用于空气污染检测的无人机系统的制作方法

1.本发明涉及机器人的技术领域，尤其涉及用于空气污染检测的无人机系统。


背景技术：

2.随着自然资源的不断开发和利用，环境污染的危害也越发显露，由此引发的自然灾害逐渐增多。基于对人类生存环境和对未来经济发展的保护，要建立完善的环境和保护的机制。环境监测技术是利用科学的检测方法和手段，明确污染的准确情况，为污染治理工作提供可靠的依据以及能够较为准确的预计污染物的变化趋势，是环保工作落实的不可缺少的重要部分。
3.为获得全面的环境数据，例如空气污染、土壤环境污染、河流污染、噪音污染等，需要在检测的区域部署大量带有全球定位系统(gps)和对应污染检测传感器的设备。这些设备的广泛使用建立在部署大量传感器和边缘污染区域检测设备的基础上。一方面在污染产生的边缘端产生了大量计算任务，而这些设备的计算能力和能耗却受到极大的限制。此外，边缘污染区域检测终端节点群上计算任务分布不均匀造成本地计算资源无法适应任务处理需求。有限的计算资源和电能使边缘污染区域检测设备节点难以持续执行大量数据处理任务。另一方面这些传感器数据需要上传到云中心集中处理。但是这些设备因为部署范围之广、环境之恶劣，固定服务器无法利用移动性来接近边缘端设备，从而进一步降低设备的等待时间和能耗，需要建立网络连接来上传检测数据。针对传感器设备计算能力弱的问题，边缘计算(edge computing)被我们应用到环境污染检测中，在污染数据产生源头附近，边缘计算利用本地计算资源和边缘计算资源来执行传感器数据处理任务，以满足这些数据处理应用在计算、延迟和能耗等方面的需求。针对该种环境下的网络连接，我们使用移动边缘环境下配备计算和通信资源的无人机移动边缘服务器提供边缘区域污染检测设备的数据上传和任务卸载服务。移动环境下边缘服务器的众多研究中主要考虑将边缘计算节点部署在无人机、蜂窝塔、路边单元(rsus)以及具有网络连接的自动驾驶车辆中。其中，无人机在大量领域得到了广泛的使用，例如农业生产、自然或人为灾害监测。由于高机动性，无人飞行器(uav)通过搭载多种计算或通信资源，被极大地扩展了计算和通信的能力。通过将无人机作中继器，可以链接两个通信通道断开的用户，这提供了一种新方法来帮助本地计算资源受限用户访问远程资源；另一方面通过将数据卸载到移动边缘服务器节点可以显著改善延迟性能，然而需要考虑当通过无线网络传输数据时，增加的无线网络频谱资源的负担，数据卸载期间通信需求的急剧增加对机载网络的通信资源提出了巨大的挑战。
4.针对移动边缘计算下的污染数据处理，污染数据上传和调度策略的执行，需要针对特定计算资源，设计高效的无人机和任务分配调度策略，以保障环境污染治理的及时性，提高环境保护的效率和收效，及时提出实时的监测数据以便于有关部门进行环境保护的提前治理。
5.例如有研究无人机完全自主飞行，自适应计算机数据管道在边缘计算上对无人机实现动态和指定任务优化；研究表明，相对于本地计算，将计算任务卸载到边缘或是地面基
站的混合计算卸载，其任务执行的整体性能会更好，同时还保证了任务卸载时间和能源消耗的平衡。即计算任务一部分被卸载到无人机等服务器，一部分在本地处理。然而这些研究工作未能考虑综合利用无人机的计算能力、移动能力和基于无线信号衰减的多边缘节点通信覆盖能力，不能高效利用多层架构的资源。
6.现在针对无人机服务器的研究主要包括作为通信的数据传输中继及计算卸载的小型执行单元两个方面：
7.一方面，针对通信资源的优化。现有的研究主要集中于为处于没有通信基础设施或基础设施有限区域中的通信受限边缘设备进行数据传输和转发；借助无人机强大的移动特性收集人类难以到达环境中的有效数据；无人机群的互相通信和信息交流。虽然这些在特定领域中都对边缘设备的任务计算有一定的作用，但是仍然存在计算资源调度不充分，无人机的无线通信连接不稳定等问题。
