Интеллектуальное управление ресурсами в сетях с БПЛА с использованием безъячеистой связи и интеллектуальных отражающих поверхностей

Обеспечение надежной беспроводной связи в труднодоступных местах

По мере того как наш мир наполняется Интернет‑подключёнными датчиками и устройствами — от зондов влажности в полях до заводских роботов — нагрузки на беспроводные сети растут. В этой работе предлагается новый подход к поддержке миллиардов маломощных устройств в сети с помощью летающих ретрансляторов и умных отражающих панелей на зданиях, координируемых алгоритмом обучения. В результате получается сеть, способная расширять покрытие, ускорять передачу данных и одновременно экономить энергию.

Почему современные сети не справляются

Традиционные сотовые сети изначально не были рассчитаны на огромное количество низкопотребляющих устройств, распределённых по городам, сельской местности и зонам бедствий. Покрытие часто прерывисто, помехи между соседними ячейками — обычное дело, а энергопотребление высоко. Многие устройства Интернета вещей находятся в подвалах, за толстыми стенами или в удалённых полях, где сигнал слаб. В то же время мобильные летающие ретрансляторы — беспилотные летательные аппараты (БПЛА) — и интеллектуальные отражающие поверхности (IRS), представляющие собой плоские панели, перенаправляющие радиоволны в заданных направлениях, по отдельности показали потенциал для повышения эффективности беспроводной связи. Однако большинство ранних работ рассматривали эти элементы разрозненно, без единого способа их координации в реальном времени.

Новый тип облака антенн в небе

Авторы предлагают архитектуру «безъячеистой» сети, которая отказывается от жёстких границ ячеек. Вместо привязки каждого пользователя к одной башне множество небольших точек доступа сотрудничает, чтобы обслуживать устройства совместно. В такой системе наземные точки доступа, воздушные БПЛА и настенные отражающие панели формируют гибкую сеть вокруг устройств. Центральная базовая станция передаёт радиосигналы, которые не только несут данные, но и беспроводно подзаряжают БПЛА. Дроны выступают в роли воздушных ретрансляторов, а отражающие панели искривляют и фокусируют сигналы в труднодоступные уголки, помогая сенсорам, которые в противном случае оказались бы в «мертвых зонах».

Обучение сети самостоятельной адаптации

Координация полётов дронов, мощностей передачи базовой станции, выбора точки доступа для каждого устройства и направлений отражения панелей — сложная задача. Традиционные методы оптимизации испытывают трудности при быстроменяющихся условиях, например при перемещении БПЛА или появлении препятствий. Чтобы справиться с этим, авторы формулируют задачу как задачу обучения. Они применяют обучение с подкреплением: сеть многократно пробует разные конфигурации и получает «оценку» по трём показателям — скорость передачи данных, покрытие и энергопотребление. Со временем простой алгоритм Q‑обучения выявляет, какие решения обычно дают лучшие совокупные результаты, и постепенно вырабатывает стратегию для настройки мощности, траекторий полёта и направлений отражения.

Как система показывает себя в приближённых к реальности тестах

Команда создала подробные компьютерные симуляции района размером 500 × 500 метров с несколькими дронами, отражающими поверхностями, точками доступа и десятками устройств IoT. В моделях учтены реалистичные эффекты радиосвязи: частичная видимость по прямой, случайное замирание и неполное знание канала, а также ограничения по высоте дронов, запасу батареи и общей мощности. Затем их схема на базе обучения была сравнена с несколькими эталонными подходами: двумя классическими методами оптимизации и двумя популярными глубокими методами обучения с подкреплением. В широком наборе сценариев предлагаемая методика стабильно обеспечивала большую суммарную пропускную способность, покрывала больше устройств на требуемой минимальной скорости и использовала меньше энергии. Например, по сравнению с лучшим из конкурентов суммарная пропускная способность выросла примерно на 15%, покрытие — примерно на 6%, а энергопотребление снизилось около на 5%.

Сотрудничество: дроны и умные поверхности

Симуляции также показывают, как различные элементы системы дополняют друг друга. При небольшом числе дронов алгоритм обучения в большей степени полагается на отражающие панели, перенастраивая их для направления сигналов в затенённые области, чтобы минимизировать лишние перемещения БПЛА. По мере увеличения числа дронов выработанная политика начинает переставлять их для создания более прямых путей и сокращения длин каналов, в то время как отражающие панели доводят траектории сигналов до оптимума. Такое разделение функций позволяет сети достигать почти оптимальной производительности даже при ограниченных аппаратных ресурсах, что важно в условиях жёсткой экономии или регулирования.

Что это означает для будущих связанных миров

Проще говоря, исследование показывает, что стратегия «обучения в действии» может сделать совместную работу воздушных ретрансляторов и умных стен значительно эффективнее, чем правила, разработанные вручную. Сочетание дронов, распределённых точек доступа и интеллектуальных отражателей под управлением обучения с подкреплением предлагает путь к устойчивой, энергосберегающей связности для плотных городских районов, отдалённой сельской местности и зон бедствий. Хотя работа основана на симуляциях и опирается на упрощённые модели канала, она указывает в направлении будущих сетей типа 6G, в которых сама среда — здания, дроны и инфраструктура — становится программируемой матрицей, умело перенаправляющей радиоволны для поддержания связности.

Цитирование: 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

Ключевые слова: беспроводные сети с БПЛА, интеллектуальные отражающие поверхности, безъячеистая связь, обучение с подкреплением, Интернет вещей