⚡ engenharia elétrica

Low-Complexity Statistical-CSI Wireless Energy Transfer for Indoor IoT: Power Beacon Placement and Beamsharing-Aware Charging Scheduling

Este artigo propõe uma estrutura de baixa complexidade para transferência de energia sem fio IoT em ambientes internos que combina o posicionamento de beacons de potência baseado em K-means, beamforming analógico baseado em CSI estatístico e um Modelo de Distribuição de Potência Inteligente para escalonamento consciente de compartilhamento de feixe, alcançando uma redução de até 50% no tempo de carregamento enquanto mantém um desempenho quase ideal com complexidade computacional polinomial.

Autores originais: Marcelo de Oliveira, Souto Victoria, Samuel Montejo-Sanchez, Richard Souza, Hirley Alves

Publicado 2026-09-24

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Marcelo de Oliveira, Souto Victoria, Samuel Montejo-Sanchez, Richard Souza, Hirley Alves

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ 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

Nos cantos silenciosos da vida moderna, desde os sensores que monitoram a saúde de uma floresta até as pequenas etiquetas que rastreiam mercadorias em um armazém, uma vasta rede de dispositivos da Internet das Coisas está crescendo. Esses dispositivos são os trabalhadores silenciosos do futuro, mas compartilham uma vulnerabilidade comum: eles precisam de energia. Por décadas, a solução tem sido as baterias, que exigem substituição frequente, intervenção humana e criam uma montanha crescente de resíduos. Uma solução mais elegante surgiu na forma de transferência de energia sem fio, onde uma fonte central projeta energia pelo ar para recarregar dispositivos sem um único fio. No entanto, essa tecnologia enfrenta um obstáculo prático. Para enviar energia de forma eficiente, a fonte deve direcionar um feixe focado a um dispositivo específico, de forma muito semelhante a uma lanterna iluminando uma única pessoa em um quarto escuro. Fazer isso requer saber exatamente onde essa pessoa está e como a luz rebate nas paredes ao seu redor. Em um ambiente do mundo real cheio de móveis e pessoas, o ar está repleto de reflexões imprevisíveis que fazem o sinal oscilar. Obter essa informação precisa e em tempo real para centenas de dispositivos é lento, caro e, muitas vezes, impossível.

Pesquisadores do Instituto Nacional de Telecomunicações do Brasil e seus colegas internacionais propuseram uma nova maneira de resolver esse enigma. Em vez de tentar rastrear cada pequena oscilação do sinal, eles sugerem uma estratégia que se baseia no layout geral e de longo prazo da sala e no caminho previsível do sinal direto. O trabalho deles foca em um cenário onde um conjunto de beacons (balizas) de energia montados no teto deve carregar um grupo de dispositivos espalhados por um piso. A equipe desenvolveu um sistema que primeiro posiciona esses beacons nos locais mais lógicos com base em onde os dispositivos estão agrupados e, em seguida, cria um cronograma de carregamento que decide inteligentemente qual dispositivo será alimentado a seguir. Eles descobriram que essa abordagem reduz drasticamente o tempo necessário para carregar totalmente uma rede de dispositivos, mesmo sem os dados complexos em tempo real que normalmente se pensa serem necessários.

O núcleo de seu método envolve duas etapas distintas que ocorrem em sequência. Primeiro, os pesquisadores utilizam uma técnica matemática chamada agrupamento (clustering) para agrupar os dispositivos com base em suas localizações físicas. Imagine uma sala cheia de pontos dispersos; o algoritmo encontra o centro de cada grupo de pontos e coloca um beacon de energia diretamente acima desse ponto central. Isso garante que os beacons estejam fisicamente próximos aos dispositivos que devem servir, o que naturalmente fortalece o sinal de energia. Uma vez que os beacons sejam instalados nessas posições fixas, a segunda fase começa: o cronograma de carregamento. Aqui, o sistema utiliza uma regra prática baseada na distância. Ele atribui cada beacon ao dispositivo não carregado mais próximo, criando um feixe primário de energia direcionado diretamente para aquele alvo.

