CN108234316A - 一种基于立方体空间区域划分的无人机网络路由选取方法 - Google Patents
一种基于立方体空间区域划分的无人机网络路由选取方法 Download PDFInfo
- Publication number
- CN108234316A CN108234316A CN201711281440.9A CN201711281440A CN108234316A CN 108234316 A CN108234316 A CN 108234316A CN 201711281440 A CN201711281440 A CN 201711281440A CN 108234316 A CN108234316 A CN 108234316A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- node
- small cubes
- plane node
- position coordinates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于立方体空间区域划分的无人机网络路由选取方法,属于无线通信技术领域。本发明建立了无人机网络空间区域划分模型,将无人机网络空间区域假定为长方体,并划分为若干个小立方体,每个小立方体的边长由无人机最大通信距离确定;然后基于小立方体进行路由选择、最优无人机节点选择和求解最优路径。由于每个立方体中的无人机节点数量在很长一段时间内都保持稳定,所以更加适应于网络拓扑动态变化的多无人机网络,提高了路由的稳定性,克服了无人机的高速移动性对路由稳定性的影响,进一步提高无人机网络的服务质量。
Description
技术领域
本发明属于无线通信技术领域,涉及无人机网络路由算法的研究,具体是指一种基于立方体空间区域划分的无人机网络路由选取方法。
背景技术
随着社会信息化进程的不断发展和完善,通信系统的结构已经越来越向着立体化发展,人们已经不能满足于现有的基于地面通信和卫星通信所带来的便利。而具有自主飞行能力的无人驾驶飞机(UAV)由于具有快速部署和灵活组网的能力,在公用和民事领域均具有巨大的潜力,尤其是在对人类生命安全有威胁的领域,如应急通信、环境监测、边境监视和检测、航空摄影以及灾难中的幸存者搜索和救援等。
与单一无人机系统相比,多无人机系统能够更有效、更经济地完成任务。但由于无人机的高速移动性,会导致无人机系统网络拓扑结构的动态变化,这会使无人机的通信链路不稳定。因此,如何设计出高鲁棒性的无人机路由选择算法是一个亟待解决的重要问题。现有的无人机系统网络路由协议都未深入考虑无人机的快速移动性对路由算法稳定性的影响。而且还忽略了无人机网络空间的三维立体特性,这是不现实的,因为实际上无人机应在三维空间中移动。
现有的多无人机系统的网络路由协议,存在以下两个方面的提升空间。第一,目前的无人机路由算法没有考虑多无人机网络三维立体特性。第二,现有的无人机路由算法没有深入考虑无人机的快速移动性对路由算法稳定性的影响。
发明内容
本发明主要目的是解决在多无人机组网场景下,由于无人机的高移动性所导致通信链路不稳定的问题。考虑服务需求的不确定性,以及多无人机系统的网络拓扑动态变化特性和三维立体特性,进一步考虑了无人机的快速移动性和路由跳数问题,提出了一种基于立方体空间区域划分(CSRP)的无人机网络路由选取方法,通过将无人机网络空间划分为多个小立方体来最大限度地减少传输延迟、传输延迟抖动和增大化数据包传输率,基于最大传输概率得到最优的路由,很大程度上提高了无人机路由的稳定性和通信链路的可靠性,进一步提高无人机网络的服务质量。
具体的,本发明提供的一种基于立方体空间区域划分的无人机网络路由选取方法,包括如下步骤:
第一步,建立无人机网络空间区域划分模型。
第二步,基于小立方体的路由选择。
第三步,小立方体中最优无人机节点的选择。
第四步、求解最优路径。
本发明的优点在于:
