Comment optimiser la trajectoire d’un UAV pour maximiser l’efficacité du transfert d’énergie sans fil multi-utilisateurs ?

La conception efficace de la trajectoire d’un véhicule aérien sans pilote (UAV) pour le transfert d’énergie sans fil (WPT) multi-utilisateurs s’appuie sur la prise en compte rigoureuse du modèle non linéaire de la conversion d’énergie (EH) et des contraintes dynamiques de l’UAV. L’approche proposée, reposant sur une structure appelée SHF (Stop-Hover-Fly), offre une solution optimale en environnements bidimensionnels où les dispositifs au sol (GD) sont dispersés sur une zone définie. Cette structure permet à l’UAV de se poser à des points stratégiques, de survoler et de voler efficacement, maximisant ainsi l’énergie récoltée par les dispositifs.

La comparaison des trajectoires obtenues par la méthode SHF avec d’autres stratégies plus naïves ou linéaires met en évidence son efficacité supérieure. En particulier, lorsque la vitesse maximale de l’UAV est faible (par exemple 1 à 2 m/s), la trajectoire naïve se réduit à une simple connexion entre les GD, sans prendre en compte les contraintes de vitesse ou de durée de charge, ce qui dégrade la performance. En revanche, avec une vitesse plus élevée, la trajectoire SHF montre des points d’hovering situés plus près des GD, maximisant le transfert d’énergie. Cela illustre l’importance de considérer le modèle non linéaire de l’EH pour ajuster finement la position et la durée des phases d’hovering, afin d’exploiter pleinement la capacité énergétique des UAV.

L’analyse quantitative sur quarante topologies différentes confirme que l’efficacité énergétique est fortement liée à la puissance d’émission de l’UAV et à la vitesse maximale autorisée. Plus la vitesse est élevée, plus la performance du système SHF approche la borne supérieure théorique, qui suppose un déplacement instantané et donc irréaliste. Ainsi, la borne supérieure reste un référentiel utile mais inatteignable dans la pratique, soulignant la pertinence du compromis proposé par la méthode SHF. De plus, la méthode surpasse systématiquement les approches linéaires et naïves, notamment lorsque la puissance d’émission augmente, démontrant que l’intégration du modèle non linéaire améliore la robustesse et l’efficacité de la solution.

L’étude de l’impact du nombre de dispositifs au sol révèle une diminution inévitable de la performance moyenne à mesure que le nombre de GD augmente, conséquence directe de la difficulté croissante à maintenir un transfert énergétique efficace sur une multitude de récepteurs. Malgré cela, la méthode SHF maintient une performance proche de la borne supérieure, attestant de sa capacité à équilibrer la distribution énergétique entre plusieurs utilisateurs, ce qui est confirmé par l’homogénéité des puissances récoltées à chaque dispositif dans les résultats.

L’ajout de points de virage dans la trajectoire, introduit pour modéliser plus précisément les chemins courbes entre points d’hovering, améliore la fluidité et la performance des trajectoires. Toutefois, au-delà d’un certain nombre (environ 3 à 5 points), les gains sont marginaux tandis que le coût computationnel augmente fortement. Ce phénomène traduit un compromis classique entre qualité de la trajectoire et complexité de calcul, dont l’équilibre est essentiel pour des applications temps réel.

La résolution du problème d’optimisation repose sur l’approximation convexe du modèle non linéaire d’EH et sur un algorithme itératif, rendant la démarche calculable tout en garantissant une convergence vers des solutions quasi optimales. Cette stratégie méthodologique se distingue par sa capacité à réduire un problème initialement infini en variables à un format finement discrétisé, adapté aux contraintes pratiques du déploiement UAV.

