Otimização de flying mobile networks

November 16, 2023

No mundo atual, tornou-se imprescindível um constante acesso a redes móveis, desde o uso mais banal do quotidiano até às mais complexas funções profissionais. Contudo, devido à falta de infraestruturas em variados pontos do globo, as tradicionais conexões a que estamos habituados a ter acesso principalmente nas grandes cidades possuem, por vezes, limitações e falhas a nível da qualidade de serviço. Para esta falha local ou pontual, os veículos aéreos não tripulados (UAVs) apresentam uma solução vantajosa no fornecimento de uma rede móvel e sem fios. Este trabalho estuda a otimização a alocação espacial dos UAVs através da inteligência artificial, mais concretamente da aprendizagem por reforço e de redes neuronais, com o objetivo de fornecer uma rede de telecomunicações com a melhor qualidade possível, ou seja, cobrindo um maior número de utilizadores. Foram desenvolvidos vários algoritmos em Python, utilizando a biblioteca de aprendizagem por reforço profundo (Deep Q Learning) Keras, tanto centralizados como descentralizados, de forma a explorar os resultados dos mesmos e a avaliar a sua utilização de forma prática relativamente à qualidade de rede obtida no espaço de simulação e dos recursos utilizados para tal. Os resultados revelam que é possível obter um mecanismo de aprendizagem por reforço para determinar uma disposição da rede de UAVs razoável, contudo, também revelaram algumas limitações especialmente em redes mais complexas. A proposta de trabalho futuro visa uma análise mais profunda nesses mesmo casos, assim como numa maior otimização dos cenários estudados já com resultados satisfatórios. In today's world, constant access to mobile networks has become essential, from the most mundane usage to the most complex professional functions. However, due to the lack of infrastructure in various parts of the globe, the traditional connections we are used to, especially in larger cities, sometimes there are limitations and service quality issues. For this local or occasional shortfall, unmanned aerial vehicles (UAVs) offer an advantageous solution in providing a mobile and wireless network. This work studies the optimization of the spatial allocation of UAVs through artificial intelligence, specifically reinforcement learning and neural networks, with the goal of providing a telecommunications network with the best possible quality, covering a greater number of users. Several algorithms were developed in Python using the deep reinforcement learning library (Deep Q Learning) Keras, both centralized and decentralized, to explore their results and evaluate their practical use in terms of the network quality achieved in the simulation space and the resources used for this purpose. The results reveal that it is possible to obtain a reinforcement learning mechanism to determine a reasonable UAV network layout, however, they also highlight some limitations, especially in more complex networks. The future work proposal aims for a deeper analysis in these same cases, as well as further optimization of the scenarios already studied with satisfactory results.

Authors in the community:

• 

  B

  Bruno Rosa Paixão Cardoso

  ist175158

Supervisors of this institution:

• 

  A

  António Manuel Raminhos Cordeiro Grilo

  ist14017

203837878

Mestrado em Engenharia Eletrotécnica e de Computadores

electrical-engineering-electronic-engineering-information-engineering - Electrical engineering, electronic engineering, information engineering

Keywords

• Telecommunications
• Unmanned aerial vehicles
• Neural networks
• Reinforcement learning
• Deep Q learning
• Telecomunicações
• Veículos aéreos não tripulados
• Redes neuronais
• Aprendizagem por reforço

por - Portuguese

Instituto Superior Técnico