一种基于多无人机群智感知的数据采集方法与流程

1.本发明属于移动群智感知领域，具体涉及一种基于多无人机群智感知的数据采集方法。


背景技术：

2.移动群智感知利用大量的移动设备协同完成感知任务。为了提供泛在的感知服务，无人机(uav)凭借其敏捷灵活性的移动性，可快速部署在灾区等难以到达且地形复杂的区域，为移动群智感知赋予了更大的潜力。现有工作利用无人机收集数据时往往忽略其三维移动性的重要优势，固定无人机的飞行高度。这类方案简单却不够灵活，遇到障碍物绕行会带来大量额外的飞行距离，且无法通过升降高度来改变无线链路的传输速率和传输类型。另外，许多传统方案忽略地面无线设备和无人机的移动性，或假设其移动服从某一概率分布。这种忽略和假设与真实情况有所差异，因此相关的采集方案难以达到最佳效果。


技术实现要素：

3.本发明针对上述问题，提出了一种三维多无人机辅助的移动群智感知数据采集方案，用于在城市环境中从大量移动设备中收集传感数据。与现有工作相比本发明具有以下优点：1)消除了移动设备运动状态服从特定概率分布的假设，同时考虑了地面设备和无人机的真实移动情况，2)充分利用无人机的三维灵活移动，自适应地优化无人机与移动设备之间的匹配和无人机飞行轨迹，从而动态的维护高质量传输链路以更少的时间和能耗收集数据。
4.本发明通过下述技术方案实现：
5.一种基于多无人机群智感知的数据采集方法，包括以下步骤：
6.a.根据实际场景，对通信代价和能耗进行建模以构建出优化目标，实现对不同方案能耗和任务完成时间的评估；
7.b.自适应地根据所有无人机的位置、所有地面设备的位置、移动特征，完成无人机与地面设备的自适应匹配，实现总传输率最大化；
8.c.每次动态匹配后，无人机根据地理信息、匹配的所有地面设备位置、运动状态，进行航路规划，以最小的能耗和时间收集地面设备的传感数据。
9.进一步地，城市场景中车辆作为移动传感设备，动态规划多架无人机轨迹以采集车辆的传感数据，并最大限度地提高数据采集的时间效率和能量效率。
10.另一方面，本技术还涉及一种基于多无人机群智感知的数据采集方法，该方法包含以下内容：
11.基于通信建模建立无人机与地面移动设备间的自适应匹配机制；
12.基于通信建模和能耗建模规划无人机三在维空间中的飞行轨迹；
13.将整个采集过程分解为多个时隙，在每个时隙内先进行设备匹配，将每个需要上传数据的地面移动设备分配给一架无人机，然后分别规划处多架无人机在该时隙的目的
地，并迭代以上步骤；
14.本发明通过建立创新的设备匹配机制和三维无人机航路规划，解决了在城市或者其他复杂环境中地形受限、地面传感设备多、传感设备移动场景下的高效数据采集问题，同时用更合理的算法避免了贪心算法可能导致的局部最优问题。
15.对于现实场景，本发明中采用以下方式抽象：
16.如附图1所示，其中n辆配备传感和通信单元的车，作为移动传感设备在目标区域活动，可表示为v＝[v1...，v
n
]。m架无人机表示为u＝[u1...u
m
]，负责从地面车辆中收集数据。其中地面车辆的运动状态包括位置和速度是可以被无人机获取的。由于无人机和车辆均在移动，其相对位置不断变化，二者之间的链路分配和链路质量也随时间变化。在时隙t中，第i架无人机和第j台车辆的位置分别表示为p
t
(u
i
)和p
t
(v
j
)。本发明旨在最大化系统效用，即单位能量的数据速率；
[0017]
在通信建模部分，本发明建模如下：
[0018]
无人机带宽为w的无线链路采用时分多址复用均匀地分配给k辆车，其吞吐量与无人机和地面车辆的移动轨迹相关。在t时刻从地面车辆v
j
传输给无人机u
i
的数据传输率为r
t
(u
i
,v
j
)，t0时隙内上传数据总量可表示为时隙内上传数据总量可表示为其中δt为时隙长度。
[0019]
在能耗建模部分，本发明建模如下：
[0020]
本发明中车辆移动独立于系统且不受系统调度，因此不做考虑，仅计算每一时隙t内无人机飞行能耗及地面车辆的传输能耗内无人机飞行能耗及地面车辆的传输能耗其中e
t
(u
i
)表示第i架无人机在时隙t飞行耗能，p
i
表示第i辆车的传输功率，而二进制参数用于指示时隙t中v
j
的工作状态，如果v
j
已上传所有数据并停止通信，则否则，
[0021]
基于以上建模，待优化问题可以公式化为：
[0022][0023]
其中，
[0024][0025][0026]
其中d
i
是v
j