与现有技术相比,本发明深入考虑了多无人机网络的三维立体特性和拓扑结构的快速变化性。基于无人机的最大通信距离将无人机网络空间分割成多个长度为L小立方体,并基于最大的传输成功概率得到最优的立方体路径,再基于端到端传输成功概率最大,在最优立方体路径中的每个立方体中选择一个合适的路由节点,从而得到了无人机网络路由。由于每个立方体中的无人机数量在很长一段时间内都保持稳定,所以更加适应于网络拓扑动态变化的多无人机网络,提高了路由的稳定性,克服了无人机的高速移动性对路由稳定性的影响。
附图说明
图1为本发明中立方体空间区域划分的无人机网络空间区域划分模型示意图。
图2为CSRP模型中有效通信距离和立方体长度模型示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
本发明提供一种基于立方体空间区域划分的无人机网络路由选取方法,首先将无人机网络空间分割成很多个小立方体,先将每一个小立方体视为一个整体,基于最大的端到端(源节点到目的节点)连接成功概率得到最优的小立方体路由。然后基于最大的信息成功传输概率在每个小立方体中选择最优的无人机节点,得到最优的无人机节点路由。由于每个小立方体中的无人机数量在一定时间内是稳定的,所以当无人机节点快速移动时,只需要在每个小立方体中重新选择最优的无人机节点,在一定程度上保证了路由的稳定性。
具体地,所述的基于立方体空间区域划分的无人机网络路由选取方法,包括如下步骤:
第一步、建立无人机网络空间区域划分模型。
考虑一个三维立体的无人机网络空间,多个无人机随机分布在三维无人机网络空间中,且假设无人机类型一致,通信能力相同,移动速度从0到Vmax随机选择,如图1所示。将无人机看成无人机网络空间中的一个节点,无人机节点之间的最小的安全距离为Lmin。所有无人机均采用全向通信,即满足通信距离的无人机节点之间均可实现通信。
假设无人机网络空间符合自由空间模型,且忽略任意两个无人机节点之间的干扰。则无人机节点i向无人机节点j传输信号的信号噪声比SNRij的计算公式为:
其中,Pij表示无人机节点i向无人机节点j传输信号的信号功率,dij表示无人机节点i和无人机节点j之间的初始距离,α为大尺度衰落模型的衰减指数,Hij表示小尺度衰落信道的功率增益,N0表示无人机节点i和无人机节点j传输信号的信道中的高斯白噪声,且N0服从(0,N)分布,N为方差。
则无人机节点i向无人机节点j传输信号的传输成功概率为:
其中,η表示信噪比阈值。
为了保证无人机节点i和无人机节点j之间通信链路的服务质量QoS,信号的传输成功概率应满足:
P(SNRij≥η)≥ψ (3)
其中,ψ表示QoS在信噪比传输概率上的约束阈值,传输成功概率大于此约束阈值时信号才能被成功接收。
从公式(2)可以看出,当信号功率Pij、信道中的高斯白噪声N0、衰减指数α一定时,当信号的传输成功概率P(SNRij≥η)=ψ时,可以得到无人机节点之间的最大通信距离dmax为:
在本发明中,首先需要将无人机网络空间分割成若干个小立方体,且需保证任意两个相邻小立方体的连通性,即要求存在于任意两个相邻的小立方体中的任意两个无人机节点之间可以实现正常通信,就是要求存在于任意两个相邻小立方体中的任意两个无人机节点之间的距离不能大于无人机节点的最大通信距离dmax。如图2所示,存在于任意两个相邻小立方体中的任意两个无人机节点之间的最大距离为两倍的对角线长度,即要求
所以小立方体的边长L为:
假定无人机网络空间为长为Ll、宽为Lw、高为Lh(Lh满足L≤Lh≤2L)的大长方体,则无人机网络空间(大长方体)可以被分割为个边长为L的小立方体,如图1所示,令源节点所在小立方体的位置坐标为原点坐标(0,0,0),每一个中心点坐标为(x,y,z)的小立方体的位置坐标为(i,j,k):
即用坐标(i,j,k)来表示分割后的小立方体的位置,x和y分别为长度和宽度方向,z轴为高度方向。
第二步、基于小立方体的路由选择。
在本发明所设计的路由选择算法中,首先基于最大连接成功概率选择出最优的小立方体路径。为了减少由于无人机网络路由中继点个数过多造成的延迟,所以在本发明中假设无人机路由的最大跳数为4。定义源节点S所在小立方体的位置坐标为gS(i,j,k),定义目标节点D所在小立方体的位置坐标为gD(i,j,k)。
