An Unmanned Aerial Vehicle (UAV) is an aircraft that operates without a human on-board and can be flown autonomously or controlled remotely. Due to its unmanned operation, UAVs need technologies so they can not only fly autonomously, but also communicate with base stations, flight controllers, computers, devices or even other UAVs. Traditionally, UAVs operate within unlicensed spectrum bands, competing against the increasing number of mobile devices and other wireless networks. This use could lead to interference that affect UAVs communication and problems with overcrowded spectrum. Cognitive Radio (CR) presents itself as a promising technology to solve these problems. CR provides a smart wireless communication which, instead of using a transmission frequency defined in the hardware, uses software defined radio. This allows CR to adapt its transmission frequency in a smart way, using free transmission channels and/or choosing them accordingly with the applications requirements. The combination of UAVs and CR can be used in missions where the conventional UAVs face limitations due to communication problems. Moreover, CR is considered a key enabler for adequately deploying communication paradigms that require high connectivity, such as Smart Cities, 5G, Internet of Things (IoT) and, thus, Internet of Flying Things (IoFT). Though both CR and UAVs are well-established fields of research, the combination of these two elements is little explored in literature. Therefore, this work identifies gaps and opportunities, as well as challenges on the field. Furthermore, this work contributes to the progress regarding the integration of CR and UAVs. To do so, this work presents the definition of CR technologies, as well as their integration on a real mission of data collection. This works results differ to the others on the literature in terms of, for example, highlighting the limitation in real scenario of traditionally deployed Machine Learning algorithms using simulated data on the field.

Um Veículo Aéreo Não Tripulado (VANT) é uma aeronave que opera sem um humano a bordo, podendo voar de forma autônoma ou sendo pilotada remotamente. Devido à ausência de um piloto, os VANTs necessitam de tecnologias não só para que possam voar de forma autônoma, mas também de tecnologias de comunicação robustas que permitam a eles se comunicarem, seja com estações de base, controladores de tráfego aéreo, computadores, dispositivos, ou até mesmo com outros VANTs. Tradicionalmente, os VANTs operam em bandas de espectro não licenciadas, concorrendo com o crescente número de dispositivos móveis e com outras redes sem fio. Esse uso pode levar a interferências que afetam a comunicação dos VANTs e, além disso, pode levá-los a enfrentar o problema da superlotação de espectro. Rádio Cognitivo (RC) apresenta-se como uma tecnologia promissora para a solução desses problemas. RC permite uma comunicação sem fio inteligente que, em vez de usar uma frequência de transmissão definida no hardware, utiliza software para esta definição. Isto possibilita ao RC adaptar de forma inteligente sua frequência de transmissão, utilizando canais de transmissão livres e/ou escolhendo-os de acordo com os requisitos da aplicação. A integração de VANTs e RC pode ser empregada em missões nas quais VANTs convencionais enfrentam limitações devido a problemas de comunicação. Além disso, RC é considerado um facilitador chave para a implantação satisfatória de paradigmas de comunicação que demandam alta conectividade, tais como Cidades Inteligentes, 5G, Internet das Coisas (IoT) e, consequentemente, Internet das Coisas Voadoras (IoFT). Apesar de RC e VANTs serem áreas de pesquisa bem estabelecidas, a integração dos dois é pouco explorada na literatura. Portanto, este trabalho contribui nos avanços da integração de RC a um VANT. Neste trabalho foram identificadas as lacunas e oportundiades, bem como os desafios na área. Além disso, foram definidas as tecnologias de RC, bem como a integração do mesmo em uma missão real de coleta de dados, obtendo resultados marcantes em relação aos da literatura, como no caso de algoritmos de Aprendizagem de Máquina, tradicionalmente empregados com dados simulados, mas que demonstraram limitação quando utilizados com dados reais coletados neste trabalho.