上传数据的大小,t表示所有车辆上传至无人机的数据量达到预定要求所耗费的时间,即任务完成时间，时间t中累计消耗的能量表示为e；
[0027]
本发明的数据采集方案中，d、e和t由两个因素决定：
[0028]
1)无人机和车辆在不同时隙的匹配关系λ＝{λ
t
|t＝1,2,
…
t}用m
×
n的布尔型矩阵表示如下，若u
i
在t时隙与v
j
匹配，则否则为0；
[0029][0030]
2)由一系列无人机停止点组成的轨迹μ＝[p
t
(u
i
)|u
i
∈u,t＝1,2,
…
]，其中p
t
(u
i
)
是第i台无人机在时隙t的位置。
[0031]
优化指标d/et的值越大，意味着用更少的时间t和更少的能耗e采集到更多的数据d。由于d/t可看作平均数据传输率d/et可重定义为代表单位能耗的数据速率。原始问题转换为最大限度提高单位能耗的数据传输率。
[0032]
本发明的无人机与车辆匹配机制原理如下：
[0033]
每个地面车辆需匹配一架无人机以传输传感数据,由于无人机和车辆的移动性，最佳匹配是随时间变化的，且贪心地选择提供数据率最高的无人机会导致陷入局部最优。因此，本发明提出了一种自适应匹配机制，以提高所有设备的总数据率。t时隙各设备间的数据率可以记为m
×
n的矩阵
[0034][0035]
r
i,j
表示在时隙t内v
j
独占u
i
的情况下，u
i
和v
j
之间的实际传输速率。t时隙匹配问题可构建为：
[0036][0037][0038][0039][0040]
r
t
表示全部的无人机提供的总数据速率，约束条件确保每辆车仅匹配一架无人机传输数据，并防止无人机空载。
[0041]
每辆车根据所有无人机可为其提供的数据率构建候选无人机集合cu
j
＝{cu
j,1
，cu
j,2
…
},集合中每个元素代表一架无人机，按数据率降序排列。先将每辆车分配给可为其提供最大的数据率的无人机，则无人机i匹配到的候选车辆集为cv
i
＝{cv
i,1
，cv
i,2
…
}。每个元素cv
i,j
表示一辆车，集中的元素根据相应的数据率升序排列。去除候选集合中首个元素cv
i,1
后，u
i
提供的总数据速率不会降低。故对本发明提出如下匹配算法：
[0042]
第1步：每辆车与候选集中第一个元素匹配并删除此元素，由此形成无人机的候选车辆集合，按数据率升顺序排序。
[0043]
第2步：构建出无人机出事候选集，并计算总数据传输速率。
[0044]
第3步：删除无人机u
i
的第一个候选车cv
i,1
,并定义布尔信号better为0。
[0045]
第4步：将cv
i,1
所代表的车辆v
j
与其新的最优候选无人机(即cu
j
中第一个元素)匹配，并计算数据传输速率的增量。
[0046]
第5步：如果数据速率增量之和大于0，则接受新的匹配并返回到第3步，否则前往第6步。
[0047]
第6步：如果当前的则返回到第4步。否则，将v
j
返回cv
i
并前往第7步。
[0048]
第7步：如果i＝m，结束算法并输出最终匹配。否则令i＝i 1，返回第3步。
[0049]
本发明的无人机3d导航机制原理如下：
[0050]
由于无人机最高速度v
max
和时隙长度δt确定，无人机在一个时隙内可到达空间为半径等于δt
·
v
max
的球体。导航问题定义如下：
[0051][0052]
s.t.‖p
t 1
(u
i
)
‑
p
t
(u
i
)‖2≤δt
·
v
max
[0053][0054]
d
t
(u
i
)和e
t
(u
i
)分别表示无人机的收集数据量和能耗。j表示与u
i
匹配的车辆数，p
t
(u
i
)表示u
i
在时隙t开始时的位置。由于dt(ui)和et(ui)的变化范围在不同尺度，为避免e
t
(u
i
)变化过大而淹没d
t
(u
i
)变化的影响，引入平衡系数c
e
来调节能源消耗变化的比例。c
e
的更高的值意味着优化目标对数据速率更敏感。
[0055]
本发明提出的无人机航路规划采用多个搜索代理，可以探索可行解空间，均衡数据传输和能耗。每轮迭代，每个代理以动态的半径搜索无人机附近三维空间。若当前迭代中发现更合适的目的地，搜索中心将向其迁移，并在下一轮迭代中扩大搜索半径以保证搜索的广泛性性。若未发现更好的位置，则当前搜索过于粗糙，应缩小搜索半径提升精细度。
[0056]