8.另一方面，基于uav边缘服务器的任务卸载和路径优化。将无人机派往任务密集执行区域，直接在无人机搭载的计算资源中进行计算任务的处理，减少边缘节点与云端服务器的通信需求，同时也可有效改善计算任务的响应时间。通过在每个时间段共同优化无人机航迹，卸载任务的比例和用户调度变量，使每个时隙中所有用户之间的目标代价和最小化。但是，在计算卸载目的地的选择和对无人机的多地面端信号覆盖范围上未能有充分的研究。


技术实现要素：

9.基于边缘区域污染检测节点，为应对动态区域计算密集型应用，解决现有的研究方法未综合考虑无人机信号有效覆盖范围与多层系统计算资源充分利用，未能发挥出系统资源的最大性能的问题，为此，本发明提出了用于空气污染检测的无人机系统，具体方案如下：
10.用于空气污染检测的无人机系统，包括
11.云服务器端，包括云服务器，所述云服务器进行实时污染数据分析和模型的训练以及调度策略的制定；
12.移动服务器端，包括移动边缘服务器，所述移动边缘服务器利用其移动能力为计算资源不充足区域提供计算卸载和无线信号覆盖范围通信服务；
13.边缘节点端，包括边缘节点，所述边缘节点对原始污染数据进行预处理操作和将数据传输按调度策略传输到指定的上层计算资源，所述上层计算资源包括云服务器和以无人机为载体的移动边缘服务器。
14.本发明的有益效果在于：
15.(1)本发明设计了一种基于边缘区域污染检测节点，无人机移动边缘服务器和云服务器三层计算架构的深度学习协同高效调度方法，是使用配备边缘服务器的无人机在布满污染检测节点的场地中执行任务，综合考虑充分利用无人机的计算能力、移动能力和基于无线信号衰减的通信能力，高效利用多层架构的资源。通过对三层计算资源的任务卸载策略、无人机路径优化等方法，针对移动边缘环境下响应时间敏感的计算密集型任务，解决任务执行时间延迟较大和能耗较高的问题。
16.(2)本技术提出架构在基于云计算资源、移动边缘计算资源和边缘污染区域检测
终端节点计算资源所组成的三层架构上，基于无人机的特性研究了任务计算卸载策略，以实现对边缘节点、移动边缘服务器和云服务器的计算和能量资源，以及三层架构之间带宽资源的高效管理和利用。该移动服务器调度方案可以更快地服务计算密集型任务，并实现较高的资源利用率。
17.(3)本技术中的移动边缘服务器为搭载了边缘服务器和无线路由器的无人机。基于本技术中机载移动边缘服务器的时间、能耗、带宽和位置模型，获得时间、带宽、能耗和无人机位置等综合参数的资源和任务调度优化目标。
18.(4)考虑边缘区域污染检测节点信息有限的情况，本技术使用了一种空间分布估计技术，即高斯核密度估计技术，用于预测地面设备的任务量。调度算法分别实现穷举算法，贪婪算法、进化算法和深度学习算法四种混合卸载算法，在现实世界中对四种典型污染检测，即空气污染、土壤环境污染、河流污染、噪音污染进行数据分析和计算卸载的调度。
附图说明
19.图1为边缘节点层、移动边缘服务器层、云服务器层的结构示意图；
20.图2为云服务器层的结构图；
21.图3为云服务器层的工作流程图。
22.图4为移动边缘服务器层的结构图；
23.图5为移动边缘服务器层的工作流程图；
24.图6为边缘节点层的结构图；
25.图7为边缘节点层的工作流程图。
26.图中：
27.1、边缘节点端；2、移动服务器端；3、云服务器端。
具体实施方式
28.如图1所示，用于空气污染检测的无人机系统，包括：