Au-delà des éléments présentés, il est crucial de souligner l’importance d’une compréhension approfondie des interactions entre les paramètres physiques (vitesse, puissance, position des GD) et les modèles énergétiques non linéaires. Le comportement dynamique des UAV, la variabilité des conditions environnementales, ainsi que les limitations inhérentes aux batteries et systèmes embarqués, constituent des facteurs déterminants qui influencent la performance réelle. Intégrer ces dimensions dans les futures recherches et applications garantira une meilleure adéquation des modèles théoriques avec les scénarios opérationnels. Par ailleurs, l’adaptation de ces méthodes à des environnements tridimensionnels ou à des réseaux mobiles en constante évolution représente une étape clé pour généraliser et enrichir les résultats obtenus.

Comment optimiser les trajectoires de drones dans un environnement dynamique avec zones d'exclusion aérienne et collecte de données distribuée ?

La conception des trajectoires des drones (UAV) dans les réseaux de communication assistés par UAV est une problématique complexe, surtout lorsqu’elle s’inscrit dans un cadre réaliste où les drones évoluent dans un espace tridimensionnel avec des zones d’exclusion aérienne (No-Fly Zones, NFZ) et des dispositifs au sol (Ground Devices, GD) mobiles. Contrairement aux approches classiques qui simplifient les modèles en considérant des canaux majoritairement en ligne de vue (Line of Sight, LoS) et des GD fixes, la réalité impose une prise en compte plus fine des conditions environnementales, des contraintes de sécurité de vol et des fluctuations dynamiques des communications.

L’importance cruciale de la planification des trajectoires réside dans la nécessité pour les UAV de minimiser le temps nécessaire à la collecte des données tout en assurant la qualité et la fiabilité des transmissions. En effet, la complexité de cette tâche s’accroît avec la mobilité des GDs et la présence de NFZs, qui limitent les déplacements et imposent des altitudes minimales et maximales pour les vols. La modélisation de la communication entre UAV et GD doit intégrer la probabilité d’établissement d’un lien LoS, fonction de l’angle d’élévation et de la distance, ainsi que les probabilités associées à des conditions non-LoS dues aux obstacles, à la réfraction ou à la diffusion dans un environnement urbain dense.

Les méthodes traditionnelles de résolution, fondées sur l’optimisation convexe ou la théorie des graphes, montrent leurs limites face à la non-convexité du problème et la dynamique du système, qui rendent difficile l’obtention d’informations précises et en temps réel sur l’état des canaux de communication (Channel State Information, CSI). Ces contraintes justifient l’adoption de techniques basées sur l’intelligence artificielle, notamment l’apprentissage par renforcement (Reinforcement Learning, RL), l’apprentissage fédéré (Federated Learning, FL) et d’autres approches de machine learning. Ces méthodes permettent une adaptation continue des stratégies d’exploration des UAV sans nécessiter une connaissance préalable exhaustive du système.

Le recours à un apprentissage distribué fédéré est particulièrement pertinent dans ce contexte, car il permet à plusieurs UAV de coopérer à l’optimisation globale des trajectoires tout en limitant les échanges d’informations vers un serveur central, réduisant ainsi la charge de communication et les risques liés à la confidentialité des données. Cette approche décentralisée surpasse les méthodes centralisées classiques en termes de robustesse dans des environnements multi-GD dynamiques comportant des NFZs.

L’introduction de la dimension verticale dans la conception des trajectoires 3D constitue une amélioration significative par rapport aux trajectoires en 2D. En exploitant la hauteur, les UAV peuvent contourner plus efficacement les obstacles, optimiser la couverture et la qualité des liens, et maximiser le débit moyen de transmission. Par ailleurs, l’utilisation de protocoles d’accès multiples à répartition temporelle (Time Division Multiple Access, TDMA) garantit que chaque UAV ne reçoit les données que d’un seul GD à la fois, ce qui simplifie la gestion des ressources radio tout en évitant les interférences.

Le modèle de système étudié s’appuie sur une segmentation temporelle fine, divisant la période d’observation en intervalles suffisamment courts pour considérer le canal stable au sein de chaque slot, ce qui facilite l’analyse et la prise de décision en temps réel. La décision de transmission entre UAV et GD est formalisée par une variable binaire, permettant une planification flexible et adaptative des flux de données.