O que torna este sistema particularmente inteligente é como ele lida com a energia "restante". Quando um beacon mira em um dispositivo, o feixe não é um laser perfeitamente estreito; ele se espalha ligeiramente, e parte dessa energia transborda para dispositivos próximos que não são o alvo principal no momento. Os pesquisadores chamam isso de "compartilhamento de feixe" (beamsharing). Em seu modelo, eles contabilizam explicitamente esse transbordamento. Enquanto um dispositivo espera sua vez de ser o alvo principal, ele está absorvendo silenciosamente essa energia secundária dos feixes direcionados aos seus vizinhos. Isso significa que, quando um dispositivo finalmente tem sua vez de ser o foco principal, ele já está parcialmente carregado, permitindo que o sistema passe para o próximo dispositivo mais rapidamente. O cronograma é atualizado em tempo real; assim que um dispositivo atinge sua capacidade total de energia, ele sai da fila, e o sistema recalcula o melhor próximo alvo com base em quem restou e em quem está mais próximo.

Os resultados de suas simulações são impressionantes. Em um ambiente de teste com vinte dispositivos, o método proposto reduziu o tempo total necessário para carregar toda a rede em até cinquenta por cento em comparação com uma abordagem aleatória, onde beacons e alvos são escolhidos sem um plano. O sistema teve um desempenho ainda melhor quando comparado a outros métodos avançados que dependem de estratégias de posicionamento baseadas em ondas. Talvez o mais importante seja que os pesquisadores mostraram que sua abordagem funciona quase tão bem quanto um sistema "perfeito" teórico que conhece o comportamento exato, momento a momento, do ar e das paredes. Em testes de pequena escala com apenas três ou quatro dispositivos, seu método foi apenas cerca de nove por cento mais lento do que um computador que tentasse todas as combinações possíveis de posicionamentos de beacons e ordens de carregamento para encontrar a solução absoluta. Isso sugere que seu método mais simples e rápido captura a grande maioria dos benefícios sem o custo computacional impossível de verificar todas as possibilidades.

O estudo também explorou como diferentes fatores influenciam o resultado. Eles descobriram que, quanto mais antenas um beacon possui, mais focado o feixe pode ser, o que geralmente acelera o carregamento, embora exista um ponto em que o feixe se torna tão estreito que deixa de ajudar os dispositivos vizinhos com sua energia de "transbordamento". Eles também descobriram que o método permanece robusto mesmo quando as condições do sinal mudam, como quando a linha de visão direta entre o beacon e o dispositivo está mais clara ou mais obstruída. O sistema não exige que os beacons se movam ou que os dispositivos relatem sua localização exata constantemente; ele depende do mapa inicial de onde as coisas estão e das regras gerais de como as ondas de rádio viajam.

Este trabalho oferece um caminho prático para alimentar as massivas e distribuídas redes do futuro. Ao aceitar que não podemos sempre conhecer o estado exato do ar a cada segundo, e em vez disso focar no layout estável e de longo prazo do ambiente, os pesquisadores criaram um sistema que é ao mesmo tempo eficiente e gerenciável. Eles provam que você não precisa de conhecimento perfeito e instantâneo para alcançar excelentes resultados; às vezes, um plano inteligente baseado em onde as coisas estão e em como elas interagem naturalmente é o suficiente para manter as luzes acesas, de forma sem fio e sustentável. As descobertas sugerem que, para ambientes internos, como fábricas ou edifícios inteligentes, esta abordagem de baixa complexidade pode ser a chave para tornar a energia sem fio uma realidade confiável para os dispositivos que em breve nos cercarão.