29.云服务器端3，包括云服务器，所述云服务器进行实时污染数据分析和模型的训练以及调度策略的及时制定；
30.移动服务器端2，包括移动边缘服务器，所述移动边缘服务器利用其移动能力为计算资源不充足区域提供有效的计算卸载和无线信号覆盖范围通信服务；无人机与边缘节点间用wi
‑
fi连接，这涉及到无线信号的有效信号强度覆盖范围。
31.边缘节点端1，包括边缘节点，所述边缘节点则对原始污染数据进行合理的预处理操作和将数据传输按调度策略传输到指定的层计算资源，包括边缘节点本地设备，云服务器和以无人机为载体的移动边缘服务器。在卸载计算中，边缘计算通过启用靠近设备的边缘计算资源，为设备端提供计算资源，提高资源利用效率的同时减少对带宽和计算资源的浪费。所述边缘节点基于arm小型计算机。
32.云服务器端3、移动服务器端2、边缘节点端1形成三层架构的协同计算系统，仅使用本地计算资源(位于边缘节点层)时不需要向上层传输数据，只需考虑具体设备执行特定应用的任务计算时间和能耗。卸载计算根据计算资源和所处位置的不同分为两层，移动边缘服务器层和云服务器层。移动边缘计算层中，在边缘终端的位置确定情况下，带宽通过三
维空间中的欧式距离、路径损耗和香农定理计算得到。通过带宽的计算确定无人机信号覆盖范围和处于这个范围里面的地面节点，根据带宽得到相应的传输数据时间和任务计算时间；至于云计算层，由于云端电源是有线连接的，所以能耗方面只计算边缘终端传送数据和移动边缘服务器数据转发的传输能耗，计算方面统计云端计算时间和相应网络环境下的传输时间。系统所有边缘污染区域检测节点层上的任务和数据以及三层计算资源的量用任务分配和无人机定位算法计算得到全局计算时间和能耗归一化加权和最小的目标值，同时得到分配的具体分配策略。任务卸载时，本地计算中所有计算在本地实现，移动边缘服务器层和云服务器层卸载则都在边缘污染区域检测节点区先进行数据的提取、整理等预处理，然后再传到服务器上进行计算。并对网络连接部分作优化，来动态适应的计算环境的变化，例如边缘污染区域检测设备气息位置突发性污染数据增多。
33.本技术定义一个固定的计算周期为t秒，每个周期首先处理由边缘节点周期性向云端发出的卸载请求和设备状态信息。
34.所述云服务器端3、移动服务器端2、边缘节点端1具体结构和工作步骤如下：
35.云服务器端3：
36.如图2所示，所述云服务器端3包括依次设置的
37.接收查询模块，用于接收系统所有设备的状态和任务信息，并集中处理。
38.空间分布估计模块，使用高斯核密度估计技术来预测边缘节点层的状态和任务量信息，通过将整个区域划分为多个子区域，计算每个区域的任务量，并为子区域模块虚拟一个用户以获取位置信息和状态信息。通过对地面边缘节点信息的估计，无需实时请求设备状态信息和任务量就可以近似获得边缘检测节点的状态和数据量信息。为预测地面用户，每个用户需要周期性在处于无人机通信范围时主动报告目前为止所有状态信息和数据量信息。
39.任务资源分配和无人机定位模块，在收集需要卸载任务的请求后，以边缘节点层的所有设备和移动边缘服务器的状态信息和需要卸载的任务信息为判断依据，使用深度学习算法和进化算法来将非凸分数规划问题转化为可解形式，分解优化卸载决策和无人机定位问题，根据任务资源分配和无人机定位算法的决策结果得到任务和资源分配方案，然后将生成的任务和资源分配方案传送给指定的设备以进行任务卸载。其中转化的是目标问题，将目标问题转化为容易解决的问题；并将执行时间和能耗最小化的优化问题分成两步来解决，深度学习得到任务卸载在每层的任务量，然后再由进化算法得到无人机的位置。
40.数据流接收模块和第一任务计算模块，在云端以设备为单位，为每个设备开一个卸载进程或是执行结果收集进程。
