ADRL: A reconfigurable energy-efficient transmission policy for mobile LoRa devices based on reinforcement learning

Publicación del proyecto · Internet of Things

Resumen

El artículo presenta ADRL, una política de transmisión reconfigurable y energéticamente eficiente para dispositivos LoRa móviles basada en aprendizaje por refuerzo.

Mecanismo ADRL para seleccionar parámetros de transmisión LoRa — Figura 1. Mecanismo ADRL de selección de parámetros con predicción RSSI y aprendizaje por refuerzo. Fuente: Internet of Things / Elsevier; reproducida con atribución bajo CC BY 4.0.

Autores: Laura Acosta-Garcia, Juan Aznar-Poveda, Antonio Javier Garcia-Sanchez, Jakob Hollenstein, Joan Garcia-Haro, Thomas Fahringer

Revista: Internet of Things, volumen 31, artículo 101577

DOI: 10.1016/j.iot.2025.101577

Financiación: PID2023-148214OB-C21.

Indicadores bibliométricos

Cuartil JCRQ1

Factor de impacto7,1

Citas en Google Scholar10

Área JCR: Computer Science, Information Systems
Año JCR: 2025
Consulta Scholar: 26 octubre 2026

Contribución principal

La contribución permite adaptar la transmisión a las condiciones de movilidad y enlace, buscando mejorar rendimiento y consumo frente a políticas estáticas en redes LoRa.

Resultados y alcance

Las simulaciones muestran que ADRL adapta la política de transmisión de dispositivos móviles y mejora el compromiso entre entrega, energía y ocupación del canal. Su efectividad depende de la movilidad, la recompensa y la capacidad de reconfiguración, aspectos que condicionan el traslado a hardware y tráfico reales.

Relación con BoND1

Para BoND1, ADRL refuerza la línea de control adaptativo en redes IoT no celulares. La combinación de movilidad, eficiencia energética y aprendizaje automático encaja con el objetivo de desplegar conectividad B6G escalable y sostenible.

DOI

Project publication · Internet of Things

Summary

The paper presents ADRL, an energy-efficient and reconfigurable transmission policy for mobile LoRa devices based on reinforcement learning.

ADRL mechanism for selecting LoRa transmission parameters — Figure 1. ADRL parameter selection mechanism with RSSI prediction and reinforcement learning. Source: Internet of Things / Elsevier; reproduced with attribution under CC BY 4.0.

Authors: Laura Acosta-Garcia, Juan Aznar-Poveda, Antonio Javier Garcia-Sanchez, Jakob Hollenstein, Joan Garcia-Haro, Thomas Fahringer

Journal: Internet of Things, volume 31, article 101577

DOI: 10.1016/j.iot.2025.101577

Funding: PID2023-148214OB-C21.

Main contribution

The contribution allows adapting the transmission to the mobility and link conditions, seeking to improve performance and consumption compared to static policies in LoRa networks.

Results and scope

Simulations show that ADRL adapts the transmission policy of mobile devices and improves the trade-off between delivery, energy and channel occupancy. Its effectiveness depends on mobility, reward and reconfigurability, aspects that determine the transfer to real hardware and traffic.

Link with BoND1

For BoND1, ADRL reinforces the line of adaptive control in non-cellular IoT networks. The combination of mobility, energy efficiency and machine learning fits with the objective of deploying scalable and sustainable B6G connectivity.

DOI

Repositorio UPCT: https://hdl.handle.net/10317/24193