

Quando o Drone Chefe fala com os Ajudantes, há muito ruído e interferência.

O Jeito Antigo (NOMA): Imagine o Chefe gritando uma mensagem para duas pessoas ao mesmo tempo. Uma pessoa está perto, outra está longe. O Chefe grita alto, e a pessoa que está longe ouve, mas a pessoa que está perto tem que esperar a pessoa distante terminar de "ouvir" para que ela possa entender sua parte. É um pouco rígido.
O Jeito do Artigo (RSMA - Rate Splitting Multiple Access): O Chefe divide a mensagem em duas partes: uma Parte Comum (todos precisam ouvir isso) e uma Parte Privada (apenas para pessoas específicas).
- Os Ajudantes ouvem a Parte Comum primeiro.
- Depois, eles usam esse conhecimento para ajudar a filtrar o ruído e ouvir as Partes Privadas com clareza.
- O Resultado: É como ter um tradutor que ajuda você a entender melhor uma sala barulhenta. Este método é muito mais eficiente em lidar com a interferência do que o método antigo.

4. A Bagunça do Mundo Real: "Óculos Ruins" e "Estática"

O artigo reconhece que a vida real não é perfeita.

Comprometimentos de Hardware (HWI): Os rádios dos drones não são perfeitos. Eles têm pequenos defeitos de fabricação, como uma antena levemente torta ou um alto-falante com ruído. Isso adiciona "estática" ao sinal.
Informação de Estado de Canal Imperfeita (ICSI): Os drones tentam adivinhar quão boa é a conexão, mas o palpite deles não é 100% preciso. É como tentar mirar uma lanterna no escuro com óculos levemente embaçados.
A Alegação do Artigo: A maioria dos estudos anteriores fingiu que esses problemas não existiam. Este artigo constrói sua matemática incluindo essas imperfeições, tornando seus resultados muito mais confiáveis para o uso no mundo real.

5. Os Jogos de Otimização: "Escolhendo a Melhor Equipe"

Os autores criaram dois "jogos" (algoritmos) para fazer o sistema funcionar melhor:

Jogo 1: Escolhendo os Melhores Ajudantes (Seleção de CMU)
- Imagine que você tem 10 Drones Ajudantes, mas só precisa de 6 para cobrir a área.
- Escolha Aleatória: Escolher 6 ao acaso pode selecionar 6 drones fracos.
- O Algoritmo do Artigo: Ele analisa cada drone, verifica sua força de sinal e escolhe especificamente os 6 que causarão o menor número de "interrupções" (falhas de conexão). Ele também combina os usuários terrestres de forma inteligente para que os usuários fortes e fracos se ajudem.
- Resultado: Este método reduz significamente a chance de uma queda de conexão em comparação com a seleção aleatória.
Jogo 2: Encontrando o Lugar Perfeito para Pairar
- Onde deve um Drone Ajudante pairar? Muito longe do Chefe? Sem energia. Muito longe das pessoas? Sinal ruim.
- O Algoritmo do Artigo: Ele calcula a posição 3D exata (coordenadas X, Y e Z) e a quantidade exata de energia para "roubar" (fator de Divisão de Potência) para obter o melhor equilíbrio.
- Resultado: Eles encontraram uma maneira inteligente de calcular este lugar que é mais rápida e precisa do que métodos anteriores.

A Conclusão

O artigo prova que, ao combinar drones hierárquicos, divisão inteligente de mensagens (RSMA) e colheita de energia realista, você pode construir uma rede muito mais confiável.

O RSMA vence o antigo método "NOMA" por cerca de 3 a 4 dB (um salto significativo na qualidade do sinal).
A colheita de energia de Drone para Drone vence a tentativa de colher energia do solo em cerca de 8 a 12 dB porque o ar é mais limpo e há menos obstáculos.
Os Algoritmos garantem que você não esteja desperdiçando tempo com drones ruins ou posições ruins.

Em resumo, eles construíram uma "receita" matematicamente rigorosa para uma rede de drones que é mais resistente, mais inteligente e mais eficiente em termos de energia, mesmo quando o equipamento não é perfeito.

Resumo Técnico: Redes de UAV Hierárquicas com RSMA e Colheita de Energia Não Linear

Declaração do Problema
Veículos aéreos não tripulados (UAVs) são fundamentais para aumentar a conectividade em redes de sexta geração (6G), particularmente em socorro a desastres e aplicações civis. No entanto, sistemas multi-UAV enfrentam limitações críticas em relação à energia embarcada, o que restringe a duração da missão e a continuidade da comunicação. Embora a colheita de energia (EH) sem fio ofereça uma solução sustentável, a literatura existente frequentemente baseia-se em modelos de EH lineares e suposições de sistemas ideais. Além disso, a integração de técnicas avançadas de acesso múltiplo, especificamente o Acesso Múltiplo por Divisão de Taxa (RSMA), em redes de UAV hierárquicas permanece subexplorada, particularmente sob restrições práticas como imperfeições de hardware (HWI) e informação de estado de canal imperfeita (ICSI). A maioria dos estudos existentes foca em arquiteturas de UAV único ou condições ideais, falhando em capturar a complexidade de implantações multi-UAV onde a interferência entre usuários e condições de canal heterogêneas são prevalentes.