Resumo Técnico: Transferência de Energia Sem Fio de Baixa Complexidade Baseada em CSI Estatístico para IoT em Ambientes Internos

Definição do Problema
A Transferência de Energia Sem Fio (WET) é um habilitador crítico para implantações sustentáveis e de larga escala da Internet das Coisas (IoT), mas sua eficiência é frequentemente comprometida pelo alto overhead de aquisição da Informação de Estado do Canal (CSI) instantânea e pela complexidade de coordenar o posicionamento dos Beacons de Potência (PB) com o escalonamento de dispositivos. Em ambientes internos, otimizar o tempo total de carregamento para um conjunto de dispositivos IoT exige abordar três desafios interdependentes simultaneamente: o posicionamento físico dos PBs, o design dos vetores de formação de feixe (beamforming) de energia e o escalonamento das rodadas de carregamento.

Abordagens convencionais frequentemente otimizam essas dimensões separadamente ou dependem de CSI instantânea, o que introduz um overhead de sinalização e consumo de energia proibitivos para dispositivos com restrição de energia. Além disso, o fenômeno do "compartilhamento de feixe" (beamsharing) — onde dispositivos não visados colhem energia oportunisticamente de lóbulos secundários ou feixes imperfeitos — acopla os processos de carregamento de diferentes dispositivos. Ignorar esse acoplamento ou a dinâmica não linear da conversão RF-para-DC pode levar a sequências de carregamento subótimas e tempos de inatividade prolongados. O problema central abordado é a minimização do tempo total necessário para que todos os dispositivos ativos atinjam um limiar de energia prescrito, sujeito às restrações de conhecimento de canal limitado (estatístico) e à natureza acoplada de implantação e escalonamento.

Metodologia
Os autores propõem um framework estruturado de baixa complexidade que decompõe o problema de otimização não convexo e combinatório em um heurístico sequencial adaptado para cenários internos quase-estáticos. O framework opera em duas etapas distintas:

Posicionamento Offline de PB via Agrupamento K-means:
Em vez de resolver diretamente pelas coordenadas ideais dos PBs, os autores utilizam o agrupamento K-means nas coordenadas conhecidas dos dispositivos IoT. Os centroides dos agrupamentos resultantes servem como as localizações para os Beacons de Potência. Esta abordagem é fisicamente motivada pelo fato de que, sob beamforming analógico alinhado com a Linha de Visada (LoS), reduzir a distância entre um PB e seu grupo alvo aumenta a potência média recebida, reduzindo assim o tempo de carregamento.
Escalonamento de Carregamento Online via IPDM:
Uma vez implantados os PBs, o sistema emprega o Modelo de Distribuição de Potência Inteligente (IPDM) para determinar as atribuições de carregamento em rodadas sucessivas.
- Formação de Feixe (Beamforming): O sistema baseia-se em CSI Estatístico (S-CSI), especificamente coeficientes de grande escala de longo prazo e respostas de array determinísticas de LoS, evitando a necessidade de aquisição de CSI de pequena escala instantânea. Ele utiliza beamforming analógico apenas de fase, alinhado com a direção LoS.
- Lógica de Escalonamento: O IPDM atribui alvos de carregamento primários com base em uma regra de prioridade por distância. Em cada rodada, cada PB seleciona o dispositivo mais próximo que ainda não foi carregado como seu alvo primário.
- Integração do Compartilhamento de Feixe (Beamsharing): Crucialmente, o modelo calcula explicitamente tanto a potência colhida primária (do feixe pretendido) quanto a potência colhida secundária (dos feixes destinados a outros dispositivos). O estado de energia de cada dispositivo é atualizado em cada rodada, permitindo que a acumulação de energia secundária influencie quais dispositivos permanecem no conjunto ativo para rodadas subsequentes. Isso permite que o sistema explore o beamsharing para "pré-carregar" dispositivos não visados sem comandos explícitos de escalonamento.

O processo é orientado por eventos: a duração de cada rodada é determinada pelo dispositivo que atinge o limiar de energia primeiro. O conjunto ativo é atualizado e a lógica de escalonamento se repete até que todos os dispositivos estejam carregados.