41.其中卸载进程为某个设备被分配到云服务器上的任务量，给分配到云服务器上的任务分配计算资源和通信资源。
42.执行结果收集进程分别为某个设备被分配在边缘节点或云服务器或是移动边缘服务器的任务量，等待完成后收集执行期间的时间和能耗数据。
43.执行记录模块，在任务分配前显示各设备状态信息，执行时显示任务执行期间的设备状态和执行完成状态。接收边缘节点和移动边缘服务器的时间数据，连同云服务器的执行数据保存在日志文件中。
44.显示模块，把经处理标注出检测目标的数据流用zabbix(一种系统状态参数显示
工具)展示在主屏上。
45.所述深度学习首先使用穷举法计算一定密度下的所有可能情况，来得到处于一种情况下的最优卸载策略，将这些数据经过整理为得到训练学习模型需要的数据样本。然后通过调整网络的神经元个数、神经元层数、学习率、动量梯度下降参数和训练集排布方式和大小，用前面的数据样本训练得到合适的神经网络和参数。最后，利用训练好的学习模型在任务分配决策制定时及时得到最佳任务和资源分配策略。通过对由穷举法得到的大量决策数据进行学习，得到一系列优化参数，并保存网络和参数。在作决策时使用这些数据可以快速由输入数据得到任务和资源分配策略。
46.所述进化算法由上一步可以得到由无人机边缘服务器处理和以无人机为中继传输数据到云端的任务所分配的特定设备。这些任务的卸载都需要与无人机建立通信，无人机的悬停位置就根据这些任务的信息和其所在设备的信息使用进化算法得到。具体而言，使用连续量对无人机的三维几何坐标编码，然后将所需要用到的重组和变异算子存储在一个列表中，在进化算法的迭代过程中可以让各个染色体矩阵独立地用列表中的重组和变异算子进行重组和变异。通过迭代执行种群个体适应度评估、个体选择、染色体交叉和变异，来搜索近似全局最优解。还应用了穷举法，贪婪算法和进化算法来实现任务分配和资源调度以及无人机定位算法。最后，借助大疆无人机提供的osdk，一个用于开发无人机应用程序的开发工具包，基于osdk开发的应用程序能够运行在机载计算机上(如manifold 2)，开发者通过调用osdk中指定的接口能够获取无人机上的各类数据，经开发者设计的软件逻辑和算法框架，执行相应的计算和处理，生成对应的控制指令控制无人机执行相应的动作，实现自动化飞行等操作。编写自动飞行控制的程序控制无人机飞往卸载任务的目标地点，执行指定边缘节点设备上视频分析任务的计算卸载和转发。
47.如图3所示，所述云服务器层的工作流程如下：
48.sa1、接收查询模块接收边缘节点层设备的任务资源调度请求后，判断是否需要调度任务资源分配程序，如果需要，进入步骤sa2，如果不需要，接收查询模块重新接收调度请求；
49.sa2、空间分布估计模块计算节点任务量和位置，任务资源分配和无人机定位模块执行算法得到分配策略最佳位置，向移动边缘服务器发送任务资源分配策略和无人机最佳位置，并向边缘节点层设备发送任务分配策略；
50.sa3、判断是否收到足以启动任务资源分配和定位算法的来自于移动边缘服务器和边缘节点请求的任务信息，如果收到，进入步骤sa4，如果不能收到，继续执行步骤sa3；
51.sa4、根据分配策略为卸载到云层的任务建立处理进程，为在其他层执行的任务建立完成确认进程；
52.sa5、数据流接收模块接收边缘节点层传输来的数据流，经过第一任务计算模块的处理后，使用显示函数实时显示于主屏；
53.sa6、当前任务完成后，接收边缘节点和移动边缘服务器记录的时间和能耗数据，并记录在日志文件中；
54.sa7、执行记录模块判断是否完成全部任务，如果完成则任务结束，如果没有完成任务，返回步骤sa1.