此外，为避免飞行越界或遇到障碍物，每轮迭代更新前应进行边界检测，具体如下：1)对于超出可到达空间的搜索代理，将在当前搜索中心和边界之间生成新的坐标，以替换越界代理。2)对于进入障碍物的违规代理，绘制以原始搜索中心为球心的辅助球体，半径为搜索中心与违规代理之间的距离。辅助球体和障碍物之间的多个交叉点均在可达空间内，选择最接违规代理的交叉点作为更正目的地。
附图说明
[0057]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0058]
图1是本发明的工作场景示意图。
[0059]
具体实施方法
[0060]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本说明书发明的限定。
[0061]
实施例1
[0062]
一种基于多无人机群智感知的数据采集方法，包括以下步骤：
[0063]
a.根据实际场景，对通信代价和能耗进行建模以构建出优化目标，实现对能耗和任务完成时间的优化
[0064]
b.自适应地根据所有无人机的位置、所有地面移动设备的位置、移动特征，完成无人机与地面设备的动态匹配，实现总传输率最大化
[0065]
c.每次动态匹配后，无人机根据地理信息、匹配的所有车辆位置、运动状态，进行航路规划，以最小的能耗和时间收集地面设备的传感数据。
[0066]
本发明提出的多无人机群智感知数据采集方案利用无人机3d移动性和灵活部署的优势，自适应地根据地面移动车辆的运动信息进行设备的动态匹配以最大程度提升数据
传输率。同时根据匹配情况实时规划无人机的3d飞行轨迹，以更短的时间更低的能耗从大量移动车辆中收集更多的数据。
[0067]
实施例2
[0068]
根据上述实施例的原理，本实施例公开一具体实现方式。
[0069]
本方案实施于城市场景，车辆装载传感器采集数据，并通过无线链路上传数据和运动信息，多架无人机移动在目标区域上空从地面车辆中收集传感数据。
[0070]
首先根据香农定理和弗里斯传输公式计算数据收集量
[0071][0072][0073]
l
t
(u
i
,v
j
)＝l
free
p
los
·
l
los
(1
‑
p
los
)
·
l
nlos
[0074][0075][0076]
其中δt表示时隙长度，w为无人机带宽，pow
j
是车辆v
j
的传输功率,σ是噪声功率谱密度；α和β是由目标区域总面积、建筑面积、建筑物数量和建筑物高度分布确定的环境参数；θ
i,j
表示车辆v
j
与无人机u
i
的仰角，c
f
为载波频率，v
c
是光速；l
t
(u
i
,v
j
)为预期路径损耗，l
free
、l
los
、l
nlos
分别表示真空中、视距内传输、非视距传输的路径损耗；p
los
为视距内通信的概率。
[0077]
任一时隙能耗计算如下
[0078][0079][0080][0081][0082][0083]
其中e
t
(u
i
)为无人机能耗，通过无人机速度和发动机推力计算。e
t
(v)为车辆传输能耗，取决于的活跃车辆数量。c
bd
和c
p
分别为转子叶片的阻力系数和推进系数。
s
d
和γ分别指示转子的总圆盘面积和固体，ε是诱导功率的修正因子。ρ表示空气密度，s分别是无人机的等效平面面积。m和g表示无人机质量和重力加速度。
[0084]
a.每一时隙开始时，根据计算出的车辆与无人机之间的数据传输率进行匹配，将每辆车指派给唯一无人机进行数据传输。如下算法1所示。
[0085][0086]
b.基于通信建模和能耗建模，匹配方案确定后三维无人机航路规划问题的表述如下，旨在最大化能量时间效益：
[0087][0088]
s.t.‖p
t 1
(u
i
)
‑
p
t
(u
i
)‖2≤δt
·
v
max
[0089][0090]
其中，t时隙无人机位置为p
t
(u
i
),传输数据量为d
t
(u
i
)，能耗为e
t
(u
i
)。无人机最大速度v
max
和时隙长度δt约束了飞行距离，因此采用如下算法2优化位置。
[0091][0092]
本发明具有如下的优势：其一，本发明对通信和能耗建模后，定义优化指标为每单位能耗的数据传输速率，避免了采集数据时为节约能耗或时间指标而造成另一指标的极端值。其二，动态匹配机制能够适应实时网络变化和设备移动性，从而充分利用无人机提供更高的数据采集效率。其三，利用无人机的三维移动灵活性优化航行轨迹，避免了二维规划方案中的能量和时间的浪费，以降低了采集任务的时间成本和能耗。
[0093]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。