Comment modéliser et optimiser la communication et le déplacement des UAV dans un réseau avec utilisateurs distribués ?

Le gain de puissance du canal entre un UAV et un dispositif utilisateur (GD) est modulé par deux états distincts : la ligne de vue (LoS) et la non-ligne de vue (NLoS). La puissance du canal en état LoS, notée $h^{L}_{l,j,n}$, et en état NLoS, $h^{N}_{l,j,n}$, s’exprime par des modèles de propagation dépendant de la distance euclidienne $d_{l,j,n}$ entre l’UAV $l$ et le GD $j$ au temps $n$. Ces gains suivent la forme $h^{L}_{m,k,n} = \alpha_0 d^{ -\beta_L}_{m,k,n}$ et $h^{N}_{m,k,n} = \mu \alpha_0 d^{ -\beta_N}_{m,k,n}$, où $\alpha_0$ est le gain moyen à une distance de référence d’un mètre, $\mu < 1$ une atténuation supplémentaire dans l’état NLoS, et $\beta_L, \beta_N$ les exponents de perte de chemin respectifs, avec $2 \leq \beta_L \leq \beta_N \leq 6$.

Dans le cadre de la communication UAV-UAV, il est supposé que la hauteur de vol des UAV dépasse celle des obstacles bâtis, assurant ainsi un canal LoS quasi certain entre eux. Le gain de canal entre UAV est exprimé en fonction des distances spatiales entre UAVs, horizontalement et verticalement, selon des lois de propagation inversement proportionnelles à la puissance 4 de la distance. La capacité instantanée de transmission, en mégabits par seconde, est fonction du gain de canal, de la puissance d’émission, de la bande passante totale, et du bruit thermique, reflétant un modèle réaliste de transmission dans un environnement bruité.

Le système se compose d’un cycle itératif en trois phases : collecte des données par chaque UAV depuis les GDs assignés, upload des paramètres locaux vers un UAV serveur centralisé, puis diffusion du modèle global mis à jour vers tous les UAVs locaux. Le temps total de fonctionnement est donc la somme des durées de collecte de données, de mise à jour locale des modèles de fédération (FL) et de diffusion globale. Les contraintes du problème incluent la limite d’un UAV communiquant avec un seul GD par créneau temporel, des altitudes de vol restreintes, des exigences de collecte complètes pour chaque GD, ainsi que des contraintes cinématiques sur les déplacements des UAVs (vitesse, distance minimale de séparation, trajectoire).

Le RL profond (Deep RL) apporte la puissance de réseaux neuronaux pour traiter des espaces d’états et d’actions continus et complexes, facilitant la prise de décision en temps réel. La fédération entre agents permet de partager les expériences et modèles appris tout en conservant une certaine autonomie locale, ce qui est pertinent dans un contexte où les UAVs doivent coopérer sans échange massif de données.

Comment optimiser la performance du transfert d’énergie sans fil par drone grâce à la conception conjointe de l’antenne directionnelle et de la trajectoire

L’analyse des performances du transfert d’énergie sans fil (WPT) réalisé par des drones équipés d’antennes directionnelles ou omnidirectionnelles révèle des compromis complexes entre précision du modèle, optimisation de la trajectoire et configuration matérielle. Le paramètre δ joue un rôle essentiel dans l’équilibre entre la vitesse de convergence des algorithmes d’optimisation et la fidélité de la modélisation. Une valeur faible de δ permet une optimisation initiale rapide et une bonne qualité de départ, tandis qu’une valeur élevée, proche de 0,9, est préférée pour les itérations principales, garantissant une meilleure précision. Ce compromis souligne l’importance d’adapter finement les paramètres du modèle selon la phase de l’algorithme.

L’altitude du drone H influe quant à elle sur la puissance moyenne récoltée par les SN, décroissant à mesure que l’altitude augmente, principalement à cause de la perte de trajectoire amplifiée. Ce phénomène est amplifié dans des contextes à densité variable des nœuds capteurs : dans un environnement à faible densité, l’antenne directionnelle surpasse clairement l’omnidirectionnelle grâce à sa capacité à cibler individuellement chaque SN par rotation du faisceau, ce qui maximise la puissance transférée. Dans des environnements à forte densité, bien que la couverture d’une antenne directionnelle soit naturellement plus restreinte, elle conserve un avantage de performance, probablement en raison d’un meilleur contrôle spatial de l’énergie transmise et d’une optimisation fine de la trajectoire du drone.