Il est essentiel de souligner que, pour atteindre une performance optimale dans ce cadre, il ne suffit pas d’optimiser uniquement les trajectoires en surface horizontale ; la dimension verticale joue un rôle clé, notamment dans la gestion des NFZs et dans la garantie d’une meilleure qualité de service. De plus, la mobilité des GDs implique une nécessité de mise à jour constante des trajectoires, rendant l’apprentissage en ligne et la coopération distribuée indispensables.

Par ailleurs, la modélisation probabiliste du canal LoS permet de mieux représenter la réalité des environnements urbains complexes, où les facteurs comme les bâtiments, les arbres et autres obstacles influencent considérablement la qualité de la communication. Cela évite les approximations simplistes et ouvre la voie à des algorithmes plus robustes et adaptatifs.

Enfin, il importe de reconnaître que la mise en œuvre effective de ces méthodes requiert une attention particulière à la synchronisation des UAV, à la gestion des paramètres du modèle fédéré et à la sécurisation des échanges entre drones pour prévenir toute faille de sécurité. La robustesse de la solution face aux variations imprévues du contexte opérationnel et aux contraintes réglementaires des NFZs est également un point crucial pour garantir la faisabilité pratique de la technologie.

Comment l'optimisation conjointe de la planification des utilisateurs et de la trajectoire 3D d’un UAV améliore-t-elle l’efficacité opérationnelle dans un environnement urbain dense ?

La simulation d’un environnement urbain en trois dimensions, dense et complexe, met en lumière les enjeux de la planification optimisée pour les véhicules aériens sans pilote (UAV). Dans un espace de 1000 × 1000 mètres, dominé par des immeubles culminant à 50 mètres, la gestion simultanée des trajectoires de l’UAV et de la planification des terminaux terrestres (GTs) devient un défi majeur. Trois GTs sources et trois GTs destinations, placés initialement de façon aléatoire, interagissent avec un UAV volant à une vitesse supérieure (25 m/s) et à une altitude maximale de 100 mètres, alors que les GTs se déplacent à 5 m/s. La complexité du système est accentuée par les différentes tailles de données à transférer, les charges de calcul variées, ainsi que par la nécessité de transmettre des données de décision importantes aux destinations.

Le cœur de l’étude repose sur l’apprentissage profond par renforcement (DRL), combinant deux réseaux neuronaux architecturés avec cinq couches cachées, exploitant la fonction d’activation ReLU et optimisés via Adam. La conception duale du réseau permet d’évaluer la valeur des états et l’avantage des actions possibles, dans un espace d’actions comportant six alternatives. Cette approche autorise l’UAV à apprendre à optimiser son comportement, à partir des récompenses calculées selon des coefficients rigoureusement définis.

L’analyse de convergence révèle des dynamiques intéressantes selon le scénario simulé. Deux modèles de mouvement des GTs sont envisagés : un modèle aléatoire sur une petite zone, avec des changements fréquents de direction et de vitesse, et un modèle linéaire, où les GTs suivent un chemin long et relativement stable. Dans le premier cas, la convergence est plus lente, nécessitant environ 800 épisodes pour stabiliser la performance, traduisant la difficulté pour l’UAV à anticiper des déplacements erratiques. En revanche, le second modèle permet une convergence plus rapide, autour de 700 épisodes, grâce à la prévisibilité accrue des déplacements. La réduction du temps d’opération global dans ce dernier cas s’explique par la proximité des GTs autour d’un noyau urbain central, limitant la distance de vol nécessaire.