源节点S一跳可到达的小立方体的位置坐标gS1(i,j,k)应满足:max|gS(i,j,k)-gS1(i,j,k)|=1。
源节点S两跳可到达的小立方体的位置坐标gS2(i,j,k)应满足max|gS(i,j,k)-gS2(i,j,k)|=2。
源节点S三跳可到达的小立方体的位置坐标gS3(i,j,k)应满足max|gS(i,j,k)-gS3(i,j,k)|=3,
目标节点D一跳可到达的小立方体位置坐标gD1(i,j,k)应满足max|gD(i,j,k)-gD1(i,j,k)|=1,
目标节点D两跳可到达的小立方体的位置坐标gD2(i,j,k)应满足max|gD(i,j,k)-gD2(i,j,k)|=2,
目标节点D三跳可到达的小立方体的位置坐标gD3(i,j,k)应满足max|gD(i,j,k)-gD3(i,j,k)|=3,以此类推。
假设信息通过无人机网络空间中每个无人机节点时传输失败的概率相同且定义为p,若第i跳到达的小立方体中无人机节点的数量为Ci,则信息通过这个小立方体传输失败的概率为
端到端(源节点到目标节点)连接成功的概率PC计算公式如下:
其中,h是端到端的跳数,Ci是第i跳到达的小立方体中无人机节点的数量。基于公式(7),当第i跳到达的小立方体中无人机节点数量增加时,端到端连接成功的概率PC也会增加。
下面详细介绍基于网络空间区域划分的小立方体路由选择算法:
假设无人机路由的最大跳数为4,
(1)当源节点到目标节点之间跳数h=1时,源节点可以直接与目标节点实现通信。
(2)当源节点到目标节点之间跳数h=2时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)的小立方体集合GS1和位置坐标为gD1(i,j,k)的小立方体集合GD1的交集之中,通过使端到端连接成功的概率PC最大化来选择出最优的第一跳到达的小立方体,从而得到最优路径。
(3)当源节点到目标节点之间跳数h=3时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)的小立方体集合GS1和位置坐标为gD2(i,j,k)的小立方体集合GD2的交集之中。同理,第二跳到达的小立方体应在位置坐标为gS2(i,j,k)小立方体集合GS2和位置坐标为gD1(i,j,k)的小立方体集合GD1的交集之中。如果选择第一跳到达的小立方体的位置坐标为gone-hop(i,j,k),则第二跳到达的小立方体的位置坐标gtwo-hop(i,j,k)应满足|gone-hop(i,j,k)-gtwo-hop(i,j,k)|=1,遍历所有符合条件的小立方体路径,通过使端到端连接成功的概率PC最大化来选择出最优的第一跳和第二跳到达的小立方体,从而得到最优的路径。
(4)当源节点到目的节点之间跳数h=4时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)小立方体集合GS1和位置坐标为gD3(i,j,k)的小立方体集合GD3的交集之中,如果选择的第一跳到达的小立方体的位置坐标为gone-hop(i,j,k),接下来的过程和(3)类似,遍历所有符合条件的小立方体,通过使端到端连接成功的概率PC最大化来来选择出最优的第一跳、第二跳和第三跳到达的小立方体,从而得到最优的路径。
在此步骤中,通过使端到端连接成功的概率PC最大,可以得到最优的小立方体路由。另一个重要问题是如何在选择的小立方体中找到最优的无人机节点,得到最终的无人机节点路由。因此将在第三步中选择出每个小立方体中最优的无人机节点。
第三步、小立方体中最优无人机节点的选择。
本发明中考虑了无人机节点的移动性所产生的影响,选择端到端(源节点到目标节点)信息传输成功概率作为无人机节点选择的关键指标。
首先定义一个时间ΔT(满足),Lmin为任意两个无人机节点之间的最小安全距离,Δdij表示在ΔT时间内无人机节点i和无人机节点j的距离变化量,Vmax表示无人机节点的最大移动速度。即在时间ΔT内,两个无人机节点之间距离的变化小于假设在ΔT这一时间段内无人机节点移动速度不变,则ΔT后无人机节点i和无人机节点j之间的距离变化为:
其中,Δdx(t)=(xi+Vixt)-(xj+Vjxt),Δdy(t)=(yi+Viyt)-(yj+Vjyt),
