AI ringan untuk RIS yang dipasang pada UAV: Sebuah tinjauan

Taksonomi dan analisis komparatif RL, meta-learning, federated learning, dan multi-armed bandit untuk permukaan cerdas udara yang terbatas energi pada 6G

Sherief Hashima; Kohei Hatano; Eiji Takimoto; Mohamed Rihan; Basem. M. Elhalawany; Hamada Rizk· 2026· DOI 10.48550/arXiv.2608.25402

Masalah inti

Unmanned Aerial Vehicles (UAV) yang dipasangi Reconfigurable Intelligent Surfaces (RIS) telah muncul sebagai arsitektur yang menjanjikan untuk meningkatkan cakupan nirkabel, efisiensi spektral, dan kinerja energi pada jaringan 6G. Dengan menggabungkan manipulasi gelombang elektromagnetik yang dapat diprogram dengan mobilitas udara, sistem UAV-RIS memungkinkan mitigasi penghalang secara dinamis, beamforming adaptif, dan penyebaran fleksibel di lingkungan terestrial, maritim, dan terintegrasi satelit. Daya tarik utamanya terletak pada kemampuan memindahkan permukaan cerdas sesuai kebutuhan, sehingga menciptakan kondisi propagasi yang menguntungkan di tempat infrastruktur statis tidak dapat menjangkau. Namun, optimasi bersama lintasan UAV, konfigurasi fase RIS, dan alokasi sumber daya menimbulkan kompleksitas komputasi yang tinggi, yang tidak kompatibel dengan batasan energi dan pemrosesan onboard yang ketat pada platform UAV. Ketegangan antara kualitas optimasi dan kelayakan sumber daya inilah yang memotivasi pertanyaan penelitian utama makalah ini: bagaimana teknik AI ringan dapat memberikan solusi praktis untuk tantangan ini? Para penulis berargumen bahwa tinjauan komprehensif ten

Inovasi

Survei ini melaporkan taksonomi terstruktur dan analisis komparatif atas karya yang ada. Temuan utamanya mencakup observasi bahwa pendekatan berbasis RL dapat mencapai kontrol lintasan dan fase yang mendekati optimal tetapi sering memerlukan episode pelatihan yang ekstensif dan komputasi onboard yang substansial, yang dapat melampaui anggaran energi UAV. Meta-learning mengurangi waktu adaptasi ke skenario penyebaran baru dengan mempelajari parameter inisialisasi yang menggeneralisasi lintas tugas, namun tetap menuntut memori episodik dan overhead meta-training. Federated Learning mendistribusikan pelatihan model di antara UAV dan node darat, menurunkan penggunaan backhaul dan menjaga privasi data, tetapi memperkenalkan putaran komunikasi yang dapat mendominasi konsumsi energi pada tautan udara yang terbatas bandwidth. Multi-Armed Bandits muncul sebagai pilihan yang sangat menarik untuk RIS yang dipasang pada UAV karena menawarkan pengambilan keputusan online berkompleksitas rendah dengan batas regret yang dapat dibuktikan. Studi kasus menunjukkan bahwa skema MAB meningkatkan throughput dan efisiensi energi dibandingkan strategi pemilihan baseline, mengonfirmasi kesesuaiannya untuk

Unmanned Aerial Vehicles (UAV) yang dipasangi Reconfigurable Intelligent Surfaces (RIS) telah muncul sebagai arsitektur yang menjanjikan untuk meningkatkan cakupan nirkabel, efisiensi spektral, dan kinerja energi pada jaringan 6G. Dengan menggabungkan manipulasi gelombang elektromagnetik yang dapat diprogram dengan mobilitas udara, sistem UAV-RIS memungkinkan mitigasi penghalang secara dinamis, beamforming adaptif, dan penyebaran fleksibel di lingkungan terestrial, maritim, dan terintegrasi satelit. Daya tarik utamanya terletak pada kemampuan memindahkan permukaan cerdas sesuai kebutuhan, sehingga menciptakan kondisi propagasi yang menguntungkan di tempat infrastruktur statis tidak dapat menjangkau.

Namun, optimasi bersama lintasan UAV, konfigurasi fase RIS, dan alokasi sumber daya menimbulkan kompleksitas komputasi yang tinggi, yang tidak kompatibel dengan batasan energi dan pemrosesan onboard yang ketat pada platform UAV. Ketegangan antara kualitas optimasi dan kelayakan sumber daya inilah yang memotivasi pertanyaan penelitian utama makalah ini: bagaimana teknik AI ringan dapat memberikan solusi praktis untuk tantangan ini? Para penulis berargumen bahwa tinjauan komprehensif tentang AI ringan untuk RIS yang dipasang pada UAV diperlukan, mencakup Reinforcement Learning (RL), meta-learning, Federated Learning (FL), Multi-Armed Bandits (MAB), dan optimasi sadar energi. Makalah ini menyumbangkan taksonomi terperinci, analisis komparatif atas karya yang ada, pemeriksaan trade-off komputasi-energi, dan studi kasus yang menunjukkan pengaruh skema MAB terhadap throughput dan efisiensi energi pada RIS yang dipasang pada UAV.

Mengapa penting

Kontribusi analitis utama makalah ini adalah artikulasi trade-off komputasi-energi sebagai kendala desain kelas satu untuk RIS yang dipasang pada UAV. Para penulis berargumen bahwa batasan energi dan pemrosesan onboard yang ketat pada platform UAV membuat banyak metode optimasi terpusat berkompleksitas tinggi menjadi tidak praktis, dan bahwa AI ringan bukan sekadar peningkatan efisiensi melainkan persyaratan kelayakan. Taksonomi mengungkapkan bahwa pemilihan teknik harus didorong oleh hambatan dominan: RL ketika kontrol sekuensial kritis, meta-learning ketika adaptasi cepat lintas misi diperlukan, FL ketika privasi dan backhaul menjadi pembatas, MAB ketika keputusan online berkompleksitas rendah sudah memadai, dan optimasi sadar energi ketika daya tahan misi menjadi yang utama. Tantangan penelitian terbuka yang diidentifikasi mencakup arsitektur pembelajaran yang skalabel untuk susunan RIS yang besar, ketahanan terhadap penuaan kanal dan mobilitas, orkestrasi federasi yang hemat energi di antara node udara yang heterogen, dan jaminan teoretis untuk skema AI ringan hibrida. Para penulis juga menyerukan tolok ukur terstandardisasi yang secara bersama melaporkan throughput, efisiensi energi, dan overhead komputasi, karena metrik yang terisolasi dapat menyesatkan keputusan penyebaran. Studi kasus tentang skema MAB berfungsi sebagai templat untuk tolok ukur semacam itu, menunjukkan bahwa throughput dan efisiensi energi dapat dievaluasi bersama dalam kondisi RIS yang dipasang pada UAV yang realistis. Secara keseluruhan, tinjauan ini memosisikan AI ringan sebagai lapisan pemungkin untuk permukaan cerdas udara yang skalabel dan hemat energi pada 6G, sekaligus memperingatkan bahwa masih banyak pekerjaan yang harus dilakukan untuk menerjemahkan teknik yang menjanjikan menjadi sistem yang dapat disebarkan di lapangan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…