Principais Contribuições

Formulação de Problema Acoplado: O artigo formula um problema de minimização de tempo de carregamento que considera conjuntamente o deployment de PB, o escalonamento de dispositivos, o beamforming baseado em S-CSI, a conversão não linear RF-para-DC, a sensibilidade do receptor e as contribuições de potência primária/secundária explícitas.
Heurística de Baixa Complexidade: Um método de solução estruturada é desenvolvido para evitar a otimização global. Ele combina o agrupamento K-means para posicionamento (com complexidade $O(i_{iter}KN)$ ) e um algoritmo de escalonamento consciente de distância (com complexidade de pior caso $O(i_{iter}KN + KN^2)$ ), oferecendo uma alternativa de tempo polinomial às buscas exaustivas fatoriais.
Dinâmica Consciente de Beamsharing: Ao contrário de trabalhos anteriores que podem tratar o beamsharing como interferência ou ignorá-lo, este framework incorpora explicitamente as contribuições de energia secundária na evolução do estado de energia. Isso permite que as decisões de escalonamento sejam influenciadas pela energia acumulada pelos dispositivos não visados, aproveitando efetivamente o beamsharing para reduzir o tempo total de carregamento.
Dependência de CSI Estatístico: O framework alcança um beamforming eficiente usando apenas informações de canal estatísticas de longo prazo, eliminando o overhead de sinalização associado à aquisição de CSI instantâneo.

Resultados
Simulações numéricas extensas foram conduzidas para avaliar o framework proposto contra vários benchmarks, incluindo posicionamento/escalonamento aleatório, transmissão omnidirecional, posicionamento baseado em wavelet e um esquema idealizado de CSI Perfeito (P-CSI).

Ganho de Desempenho: O framework de S-CSI proposto reduz o tempo total de carregamento em até 50% em comparação com um benchmark aleatório (posicionamento de PB aleatório e seleção de dispositivo aleatória). Ele supera consistentemente os esquemas omnidirecionais e baseados em wavelet.
Proximidade do Ótimo: Em cenários de pequena escala onde uma busca exaustiva baseada em grade é computacionalmente viável ( $N=3$ e $N=4$ ), o método proposto performa dentro de 9,22% e 7,55%, respectivamente, do benchmark de busca exaustiva.
Impacto do Escalonamento: Um estudo de ablação comparando o IPDM proposto (consciente de distância) com uma estratégia de seleção de dispositivo aleatória (com identificação de PB e beamforming idênticos) mostrou reduções no tempo de carregamento de aproximadamente 30–42% em diferentes tamanhos de rede ( $N=10, 30, 50$ ). Isso confirma que a ordem de escalonamento estruturada é o principal motor de desempenho.
Robustez: O framework demonstra robustez através de variações de tamanho de rede, condições de desvanecimento de Rician (razões LoS/NLoS) e número de antenas de PB. Ele se aproxima do desempenho do benchmark P-CSI, apesar de depender apenas de informações estatísticas.
Efeito de Beamsharing: Simulações indicaram que, em um cenário com 20 dispositivos e 3 PBs, 15% dos dispositivos atingiram seu limiar de energia exclusivamente através de energia secundária (beamsharing), destacando a eficácia do modelo em utilizar a colheita oportunística.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma solução eficaz e de baixa complexidade para implantações de IoT internas quase-estáticas, onde a otimização global é intratável. A significância reside na integração de três dimensões distintas — deployment, escalonamento e beamforming — em uma única estratégia coerente que modela explicitamente os efeitos de conversão não linear de energia e o beamsharing.

Os autores declaram modestamente que não reivindicam uma solução globalmente ótima ou uma razão de aproximação de fator constante. Em vez disso, o trabalho demonstra que um heurístico sequencial estruturado pode alcançar um desempenho próximo ao ótimo (dentro de ~10% da busca exaustiva em casos pequenos) mantendo uma complexidade computacional polinomial. O framework é apresentado como uma abordagem prática para cenários onde as localizações dos dispositivos são conhecidas durante o comissionamento, mas os estados de canal instantâneos não estão disponíveis ou são caros demais para adquirir, permitindo assim o provimento de energia escalável e sustentável para redes IoT de larga escala.

Mais como este