Δdz(t)=(zi+Vizt)-(zj+Vjzt)。
(xi,yi,zi)表示无人机节点i的初始位置坐标,(Vix,Viy,Viz)表示无人机节点i的移动速度。
(xj,yj,zj)表示无人机节点j的初始位置坐标,(Vjx,Vjy,Vjz)表示无人机节点j的移动速度。联系公式(2)可以得到,无人机节点i和无人机节点j之间信号的传输成功概率为:
则无人机节点i和无人机节点j在ΔT时间内距离变化量为:
其中:
所以根据公式(9)我们可以得到:
从公式(11)可以看出P(SNRij≥η)的关键影响因素为初始距离dij、距离变化量Δdij和信噪比阈值η。
由二项式展开得:
注:因为所以所以可以忽略三次项及更高次项。
Lmin为节点之间的最小的安全距离,所以Lmin≤dij,所以可得到
由公式(11)和(12)可得在ΔT时间段内无人机节点i和无人机节点j之间信号的传输成功概率简化为:
其中:
由于端到端之间信号的传输成功概率应为信息经过每跳节点的传输成功概率P(SNRith-hop≥η)的乘积,如公式(14)中得PE2E所示。
基于公式(13)和(14),端到端信号的传输成功概率PE2E简化为公式(15):
其中,dith-hop表示第i跳无人机节点与第i-1跳无人机节点的距离。
至此我们已经得到了源节点到目标节点(即端到端)信号的传输成功概率计算公式,应用此公式,遍历所有路径,即可得到最优的无人机节点路径。
第四步、求解最优路径。
假设在第一跳到达的小立方体中有m(m>0)个无人机节点,在第二跳到达的小立方体中有n(n>0)个无人机节点,在第三跳到达的小立方体中有k(k>0)个无人机节点。所有可能的路由数目s为m*n*k。
当每个小立方体中的无人机节点的初始位置和速度已知,s*t参数矩阵PARs×t(Pij)的行s表示第几条路由、列t表示每个路由的第几跳无人机节点。矩阵元素Pij=Pi(SNRjth-hop≥η)表示信号通过第i条路由中第j跳节点时的传输成功概率。每个路由的端到端信息传输成功概率由PEs×1(PEi1)表示,则有,
PARs×t(Pij)={Pij,Pij=Pi(SNRjth-hop≥η)} (16)
其中,Ss×1表示一个所有元素为1的s*1的矩阵。所以,可以得到最大的端到端信号的传输成功概率PE2Emax和最优的路由N如下:
PE2Emax=max(PEs×1(PEi1)) (18)
N=arg max(PEs×1(PEi1)) (19)
最终得到最优的无人机路由N,且在一定时间内小立方体中的无人机节点数量稳定,所以在一定程度上保证了路由的稳定性。
Claims (4)
1.一种基于立方体空间区域划分的无人机网络路由选取方法,其特征在于:包括如下步骤,
第一步,建立无人机网络空间区域划分模型;
假设多个无人机随机分布在三维的无人机网络空间中,且无人机类型一致,通信能力相同,移动速度从0到Vmax随机选择,将无人机看成无人机网络空间中的一个节点,无人机节点之间的最小的安全距离为Lmin,所有无人机均采用全向通信,即满足通信距离的无人机节点之间均可实现通信;
假设无人机网络空间符合自由空间模型,且忽略任意两个无人机节点之间的干扰,则无人机节点i向无人机节点j传输信号的信号噪声比SNRij的计算公式为:
其中,Pij表示无人机节点i向无人机节点j传输信号的信号功率,dij表示无人机节点i和无人机节点j之间的初始距离,α为大尺度衰落模型的衰减指数,Hij表示小尺度衰落信道的功率增益,N0表示无人机节点i和无人机节点j传输信号的信道中的高斯白噪声,且N0服从(0,N)分布,N为方差;
则无人机节点i向无人机节点j传输信号的传输成功概率为:
其中,η表示信噪比阈值;
为了保证无人机节点i和无人机节点j之间通信链路的服务质量QoS,信号的传输成功概率应满足:
P(SNRij≥η)≥ψ (3)
其中,ψ表示QoS在信噪比传输概率上的约束阈值,传输成功概率大于此约束阈值时信号才能被成功接收;
根据公式(2),当信号功率Pij、信道中的高斯白噪声N0、衰减指数α一定时,当信号的传输成功概率P(SNRij≥η)=ψ时,得到无人机节点之间的最大通信距离dmax为:
