Como minimizar o tempo de missão em cenários de coleta de dados por UAVs com restrições de atraso

A utilização de Veículos Aéreos Não Tripulados (UAVs) em sistemas de sensoriamento tem demonstrado um grande potencial devido à sua mobilidade e capacidades de comunicação avançadas. Em contraste com sistemas de sensoriamento fixos tradicionais, os UAVs oferecem flexibilidade na implementação e adaptação rápida às condições variáveis do ambiente. Porém, um dos maiores desafios em aplicações que exigem baixos atrasos de transmissão, como o monitoramento em tempo real ou o auxílio em situações de emergência, é a otimização do tempo de conclusão da missão. Esse problema é ainda mais complicado quando múltiplas tarefas distribuídas precisam ser gerenciadas de forma eficiente, com interdependências complexas e restrições não convexas, como as relacionadas aos trajetos dos UAVs e às associações com estações base (BS).

Uma abordagem inovadora para resolver este problema é o algoritmo de busca de trajetórias baseado em poda espacial (SPTS, do inglês Space Pruning-based Trajectory Search). Este método explora as propriedades geométricas das trajetórias ótimas, evitando cálculos desnecessários e proporcionando uma convergência mais rápida do que os métodos tradicionais, como o algoritmo Polyblock. A redução da complexidade computacional torna o SPTS uma solução eficaz, especialmente em cenários de sensoriamento por UAVs onde o tempo é um recurso limitado.

Outro aspecto crítico é a associação entre o UAV e a estação base, que precisa ser feita de maneira otimizada para garantir que cada tarefa de sensoriamento seja atendida pelo BS mais adequado. O desenvolvimento de um algoritmo de associação eficiente não só melhora o desempenho do sistema como também contribui para a redução do tempo total de missão. A integração dos algoritmos de otimização de trajetória com o algoritmo Lin-Kernighan-Helsgaun (LKH), conhecido por sua eficácia na obtenção de soluções próximas ao ótimo para problemas de otimização combinatória, permite calcular um limite inferior para o tempo de conclusão da missão, fornecendo soluções quase ótimas de forma rápida e confiável.

Simulações numéricas confirmam a efetividade desta abordagem, mostrando melhorias substanciais no desempenho das missões de sensoriamento por UAV, especialmente em termos de tempo de conclusão e redução de atrasos na transmissão de dados. A aplicação prática desses métodos é relevante não apenas para sistemas de sensoriamento em tempo real, mas também para uma variedade de outras áreas que exigem coleta de dados em ambientes dinâmicos, como agricultura de precisão, monitoramento ambiental e resposta a desastres.

Além disso, o estudo de algoritmos distribuídos e federados no contexto de UAVs oferece soluções promissoras para cenários com múltiplas unidades operando simultaneamente, como em situações de emergência onde é necessário coordenar diversos UAVs para realizar tarefas de busca e resgate. A cooperação entre UAVs em tais redes pode ser otimizada para garantir uma maior cobertura, redundância e robustez, minimizando, assim, os tempos de resposta e melhorando a eficiência do sistema como um todo.

Em resumo, o planejamento eficaz das trajetórias dos UAVs para minimizar o tempo de missão sob restrições de atraso é um problema complexo que exige o uso de técnicas avançadas de otimização e algoritmos de inteligência artificial. A aplicação de métodos como o SPTS e a integração com outras técnicas de aprendizado de máquina, como o aprendizado por reforço, pode resultar em melhorias significativas no desempenho das missões de sensoriamento. No entanto, é essencial que, ao desenvolver soluções para esses problemas, sejam levadas em consideração as especificidades e os desafios do ambiente operacional, a fim de garantir a implementação de soluções eficientes e viáveis.

Como a Otimização da Trajetória e Alocação de Recursos para UAVs Pode Melhorar o Sistema ISAC

O algoritmo proposto foi projetado para resolver um problema complexo de otimização, que envolve múltiplas camadas e parâmetros interdependentes. Ao introduzir uma nova variável $u_{c,k}[n]$, foi possível transformar a função de taxa $R̃ISAC_{k,j}[n]$ em uma função côncava, o que permitiu utilizar técnicas de otimização convexa, como os solvers CVX, para resolver o problema de maneira eficiente. A redução progressiva do coeficiente de penalização $η$ através de um fator de escalonamento $z$ foi uma estratégia crítica para garantir uma solução eficiente. Embora o aumento de $z$ melhore o desempenho, ele também demanda um maior número de iterações no processo de otimização.

Os resultados de simulação mostram o impacto da otimização da trajetória e da alocação de recursos no desempenho do sistema. Os experimentos foram conduzidos em uma área de 1 km² com 4 usuários e 4 alvos. O UAV foi configurado com 16 antenas e um limite de potência máxima de transmissão de 0,1W. O sistema foi comparado com dois benchmarks: voo reto (SF) e voo-hover-voo (FHF). Os resultados demonstraram que, à medida que a exigência de potência do feixe aumenta, a trajetória do UAV se torna mais restrita, e a distância entre o UAV e os usuários cresce. Esse efeito adverso é um trade-off entre o sensoriamento e a comunicação, exigindo um aumento no consumo de potência para satisfazer os requisitos do padrão de feixe, o que limita a taxa máxima alcançável. No entanto, o algoritmo proposto foi capaz de otimizar a trajetória do UAV dentro de uma área maior, melhorando o desempenho da comunicação, especialmente quando as exigências de potência do feixe eram menores.

Outro aspecto importante da otimização foi a relação entre a frequência de sensoriamento e a taxa alcançável. À medida que a frequência de sensoriamento aumentava, a taxa de comunicação diminuía para todos os esquemas. Contudo, a vantagem do esquema proposto sobre os benchmarks foi mais pronunciada em condições de baixa frequência de sensoriamento, pois o UAV teve mais flexibilidade para ajustar sua trajetória, resultando em melhor desempenho na comunicação. Em particular, o desempenho do algoritmo proposto foi superior ao do "FHF" e do "SF" quando a exigência de potência de feixe era baixa.

Em resumo, a otimização simultânea da trajetória e da alocação de recursos para UAVs em sistemas ISAC representa uma estratégia eficaz para melhorar tanto a comunicação quanto o sensoriamento. O algoritmo proposto, ao lidar com a complexidade do problema por meio de uma abordagem de otimização convexa e penalização progressiva, oferece uma solução eficiente que pode ser aplicada em cenários práticos com limitações de tempo de voo e potência de transmissão. Ao mesmo tempo, a análise dos resultados de simulação mostra a importância de gerenciar o trade-off entre a potência de feixe e a distância dos usuários para garantir um desempenho ideal.