Avaliação do Controle Adaptativo via O-RAN para Monitoramento Urbano com UAs

• Antonia Mayara de A. da Silva UFC
• Flavio L. S Souza ITA
• André Luiz Elias Melo ITA
• Michel Sales Bonfim UFC
• Paulo Antonio Leal Rego UFC
• Lourenço Alves Pereira Junior ITA

DOI: https://doi.org/10.5753/wgrs.2026.23379

Resumo

Este trabalho analisa o impacto do RAN Intelligent Controller (RIC) na arquitetura Open Radio Access Network (O-RAN) para o monitoramento urbano com múltiplos drones (UAs). Embora o uso de UAs tenha crescido, a gestão eficiente de recursos de rede e o consumo energético ainda apresentam desafios críticos para a execução de missões. O estudo avalia como o controle adaptativo da rede influencia simultaneamente a eficiência energética, o desempenho da comunicação e a cobertura da missão. Foram simuladas missões de visitação a pontos de interesse (PoIs) em Fortaleza-CE, comparando cenários com e sem a atuação do RIC. Os resultados demonstram que a orquestração do RIC melhora a estabilidade das conexões, reduzindo a perda de pacotes e a latência. Tais melhorias resultaram numa economia de energia variando de 2,2% a 10,5% por Ponto de Interesse visitado, dependendo do número de UAs. Conclui-se que a integração entre controle de rede e mobilidade é vital para otimizar a autonomia e a eficácia operacional em cenários de monitoramento urbano.

Referências

Feitosa, L., Barbosa, V., Bittencourt, L., Oliveira, F., Junior, J. R., and Silva, F. (2025). Entregas aéreas por drones: Uma avaliação de desempenho considerando colisões dos drones e logística de reparo. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 546–559, Porto Alegre, RS, Brasil. SBC.

Hilario, B. A., Passos, D., and Guerra, R. (2023). Arquitetura de simulação de missões com drones com aspectos mais realistas de comunicação ar-terra. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 99–112. SBC.

Kong, X., Ni, C., Duan, G., Shen, G., Yang, Y., and Das, S. K. (2024). Energy consumption optimization of uav-assisted traffic monitoring scheme with tiny reinforcement learning. IEEE Internet of Things Journal, 11(12):21135–21145.

Li, H., Tang, X., Zhai, D., Zhang, R., Li, B., Cao, H., Kumar, N., and Almogren, A. (2024). Energy-efficient deployment and resource allocation for o-ran-enabled uav-assisted communication. IEEE Transactions on Green Communications and Networking, 8(3):1128–1140.

Lucchesi, L., Endler, M., and de Souza, B. J. O. (2024). Dynamic effects of communication delay, failure rates, and speed on uav swarm formation. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 588–601. SBC.

Mahboob, S., Dai, J., Soysal, A., and Liu, L. (2025). Transforming future 6g networks via o-ran-empowered ntns. IEEE Communications Magazine.

Mara, S. T. W., Norcahyo, R., Jodiawan, P., Lusiantoro, L., and Rifai, A. P. (2022). A survey of adaptive large neighborhood search algorithms and applications. Computers & Operations Research, 146:105903.

Mohsan, S. A. H., Othman, N. Q. H., Li, Y., Alsharif, M. H., and Khan, M. A. (2023). Unmanned aerial vehicles (uavs): Practical aspects, applications, open challenges, security issues, and future trends. Intelligent service robotics, 16(1):109–137.

Niknam, S., Roy, A., Dhillon, H. S., Singh, S., Banerji, R., Reed, J. H., Saxena, N., and Yoon, S. (2022). Intelligent o-ran for beyond 5g and 6g wireless networks. In 2022 IEEE Globecom Workshops (GC Wkshps), pages 215–220. IEEE.

Sun, C., Chetty, S. B., Fontanesi, G., Zhang, J., Mohajerzadeh, A., Grace, D., and Ahmadi, H. (2025). Energy consumption reduction for uav trajectory training: A transfer learning approach. In 2025 IEEE Wireless Communications and Networking Conference (WCNC), pages 1–6. IEEE.

Zhou, B., Liu, W., and Yang, H. (2023). Unmanned aerial vehicle service network design for urban monitoring. Transportation Research Part C: Emerging Technologies, 157:104406.