Distributed Drone Base Station Positioning for Emergency Cellular Networks Using Reinforcement Learning

Abstract

Due to the unpredictability of natural disasters, whenever a catastrophe happens, it is vital that not only emergency rescue teams are prepared, but also that there is a functional communication network infrastructure. Hence, in order to prevent additional losses of human lives, it is crucial that network operators are able to deploy an emergency infrastructure as fast as possible. In this sense, the deployment of an intelligent, mobile, and adaptable network, through the usage of drones—unmanned aerial vehicles—is being considered as one possible alternative for emergency situations. In this paper, an intelligent solution based on reinforcement learning is proposed in order to find the best position of multiple drone small cells (DSCs) in an emergency scenario. The proposed solution’s main goal is to maximize the amount of users covered by the system, while drones are limited by both backhaul and radio access network constraints. Results show that the proposed Q-learning solution largely outperforms all other approaches with respect to all metrics considered. Hence, intelligent DSCs are considered a good alternative in order to enable the rapid and efficient deployment of an emergency communication network.

Routing Schemes in FANETs: A Survey

“…Frequent link disconnections and network partitions can increase route discovery and maintenance to reestablish routes as well as increase packet retransmission [133]. Consequently, network performance degrades, which can be unacceptable in critical circumstances, such as disaster relief and rescue operations [104,134]. There are two main challenges in improving network connectivity: a) high dynamicity (X.1) of network topology and b) high cost (X.2) due to increased routing overhead, energy consumption, and computational cost.…”

“…This increases route discovery and maintenance to reestablish routes, as well as packet retransmission, resulting in higher cost (X.2) [133]. Consequently, network performance degrades, which can be unacceptable in critical circumstances, such as during disaster relief and rescue operations [104,134]. Both high and low altitude platforms can be used.…”

Consumo Energético no Posicionamento de Estações Rádio-Base Móveis Baseadas em VANTs Aplicando Aprendizagem por Reforço

“…Nesse sentido, o trabalho apresentado em [9] empregou Qlearning para otimizar a posição de VANTs em um cenário de emergência, onde o principal objetivo da solução é maximizar a quantidade de usuários cobertos pela rede de comunicação. Quando comparada a diferentes estratégias de posicionamento fixo, como em posições aleatórias, posições em torno de um círculo no centro do cenário, ou nas localidades dos hot spots da rede previamente destruída, a solução de aprendizagem por reforço apresentou desempenho superior, minimizando o número de usuários em indisponibilidade e convergindo de maneira mais rápida.…”

“…Quando comparada a diferentes estratégias de posicionamento fixo, como em posições aleatórias, posições em torno de um círculo no centro do cenário, ou nas localidades dos hot spots da rede previamente destruída, a solução de aprendizagem por reforço apresentou desempenho superior, minimizando o número de usuários em indisponibilidade e convergindo de maneira mais rápida. No entanto, o consumo energético não é investigado em [9], apesar de ser um fator fundamental tendo em vista a quantidade de energia limitada e a necessidade de recarga constante dos VANTs.…”

“…O presente artigo apresenta uma extensão do trabalho desenvolvido em [9]. Aqui, é incluída a possibilidade de adaptar a potência de transmissão dos VANTs e uma análise de consumo energético levando em consideração um modelo característico de VANTs movidos por hélices [7].…”