Prediction of communication signals strength with UAVs using artificial neural networks

Abstract

Resumo: Reconhecendo a crescente importância dos veículos aéreos não tripulados, mais especificamente drones, nas operações de vigilância de tráfego urbano, este projeto de pesquisa busca abordar os desafios associados à comunicação sem fio em ambientes propensos a interferências no sinal de comunicação. Propõe-se o desenvolvimento de uma rede neural artificial para prever a intensidade do sinal Wi-Fi durante voos de drones, fornecendo suporte em cenários de emergência que envolvam operações de resgate em locais de acidentes de trânsito. O algoritmo desenvolvido é um perceptron multicamadas com uma camada oculta e as seguintes características de entrada: altitude, ângulo de elevação, tipo de terreno, distância entre o drone e seu controlador, velocidade e porcentagem de bateria. Para validar a confiabilidade da solução proposta, os resultados obtidos com a rede neural foram comparados com simulações de voo de drones utilizando o modelo Longley-Rice, por meio do Radio Mobile, um software amplamente utilizado para o planejamento e modelagem de redes de comunicação sem fio. Na região rural, o perceptron multicamadas obteve um RMSE de 1,95 dB, enquanto o modelo Longley-Rice mostrou um RMSE significativamente maior de 8,23 dB. Na região suburbana, o perceptron multicamadas apresentou um RMSE de 2,93 dB, em comparação com o RMSE de 10,88 dB do modelo Longley-Rice. Na região urbana, o perceptron multicamadas teve um RMSE de 2,39 dB, enquanto o modelo Longley-Rice exibiu um RMSE de 12,84 dB. Esses resultados destacam o perceptron multicamadas como uma alternativa promissora para a previsão da intensidade do sinal em voos de drones em áreas com diferentes níveis de urbanização

Abstract: Recognizing the growing importance of unmanned aerial vehicles, specifically drones, in urban traffic surveillance operations, this research project aims to address the challenges associated with wireless communication in environments prone to signal interference. The development of an artificial neural network is proposed to predict Wi-Fi signal strength during drone flights, providing support in emergency scenarios involving rescue operations at traffic accident sites. The developed algorithm is a multilayer perceptron with one hidden layer and the following input features: altitude, elevation angle, terrain type, distance between the drone and its controller, speed, and battery percentage. To validate the reliability of the proposed solution, the results obtained with the neural network were compared with drone flight simulations using the Longley-Rice model, through Radio Mobile, a widely used software for planning and modeling wireless communication networks. In the rural area, the multilayer perceptron achieved an RMSE of 1.95 dB, while the Longley-Rice model showed a significantly higher RMSE of 8.23 dB. In the suburban area, the multilayer perceptron presented an RMSE of 2.93 dB, compared to the RMSE of 10.88 dB from the Longley-Rice model. In the urban area, the multilayer perceptron had an RMSE of 2.39 dB, while the Longley-Rice model exhibited an RMSE of 12.84 dB. These results highlight the multilayer perceptron as a promising alternative for predicting signal strength in drone flights in areas with varying levels of urbanization