Dans les scénarios à forte densité, la trajectoire du drone varie peu avec l’altitude, témoignant d’une optimisation robuste dominée par la répartition spatiale des SN. En hauteur, l’antenne directionnelle ajuste son angle d’élévation, privilégiant une orientation horizontale à faible altitude pour couvrir un maximum de nœuds et un angle plus fermé en altitude plus élevée, tout en assurant une couverture suffisante. Cette adaptation dynamique de l’orientation de l’antenne optimise l’équilibre entre la largeur du faisceau et l’intensité du signal reçu.

Il est crucial de comprendre que le design optimal d’un réseau WPT par drone ne réside pas uniquement dans le choix des paramètres techniques isolés, mais dans leur articulation cohérente : la configuration de l’antenne, la trajectoire du drone, la durée de charge et la vitesse, ainsi que l’altitude, doivent être considérées comme un système intégré. Par ailleurs, les gains de performance apportés par l’antenne directionnelle appellent à une réflexion approfondie sur les contraintes pratiques, telles que la consommation énergétique liée à la mobilité accrue et la complexité du contrôle de l’orientation du faisceau. Ces facteurs influencent la viabilité opérationnelle du système dans des conditions réelles.

Enfin, l’optimisation conjointe de la trajectoire et de l’orientation de l’antenne impose une modélisation précise des environnements, avec des données sur la densité et la localisation des SN, ainsi que sur les caractéristiques physiques du canal de transmission. La gestion dynamique de ces paramètres dans des scénarios évolutifs représente un défi important pour la mise en œuvre effective des réseaux WPT basés sur UAV. Comprendre ces interrelations est indispensable pour développer des stratégies adaptatives capables de maximiser la performance énergétique tout en minimisant les coûts et les contraintes opérationnelles.

Comment optimiser les trajectoires et la puissance d’émission dans un réseau multi-UAV pour maximiser l’énergie récoltée ?

Dans un réseau d’alimentation sans fil assisté par plusieurs UAV, l’enjeu principal est de coordonner les trajectoires et la puissance d’émission des UAV afin d’optimiser la quantité d’énergie récoltée par les dispositifs terminaux (GD). Ce problème d’optimisation complexe s’articule autour de plusieurs contraintes : la mobilité des UAV, la prévention des collisions, et les limites de puissance disponibles. La difficulté majeure provient de la nature non convexe des fonctions modélisant à la fois la puissance récoltée et les distances inter-UAV, rendant le problème initial (P1) difficile à résoudre efficacement.

De même, la fonction de puissance récoltée, bien que non convexe, bénéficie d’une propriété particulière : elle est convexe par rapport à l’inverse d’une variable auxiliaire liée à la puissance. Exploitant cette propriété, une borne inférieure concave est dérivée, permettant ainsi une approximation convexe serrée de la fonction d’énergie récoltée. Cette étape cruciale utilise également l’inégalité arithmético-géométrique pour séparer les termes multiplicatifs problématiques, ce qui contribue à la convexification globale du problème.

La reformulation aboutit à un nouveau problème convexe (P2), qui peut être efficacement résolu par des méthodes classiques d’optimisation convexes, comme l’algorithme de l’ellipsoïde. Toutefois, comme cette approximation est locale, un algorithme itératif est proposé pour résoudre le problème initial : à chaque itération, les points locaux autour desquels sont faites les approximations convexes sont mis à jour avec les solutions obtenues, améliorant progressivement la solution.

Le processus d’initialisation repose sur des trajectoires simples, linéaires, modifiées si nécessaire pour éviter les collisions, tandis que la puissance initiale est fixée à un maximum constant. L’algorithme converge typiquement en une vingtaine d’itérations, ce qui atteste de son efficacité et de sa rapidité.

