Исследователи представили адаптивный фреймворк машинного обучения, предназначенный для оптимизации траекторий беспилотных летательных аппаратов (БПЛА), выполняющих роль открытых радиомодулей (O-RU) в сетях 6G. Решение позволяет дронам эффективно адаптироваться к динамическим условиям среды без необходимости полного переобучения моделей при смене сценариев, что критически важно для обеспечения стабильного покрытия в масштабируемых сотовых сетях будущего.
Основная проблема внедрения БПЛА в телекоммуникационную инфраструктуру заключается в сложности прогнозирования их перемещений в непредсказуемых условиях. Традиционные методы требуют значительных вычислительных затрат на дообучение при каждом изменении внешних факторов. Новый подход использует методы адаптивного обучения, которые минимизируют время отклика системы и повышают автономность дронов при поддержании качества связи.
Интеграция БПЛА в архитектуру O-RAN (Open Radio Access Network) позволяет гибко управлять ресурсами сети, превращая мобильные объекты в активные элементы инфраструктуры. Предложенный алгоритм оптимизирует путь следования аппаратов с учетом меняющейся плотности абонентов и препятствий, обеспечивая непрерывность передачи данных и энергоэффективность полета.
Ключевые факты
- Фреймворк разработан для оптимизации траекторий БПЛА в рамках концепции сетей 6G.
- Система использует адаптивное машинное обучение для исключения необходимости полного переобучения моделей в новых условиях.
- Решение интегрируется в архитектуру O-RAN, позволяя дронам функционировать как открытые радиомодули (O-RU).
- Основной фокус исследования направлен на повышение масштабируемости и адаптивности сетевого покрытия в динамических средах.