假定无人机网络空间为长为Ll、宽为Lw、高为Lh的大长方体,Lh满足L≤Lh≤2L,则无人机网络空间被分割为个边长为L的小立方体,所述小立方体的边长L为:
第二步,基于小立方体的路由选择;
第三步,小立方体中最优无人机节点的选择;
第四步、求解最优路径。
2.根据权利要求1所述的一种基于立方体空间区域划分的无人机网络路由选取方法,其特征在于:第二步所述的基于小立方体的路由选择,具体如下:
假设无人机路由的最大跳数为4,定义源节点S所在小立方体的位置坐标为gS(i,j,k),定义目标节点D所在小立方体的位置坐标为gD(i,j,k);
源节点S一跳到达的小立方体的位置坐标gS1(i,j,k)应满足:max|gS(i,j,k)-gS1(i,j,k)|=1;
源节点S两跳到达的小立方体的位置坐标gS2(i,j,k)应满足max|gS(i,j,k)-gS2(i,j,k)|=2;
源节点S三跳到达的小立方体的位置坐标gS3(i,j,k)应满足max|gS(i,j,k)-gS3(i,j,k)|=3;
目标节点D一跳到达的小立方体位置坐标gD1(i,j,k)应满足max|gD(i,j,k)-gD1(i,j,k)|=1;
目标节点D两跳到达的小立方体的位置坐标gD2(i,j,k)应满足max|gD(i,j,k)-gD2(i,j,k)|=2;
目标节点D三跳到达的小立方体的位置坐标gD3(i,j,k)应满足max|gD(i,j,k)-gD3(i,j,k)|=3;
以此类推;
假设信息通过无人机网络空间中每个无人机节点时传输失败的概率相同且定义为p,若第i跳到达的小立方体中无人机节点的数量为Ci,则信息通过这个小立方体传输失败的概率为
端到端连接成功的概率PC计算公式如下:
其中,h是端到端的跳数,Ci是第i跳到达的小立方体中无人机节点的数量;基于公式(7),当第i跳到达的小立方体中无人机节点数量增加时,端到端连接成功的概率PC也会增加;
源节点到目标节点之间跳数h分如下四种情况:
(1)当源节点到目标节点之间跳数h=1时,源节点直接与目标节点实现通信;
(2)当源节点到目标节点之间跳数h=2时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)的小立方体集合GS1和位置坐标为gD1(i,j,k)的小立方体集合GD1的交集之中,通过使端到端连接成功的概率PC最大化来选择出最优的第一跳到达的小立方体,从而得到最优路径;
(3)当源节点到目标节点之间跳数h=3时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)的小立方体集合GS1和位置坐标为gD2(i,j,k)的小立方体集合GD2的交集之中;同理,第二跳到达的小立方体应在位置坐标为gS2(i,j,k)小立方体集合GS2和位置坐标为gD1(i,j,k)的小立方体集合GD1的交集之中;如果选择第一跳到达的小立方体的位置坐标为gone-hop(i,j,k),则第二跳到达的小立方体的位置坐标gtwo-hop(i,j,k)应满足|gone-hop(i,j,k)-gtwo-hop(i,j,k)|=1,遍历所有符合条件的小立方体路径,通过使端到端连接成功的概率PC最大化来选择出最优的第一跳和第二跳到达的小立方体,从而得到最优的路径;
(4)当源节点到目的节点之间跳数h=4时,第一跳到达的小立方体应在位置坐标为gS1(i,j,k)小立方体集合GS1和位置坐标为gD3(i,j,k)的小立方体集合GD3的交集之中,如果选择的第一跳到达的小立方体的位置坐标为gone-hop(i,j,k),接下来的过程同(3),遍历所有符合条件的小立方体,通过使端到端连接成功的概率PC最大化来选择出最优的第一跳、第二跳和第三跳到达的小立方体,从而得到最优的路径。
3.根据权利要求1所述的一种基于立方体空间区域划分的无人机网络路由选取方法,其特征在于:第三步具体为,
首先定义一个时间ΔT,满足Lmin为任意两个无人机节点之间的最小安全距离,Δdij表示在ΔT时间内无人机节点i和无人机节点j的距离变化量,Vmax表示无人机节点的最大移动速度,即在时间ΔT内,两个无人机节点之间距离的变化小于假设在ΔT这一时间段内无人机节点移动速度不变,则ΔT后无人机节点i和无人机节点j之间的距离变化为:
