Inteligentne zarządzanie zasobami w sieciach z wykorzystaniem BSP za pomocą komunikacji bezkomórkowej i inteligentnych powierzchni odbijających

Dostarczanie niezawodnej łączności bezprzewodowej w trudno dostępnych miejscach

W miarę jak nasz świat zapełnia się czujnikami i urządzeniami podłączonymi do Internetu — od sond glebowych na farmach po roboty w fabrykach — obciążone są sieci bezprzewodowe, które je łączą. W artykule opisano nowe podejście do utrzymania w sieci miliardów małych urządzeń z użyciem latających przekaźników i inteligentnych paneli odbijających na budynkach, wszystko koordynowane przez algorytm uczący się. Efekt to sieć, która jednocześnie może rozszerzać zasięg, przyspieszać transfer danych i oszczędzać energię.

Dlaczego dzisiejsze sieci zawodzą

Tradycyjne sieci komórkowe nigdy nie były projektowane z myślą o ogromnej liczbie niskomocowych urządzeń rozmieszczonych w miastach, na obszarach wiejskich czy w strefach katastrof. Zasięg sygnału jest nierównomierny, interferencje między sąsiednimi komórkami są powszechne, a zużycie energii wysokie. Wiele urządzeń Internetu Rzeczy (IoT) znajduje się w piwnicach, za grubymi ścianami lub na odległych polach, gdzie sygnały są słabe. Jednocześnie mobilne przekaźniki powietrzne — bezzałogowe statki powietrzne (UAV) — oraz inteligentne powierzchnie odbijające (IRS), czyli płaskie panele kierujące fale radiowe w wybrane strony, wykazały osobno obiecujące możliwości poprawy parametrów radiowych. Jednak większość wcześniejszych badań traktowała te elementy oddzielnie, bez zunifikowanego sposobu ich koordynacji w czasie rzeczywistym.

Nowy rodzaj chmury anten w powietrzu

Autorzy proponują architekturę sieci „bezkomórkowej”, która rezygnuje z sztywnych granic komórek. Zamiast przypisywać każdego użytkownika do pojedynczej stacji, wiele drobnych punktów dostępowych współpracuje, aby obsługiwać urządzenia wspólnie. W tym systemie naziemne punkty dostępowe, latające UAV i montowane na ścianach panele odbijające tworzą elastyczną sieć wokół urządzeń. Stacja bazowa wysyła sygnały radiowe, które nie tylko przenoszą dane, ale też bezprzewodowo doładowują UAV. Drony działają jako przekaźniki powietrzne, podczas gdy panele odbijające zaginają i skupiają sygnały w trudno dostępnych zakamarkach, wspomagając czujniki, które inaczej znalazłyby się w martwych strefach.

Nauczanie sieci samodzielnej adaptacji

Koordynacja tras lotu dronów, mocy nadawania stacji bazowej, tego, który punkt dostępowy obsługuje które urządzenie, oraz kierunku ustawienia każdego panelu odbijającego to skomplikowane zadanie. Tradycyjne metody optymalizacji mają trudności, gdy warunki szybko się zmieniają, tak jak dzieje się to przy ruchu UAV czy pojawianiu się przeszkód blokujących sygnały. Aby temu sprostać, autorzy przedstawiają problem jako zadanie uczenia. Zastosowali uczenie przez wzmacnianie, w którym sieć wielokrotnie testuje różne konfiguracje i otrzymuje „wynik” oparty na trzech kryteriach: prędkości transmisji danych, zasięgu i zużyciu energii. Z czasem prosty algorytm Q-learning uczy się, które wybory zwykle dają lepsze wyniki ogólne i stopniowo udoskonala politykę regulacji mocy, tras lotu i kierunków odbicia.

Jak system sprawdza się w testach przypominających praktykę

Zespół zbudował szczegółowe symulacje komputerowe obszaru 500 na 500 metrów z wieloma dronami, powierzchniami odbijającymi, punktami dostępowymi i wieloma urządzeniami IoT. Uwzględniono realistyczne efekty radiowe, takie jak częściowa linia widzenia, przypadkowe zaniki i niedokładna znajomość kanału radiowego, a także ograniczenia wysokości dronów, energii baterii i łącznej mocy. Następnie porównano ich schemat oparty na uczeniu z kilkoma ustalonymi punktami odniesienia: dwoma klasycznymi metodami optymalizacji i dwoma popularnymi podejściami opartymi na głębokim uczeniu przez wzmacnianie. W szerokim zakresie scenariuszy proponowana metoda konsekwentnie zapewniała większą całkowitą przepustowość danych, obsługiwała więcej urządzeń przy wymaganej minimalnej szybkości transmisji i zużywała mniej energii. Na przykład w porównaniu z najlepszym podejściem konkurencyjnym zwiększyła całkowitą przepustowość o około 15%, podniosła pokrycie o około 6% i obniżyła zużycie energii o około 5%.

Współpraca: drony i inteligentne powierzchnie

Symulacje pokazały również, jak różne elementy systemu się uzupełniają. Gdy liczba dronów jest niewielka, algorytm uczący się silnie polega na panelach odbijających, dostosowując ich działanie, aby kierować sygnały do zacienionych obszarów bez zbędnego przemieszczania UAV. W miarę zwiększania liczby dronów wyuczona polityka zaczyna je przemieszczać, aby otworzyć czyściejsze ścieżki i skrócić łącza, podczas gdy panele odbijające dopracowują trajektorie sygnałów. Ten podział zadań pozwala sieci osiągać niemal optymalne wyniki nawet przy ograniczonych zasobach sprzętowych, co jest kluczowe w warunkach wrażliwych na koszty lub silnie regulowanych.

Co to oznacza dla przyszłych powiązanych światów

Mówiąc prosto, badanie pokazuje, że pozwalając sieci „uczyć się przez działanie” można sprawić, że powietrzne przekaźniki i inteligentne ściany będą współdziałać znacznie wydajniej niż przy regułach zaprojektowanych ręcznie. Połączenie dronów, rozproszonych punktów dostępowych i inteligentnych reflektorów, kierowane uczeniem przez wzmacnianie, oferuje drogę do odpornej, świadomej energetycznie łączności dla gęstych miast, odległych obszarów wiejskich i stref katastrof. Chociaż praca opiera się na symulacjach i wciąż wykorzystuje uproszczone modele kanałów, wskazuje na przyszłe sieci w stylu 6G, w których samo środowisko — budynki, drony i infrastruktura — działa jak programowalna struktura inteligentnie zaginająca fale radiowe, aby utrzymać wszystko w łączności.

Cytowanie: Wu, H., Gu, F., Lu, H. et al. Intelligent resource management in UAV-enabled networks using cell-free communications and intelligent reflective surfaces. Sci Rep 16, 12900 (2026). https://doi.org/10.1038/s41598-026-43358-2

Słowa kluczowe: bezprzewodowe sieci BSP, inteligentne powierzchnie odbijające, komunikacja bezkomórkowa, uczenie przez wzmacnianie, Internet rzeczy