Recopilación de datos consciente de AoI en redes de sensores inalámbricos (WSN) asistidas por UAV heterogéneas:...

Área de la Ciencia:

• Ciencias de la Computación
• Robótica
• Comunicación Inalámbrica

Sus antecedentes:

• Los enjambres de vehículos aéreos no tripulados (UAV) son efectivos para la recopilación de datos, pero enfrentan desafíos con la dinámica ambiental y las restricciones de recursos.
• Los métodos existentes centralizados o de aprendizaje por refuerzo puro luchan por equilibrar la calidad de la solución global con la flexibilidad local en entornos complejos.

Objetivo del estudio:

• Proponer un marco de recopilación de datos jerárquico para redes de sensores inalámbricos (WSN) asistidas por UAV heterogéneas.
• Mejorar la coordinación y la toma de decisiones para los UAV de alta capacidad (H-UAV) que gestionan numerosos UAV de baja capacidad (L-UAV).
• Reducir la edad de la información (AoI) para los usuarios terrestres (GU).

Principales métodos:

• Un marco jerárquico que utiliza aprendizaje profundo de agentes múltiples (MADRL), específicamente Gradiente de Política Determinista de Agentes Múltiples (MADDPG), para la coordinación de H-UAV.
• Partición de Power-Voronoi actualizada dinámicamente en función de las tasas de datos de GU y la densidad de L-UAV.
• Los L-UAV utilizan un modelo ponderado de Vicsek para la recopilación de datos autoorganizada y el retransmisión oportunista, considerando el AoI, la calidad del enlace y la congestión.

Principales resultados:

• El esquema propuesto de MADDPG de agentes fuertes y débiles (SW-MADDPG) demostró mejoras significativas en la eficiencia de la recopilación de datos.
• Redujo el AoI en un 30% en comparación con la línea de base No-Voronoi.
• Redujo el AoI en un 21% en comparación con la línea de base Heuristic-HUAV.

Conclusiones:

• El marco jerárquico con descomposición espacial y control descentralizado de enjambres débiles permite una recopilación de datos escalable y eficiente en implementaciones de UAV a gran escala.
• El enfoque SW-MADDPG equilibra eficazmente la carga de trabajo y se adapta a la dinámica ambiental, superando a los métodos existentes en la reducción del AoI.