55.移动服务器端2
56.如图4所示，所述移动服务器端2包括依次设置的：
57.状态发送模块，将本机的状态和位置信息通过移动边缘服务器与云服务器建立的通信网络连接发送给云服务器。在该实施例中，通信网络可以是4g/5g.
58.任务和资源分配以及无人机最佳位置接收和执行模块，接收云服务器的分配和定位算法模块得到的策略，并对策略进行解析得到具体的执行信息。然后通过大疆提供的osdk控制无人机动作，移动到分配的最佳悬停位置，以执行任务卸载和转发服务。
59.边缘节点数据流接收和转发模块，为卸载到无人机计算的任务和通过无人机转发到云端的任务建立数据接收和转发进程，以执行卸载和转发操作。
60.第二任务计算模块，将通过移动边缘服务器上的接收和转发模块接收的数据流在无人机搭载的边缘服务器上进行处理。
61.检测反馈模块，最后通过数据传输通道将处理的结果传到边缘节点和云服务器，实现对检测目标的实时反馈。并将执行期间的时间和能耗数据保存和上传到云端。
62.如图5所示，所述移动服务器端2的工作流程如下：
63.sb1、状态发送模块周期性向云服务器发送状态信息；
64.sb2、判断云服务器是否准备分配算法程序，如果准备分配，进入步骤sb3，如果不准备分配，返回执行步骤sb1；
65.sb3、任务和资源分配以及无人机最佳位置接收和执行模块接收云服务器发送的任务分配策略和无人机位置，然后根据任务分配策略判断是否在fes上执行，如果在fes上执行，进入步骤sb4，如果不在fes上执行，进入步骤sb5；
66.sb4、根据分配的端口号建立视频分析任务的进程，然后接收边缘服务器发送的数据流，处理后将结果返回边缘节点，然后进入步骤sb6；
67.sb5、判断边缘节点是否从无人机转发数据到云服务器，如果是，则为数据流建立从边缘节点层到云层的转发和缓冲进程，然后进入步骤sb6，如果不是，进入步骤sb6；
68.sb6、当前任务完成后，检测反馈模块发送执行时间和能耗数据给边缘节点，并记录在本机日志文件中；
69.sb7、移动边缘服务器的检测反馈模块判断是否完成全部任务，如果完成，则移动服务器端2工作结束，否则进入步骤sb1.
70.边缘节点端1
71.如图6所示，所述边缘节点端1包括依次设置的：
72.状态和任务定时发送请求模块，将边缘污染区域检测节点层设备的状态和位置信息在处于移动边缘服务器通信范围时通过指定端口周期性地发送给云服务器。
73.任务和资源分配接收和执行模块，接收云服务器的任务分配和定位算法模块得到的策略，并对策略进行解析得到具体的执行信息。
74.污染数据预处理和传送模块，为分配到本地的计算任务执行计算，并整理卸载的数据且建立与移动边缘服务器计算、移动边缘服务器转发和云服务器计算的传送进程。
75.第三任务计算模块，为分配到本地的计算任务分配计算资源以进行计算处理操作。
76.日志记录模块，将执行期间的检测时间和能耗记录保存本地和上传到云服务器。
77.如图7所示，边缘节点端1的工作流程如下：
78.sc1、周期性向云服务器发送任务资源调度请求信息；
79.sc2、接收云服务器端3是否分配任务资源，如果分配，进入步骤sc3，如果不分配，返回步骤sc1；
80.sc3、接收任务资源分配策略，建立本地执行和传送进程；
81.sc4、根据任务分配判断是否完全在本地执行，如果完全是，进入步骤sc5，否则进入步骤sc6；
82.sc5、在本地执行计算任务，并根据云服务器的ip地址和端口号在完成后发送完成信息，然后进入步骤sc7；
83.sc6、根据任务分配在本地执行指定任务量，并传送剩余量的任务到云端或无人机，然后进入步骤sc7；
84.sc7、完成任务后计算执行时间和能耗数据，发送给云服务器并在本地日志中记录，判断边缘节点是否完成全部任务，如果完成则任务结束，如果没有完成任务，返回步骤sc1。
85.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。