L’évaluation comparative entre une trajectoire tridimensionnelle et une trajectoire bidimensionnelle à altitude constante met en avant les bénéfices de la liberté de mouvement verticale. La capacité de l’UAV à ajuster son altitude, s’élevant ou s’abaissant entre et au-dessus des bâtiments, permet une optimisation plus fine de la transmission et de la durée globale des opérations. L’optimisation 3D exploite mieux l’angle et la distance de transmission, ce qui diminue le temps nécessaire comparativement au vol 2D. Néanmoins, cette souplesse entraîne un espace d’exploration plus vaste et une convergence plus lente du processus d’apprentissage.

Les contraintes d’altitude influencent également significativement les performances. Trois plages ont été testées : voler entre le sol et la hauteur maximale des bâtiments, voler strictement au-dessus des bâtiments, et une plage complète englobant les deux. Il apparaît que le franchissement ou le contournement des obstacles impose une réflexion stratégique sur l’altitude, qui doit équilibrer la probabilité d’une ligne de visée directe (LoS) avec la distance de transmission. Plus l’altitude est adaptée, meilleure est la qualité du lien, ce qui impacte directement la performance du système.

Il est primordial de comprendre que la robustesse de cet algorithme ne dépend pas d’un modèle de déplacement spécifique des GTs, ce qui lui confère une grande flexibilité d’application dans divers scénarios urbains. La disponibilité des données historiques de position, obtenues via les GTs ou des capteurs au sol, est suffisante pour guider l’apprentissage, sans nécessité de prédire précisément les trajectoires futures. Cette approche marque un tournant dans la gestion adaptative des UAVs dans des environnements urbains dynamiques.

Au-delà de l’optimisation technique, il est essentiel pour le lecteur de saisir la complexité sous-jacente de l’interaction entre la mobilité des utilisateurs, la dynamique urbaine et la gestion énergétique et temporelle de l’UAV. La maîtrise des trajectoires en 3D ne se limite pas à un simple calcul géométrique, mais implique une compréhension profonde des phénomènes de propagation radio, des contraintes physiques de vol, ainsi que des exigences computationnelles liées au traitement des données. En outre, la capacité de l’algorithme à s’adapter à différents types de mobilité sans prévisions rigides ouvre la voie à des applications réelles, où l’incertitude et la variabilité des environnements sont la norme.

Comment la planification de trajectoire et l'antenne directionnelle 3D optimisent l'efficacité de la transmission d'énergie sans fil par UAV ?

L'intégration des UAV (véhicules aériens sans pilote) dans les réseaux de transmission d'énergie sans fil (WPT) a suscité un intérêt croissant. En utilisant les UAV comme sources d'énergie mobiles, l'efficacité des systèmes WPT peut être améliorée de manière significative. Ce domaine de recherche a exploré divers aspects, notamment l'optimisation des trajectoires des UAV, l'antenne directionnelle et la gestion de la puissance, afin de maximiser la performance des réseaux de WPT. Dans cette section, nous nous concentrons sur l'optimisation de l'efficacité énergétique dans un tel réseau, en utilisant des antennes directionnelles 3D et en planifiant soigneusement la trajectoire de l'UAV.

Les travaux antérieurs ont montré que la performance des réseaux WPT avec UAVs pouvait être améliorée en optimisant la trajectoire des UAVs, souvent sur la base de modèles de conversion d'énergie linéaires. Cependant, ces modèles ne parviennent pas à rendre compte de l'efficacité de conversion d'énergie dans des scénarios réels. L'efficacité de la conversion de l'énergie (EH, Energy Harvesting) varie de manière non linéaire en fonction de la puissance du signal reçu. Ainsi, un modèle EH non linéaire, plus adapté à la réalité des processus physiques, est nécessaire pour mieux caractériser cette dynamique.

Le modèle EH linéaire utilisé dans de nombreuses études précédentes présente des limites considérables en raison de la perte de puissance de signal dans l’espace libre, en particulier lorsqu'une antenne omnidirectionnelle est utilisée pour la diffusion d'énergie. Une grande partie de l'énergie est dissipée dans l'air, tandis qu'une très petite portion est effectivement captée par les dispositifs récepteurs. Cette inefficacité peut être considérablement réduite en utilisant des antennes directionnelles, capables de concentrer l'énergie sur des zones spécifiques et d'améliorer la qualité du canal.

