Cobertura equitativa para redes celulares B5G apoyadas por red de vehículos aéreos no tripulados con aprendizaje reforzado profundo

Abstract

La sociedad moderna tiene como uno de sus pilares fundamentales la interconexión a través de las redes celulares. La quinta generación de redes celulares (5G) introdujo mejoras en velocidad, eficiencia y capacidad de conectividad. Una aplicación emergente para las futuras redes celulares es la integración de vehículos aéreos no tripulados (VANT) como dispositivos de la red. Los VANT pueden operar como estaciones base que proporcionen cobertura a otros usuarios. En este contexto, el despliegue de VANT en zonas geográficas con alta concentración de usuarios es un desafío significativo para los proveedores de servicios. En esta tesis se propone un sistema de aprendizaje reforzado profundo para desarrollar políticas de despliegue de VANT. Se plantea la hipótesis de que el aprendizaje reforzado profundo puede otorgar una cobertura más eficiente y equitativa en comparación con algoritmos heurísticos con métodos tradicionales. Se presenta un modelo de simulación para evaluar y validar las políticas de despliegue, y se comparan los resultados de los algoritmos de aprendizaje reforzado con algoritmos heurísticos. Finalmente, se muestra que el aprendizaje reforzado profundo puede mejorar la cobertura por sobre algoritmos heurísticos.