Metodologia
Os autores propõem uma nova arquitetura de rede UAV ad hoc hierárquica composta por um UAV Cabeça de Cluster (CHU) atuando como a fonte e múltiplos UAVs Membros de Cluster (CMUs) atuando como repetidores para dispositivos IoT terrestres.

Modelo de Sistema: O CHU transmite sinais para os CMUs, que colhem energia desses sinais usando um protocolo de Divisão de Potência (PS). A energia colhida alimenta os CMUs para repetir informações para dispositivos IoT terrestres. O sistema opera sob canais de desvanecimento Nakagami- $m$ .
Restrições Práticas: A análise incorpora modelos de EH não lineares para refletir as características de saturação de circuitos de RF práticos, juntamente com os efeitos de HWI (ex: ruído de fase de osciladores, distorção de amplificador) e ICSI.
Esquema de Acesso: O RSMA é empregado, dividindo as mensagens dos usuários em componentes comuns e privados para gerenciar a interferência de forma mais flexível do que o Acesso Múltiplo Não Ortogonal (NOMA).
Derivação Analítica: O artigo deriva expressões de forma fechada para a probabilidade de interrupção (outage probability) de dispositivos IoT terrestres individuais, de CMUs únicos e da probabilidade de interrupção global do sistema. Expressões aproximadas para regimes de alta potência de transmissão também são fornecidas.
Otimização: Dois problemas de otimização são formulados:
1. Seleção Conjunta de CMU e IoT (OPM-JCIS): Visa minimizar a probabilidade de interrupção global do sistema através da seleção de CMUs ideais e do emparelhamento de dispositivos IoT terrestres com base nas condições de canal.
2. Otimização Conjunta de Posição e Fator de PS: Visa minimizar a probabilidade de interrupção do CMU através da otimização conjunta das coordenadas de voo pairado 3D do CMU e do fator de divisão de potência ( $\rho$ ). Dois algoritmos são propostos para resolver este problema não convexo: um método de decomposição subótimo (CPPF) e uma abordagem metaheurística (JCPPM).

Principais Contribuições

Estrutura Inovadora: Este é o primeiro estudo a investigar uma rede UAV ad hoc hierárquica integrando EH não linear, RSMA, HWI e ICSI simultaneamente.
Insights Analíticos: Os autores fornecem derivações rigorosas de probabilidade de interrupção que consideram os efeitos de saturação da EH não linear e a degradação causada por imperfeições de hardware e erros de estimativa de canal.
Algoritmos de Otimização: O artigo introduz o algoritmo OPM-JCIS para emparelhamento de usuários e seleção de CMU, e o algoritmo metaheurístico JCPPM para otimização conjunta de posição e divisão de potência, oferecendo soluções com variadas complexidades computacionais.
Benchmarking de Desempenho: O sistema proposto é comparado com benchmarks que incluem UAVs hierárquicos baseados em NOMA e sistemas de EH baseados em solo.

Resultos

Validação Analítica: Os resultados de simulação confirmam a precisão das expressões analíticas derivadas, mostrando uma correspondência próxima com as simulações numéricas.
Impacto das Restrições: A presença de HWI e ICSI degrada significativamente o desempenho do sistema, sendo que o ICSI possui um impacto negativo mais pronunciado. O modelo de EH não linear introduz um piso de probabilidade de interrupção em altas potências de transmissão devido à saturação, ao contrário dos modelos lineares que preveem melhoria contínua.
RSMA vs. NOMA: O sistema proposto baseado em RSMA supera os sistemas baseados em NOMA, alcançando um ganho de aproximadamente 3–4 dB na probabilidade de interrupção. Este privilégio é atribuído à capacidade superior de gerenciamento de interferência do RSMA.
UAV vs. EH de Solo: A arquitetura de colheita de energia UAV-para-UAV proposta supera significativamente os sistemas tradicionais de EH baseados em solo, mostrando ganhos de aproximadamente 8 dB (NOMA) e 12 dB (RSMA). Isso é atribuído às condições favoráveis de propagação ar-para-ar de Linha de Visão (LoS).
Eficácia da Otimização: O algoritmo OPM-JCIS demonstra desempenho superior sobre a seleção aleatória (RSEL) e cenários onde todos os CMUs estão ativos, equilibrando efetivamente cobertura e confiabilidade. O algoritmo JCPPM alcança a menor probabilidade de interrupção de CMU entre os métodos de otimização testados, superando os algoritmos CPPF e HGCD ao otimizar conjuntamente posição e divisão de potência.

Significância
O artigo afirma que sua estrutura proposta fornece uma arquitetura de comunicação mais realista e eficiente para futuras redes assistidas por UAV. Ao integrar a modelagem de EH não linear com RSMA sob restrições práticas de hardware e canal, o estudo aborda lacunas críticas na literatura atual relativas à sustentabilidade e confiabilidade de sistemas multi-UAV. Os achados ressaltam que a otimização da seleção de CMU, do emparelhamento de IoT e dos parâmetros de EH é essencial para aumentar a eficiência do sistema. Os autores concluem que, embora a redução da probabilidade de interrupção não equivalha ao máximo de colheita de energia, um design equilibrado é crucial para uma operação confiável. Este trabalho estabelece as bases para pesquisas futuras sobre efeitos induzidos pela mobilidade e otimização em tempo real baseada em aprendizado de máquina.