L'une des innovations majeures dans ce domaine est l'utilisation d'antennes directionnelles 3D pour former des faisceaux focalisés. Contrairement aux antennes à faisceau linéaire 1D, qui projetteraient l'énergie dans un modèle circulaire peu efficace, une antenne 3D permet de modeler des faisceaux plus complexes, réduisant ainsi la perte d'énergie. Toutefois, cette approche présente un défi considérable : la complexité de la modélisation du gain d’antenne 3D et l'optimisation simultanée de la planification de la trajectoire des UAVs et du contrôle de la puissance de transmission.

L'optimisation de la trajectoire de l'UAV joue un rôle crucial dans l'amélioration de l'efficacité du WPT. Dans un scénario typique, un UAV maintient une altitude constante et navigue à travers une zone où plusieurs capteurs sans fil (SNs) sont dispersés. Ces capteurs collectent l'énergie transmise par l'UAV via des signaux RF (radiofréquences), l'utilisant pour leurs fonctions quotidiennes telles que la collecte de données et la recharge des batteries. Afin d'optimiser la couverture et l'efficacité de la transmission d'énergie, il est nécessaire de concevoir une trajectoire qui permette de maximiser la quantité d'énergie transmise tout en respectant les contraintes de mobilité de l'UAV.

Pour intégrer cette mobilité, on suppose que l'UAV suit une trajectoire continue et que sa position à tout instant peut être exprimée par un vecteur de coordonnées dans le plan horizontal. L'UAV est contraint par une limite de vitesse maximale et ses positions de départ et d'arrivée sont prédéfinies en fonction d'autres missions qu’il pourrait avoir à réaliser. La trajectoire est discrétisée en plusieurs segments afin de simplifier les calculs d'optimisation.

La conception du faisceau analogique pour l'antenne 3D de l'UAV repose sur un principe similaire à celui des antennes linéaires classiques, mais en tenant compte de trois axes (x, y et z). Cela permet de diriger l'énergie dans des directions précises, optimisant ainsi l'efficacité du transfert. La différence de phase entre les éléments de l'antenne dans les trois directions permet de créer des faisceaux dirigés qui améliorent la réception de l'énergie par les capteurs et minimisent les pertes dues à la diffusion omnidirectionnelle.

Pour parvenir à une efficacité maximale, il est nécessaire de combiner l'optimisation de la trajectoire de l'UAV avec un réglage précis de la phase des éléments de l'antenne. Cela permet de concentrer l’énergie là où elle est le plus nécessaire tout en réduisant l'impact de l'interférence et des pertes dues à l'atténuation du signal. La planification de la trajectoire doit également prendre en compte les limitations physiques du système, telles que la vitesse de l'UAV, pour éviter des trajectoires irréalistes qui compromettraient la faisabilité du système.

Enfin, il est crucial de prendre en compte les différentes conditions de propagation et les risques associés à des obstacles physiques ou des interférences dans le paysage. Bien que la technologie de l'antenne directionnelle 3D et la planification de trajectoire offrent de grandes promesses, leur mise en œuvre dans des scénarios réels nécessite des simulations approfondies et des ajustements constants pour s’adapter aux conditions changeantes du réseau.

Le lecteur doit comprendre que l’optimisation du système de WPT UAV n’est pas seulement une question de théorie idéale mais doit aussi prendre en compte des défis pratiques tels que la variabilité des conditions environnementales, les erreurs dans la modélisation de la propagation, et la gestion des ressources limitées en termes de batterie et de capacité de traitement. Les recherches futures devront affiner les modèles de conversion d'énergie non linéaires, améliorer la précision de la modélisation des antennes directionnelles et intégrer de manière plus fluide les algorithmes de planification de trajectoire et de contrôle de puissance dans des environnements réels.