Il est essentiel de comprendre que cette optimisation intégrée dépend fortement des caractéristiques physiques et techniques des UAV, telles que leur vitesse maximale, leur autonomie en puissance, et la précision des modèles énergétiques utilisés. Par ailleurs, la complexité computationnelle de la méthode, bien que maîtrisée grâce à la convexification, reste un facteur important à considérer pour son implémentation en temps réel ou dans des scénarios à grande échelle.

Enfin, cette méthode démontre une approche exemplaire pour traiter des problèmes non convexes en ingénierie des systèmes complexes : en combinant approximations locales et optimisation itérative, il devient possible d’aborder des défis apparemment insolubles, ouvrant ainsi la voie à des systèmes autonomes multi-agent performants et sûrs dans des environnements dynamiques et contraints.

Comment optimiser la dissimulation des communications UAV : allocation conjointe de puissance et conception de trajectoire en conditions d’incertitude

Dans le contexte des communications furtives assurées par des véhicules aériens sans pilote (UAV), la complexité croissante des algorithmes et la nécessité d’une couverture optimale imposent une réflexion approfondie sur les limites pratiques des dispositifs. La dissimulation efficace des transmissions, en particulier lorsque l’information sur la position de l’observateur ou gardien (warden) est incomplète, exige une approche rigoureuse intégrant à la fois allocation de puissance et conception de trajectoire.

En présence d’incertitudes sur le bruit de fond et sur la localisation du gardien, il est possible de déduire une expression fermée de la probabilité minimale moyenne d’erreur de détection, ce qui constitue une métrique essentielle pour évaluer la performance d’une communication furtive par UAV. Cette modélisation permet non seulement d’évaluer la performance mais aussi d’optimiser la puissance d’émission sous contrainte de furtivité, assurant ainsi un équilibre subtil entre couverture et discrétion.

Dans la littérature connexe, la sécurisation des communications UAV s’appuie souvent sur la sécurité au niveau physique (PLS), qui exploite les différences entre les canaux légitimes et illégitimes pour garantir la confidentialité. Des méthodes sophistiquées combinent trajectoire et allocation de ressources pour maximiser le débit sécurisé, notamment dans les réseaux de relais UAV ou intégrés à des surfaces réfléchissantes intelligentes (IRS), qui modulent activement les canaux radio.

Cependant, la dissimulation complète dépasse la simple confidentialité du contenu : elle concerne la non-détection de l’activité même de transmission. Cela devient crucial dans des contextes militaires ou de surveillance, où l’existence d’une communication peut compromettre une mission. Des travaux récents ont démontré que la furtivité peut être accrue en optimisant simultanément la trajectoire et la puissance d’émission, parfois assistés par des brouilleurs. Néanmoins, ces études reposent souvent sur l’hypothèse d’une connaissance parfaite du gardien, hypothèse irréaliste dans les applications pratiques.

Ainsi, il est fondamental d’intégrer dans les modèles l’incertitude quant à la position du gardien, souvent modélisée par une erreur gaussienne autour d’une estimation. Cette incertitude complique la tâche d’optimisation et souligne l’importance de méthodes peu coûteuses en calcul, car les algorithmes classiques basés sur TD-SCP présentent une complexité prohibitive pour un usage réel. Le défi consiste donc à développer des stratégies efficaces et adaptables, tenant compte des contraintes physiques des UAV (vitesse maximale, trajectoire entre positions initiales et finales à altitude constante) et des paramètres de canal dépendant de la distance et des conditions de ligne de vue.

Par ailleurs, la fréquence-division multiple access (FDMA) est souvent privilégiée pour minimiser les interférences entre utilisateurs, ce qui impose une allocation dynamique de puissance en fonction des positions temporelles des UAV et des utilisateurs au sol. La modélisation précise des gains de canal entre UAV, utilisateurs et gardien est essentielle pour garantir que la furtivité ne soit pas compromise par des émissions excessives ou mal dirigées.

Il est également important de noter que l’intégration des technologies émergentes, telles que les surfaces réfléchissantes intelligentes, ouvre de nouvelles perspectives pour la furtivité des communications, en permettant une manipulation active du canal radio qui complique la détection par des observateurs non coopératifs. Néanmoins, la complexité accrue de ces systèmes nécessite une modélisation robuste et des algorithmes adaptés, capables de fonctionner dans des environnements caractérisés par une incertitude substantielle.