其中,Δdx(t)=(xi+Vixt)-(xj+Vjxt),Δdy(t)=(yi+Viyt)-(yj+Vjyt),
Δdz(t)=(zi+Vizt)-(zj+Vjzt);
(xi,yi,zi)表示无人机节点i的初始位置坐标,(Vix,Viy,Viz)表示无人机节点i的移动速度;
(xj,yj,zj)表示无人机节点j的初始位置坐标,(Vjx,Vjy,Vjz)表示无人机节点j的移动速度;则无人机节点i和无人机节点j之间信号的传输成功概率表示为:
无人机节点i和无人机节点j在ΔT时间内距离变化量为:
其中:
根据公式(9)得到:
从公式(11)看出,P(SNRij≥η)的关键影响因素为初始距离dij、距离变化量Δdij和信噪比阈值η;
由二项式展开得:
根据公式(11)和(12),在ΔT时间段内无人机节点i和无人机节点j之间信号的传输成功概率简化为:
其中:
由于端到端之间信号的传输成功概率应为信息经过每跳节点的传输成功概率P(SNRith-hop≥η)的乘积,如公式(14)中得PE2E所示:
基于公式(13)和(14),端到端信号的传输成功概率PE2E简化为公式(15):
其中,dith-hop表示第i跳无人机节点与第i-1跳无人机节点的距离。
4.根据权利要求1所述的一种基于立方体空间区域划分的无人机网络路由选取方法,其特征在于:第四步具体为,
当每个小立方体中的无人机节点的初始位置和速度已知,s*t参数矩阵PARs×t(Pij)的行s表示第几条路由、列t表示每个路由的第几跳无人机节点;矩阵元素Pij=Pi(SNRjth-hop≥η)表示信号通过第i条路由中第j跳节点时的传输成功概率,每个路由的端到端信息传输成功概率由PEs×1(PEi1)表示,则有,
PARs×t(Pij)={Pij,Pij=Pi(SNRjth-hop≥η)} (16)
其中,Ss×1表示一个所有元素为1的s*1的矩阵,所以,得到最大的端到端信号的传输成功概率PE2Emax和最优的路由N如下:
PE2Emax=max(PEs×1(PEi1)) (18)
N=arg max(PEs×1(PEi1)) (19)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281440.9A CN108234316B (zh) | 2017-12-07 | 2017-12-07 | 一种基于立方体空间区域划分的无人机网络路由选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281440.9A CN108234316B (zh) | 2017-12-07 | 2017-12-07 | 一种基于立方体空间区域划分的无人机网络路由选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108234316A true CN108234316A (zh) | 2018-06-29 |
CN108234316B CN108234316B (zh) | 2019-05-31 |
Family
ID=62653368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711281440.9A Active CN108234316B (zh) | 2017-12-07 | 2017-12-07 | 一种基于立方体空间区域划分的无人机网络路由选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108234316B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262567A (zh) * | 2019-06-27 | 2019-09-20 | 深圳市道通智能航空技术有限公司 | 一种路径中继点空间生成方法、装置和无人机 |
CN112578685A (zh) * | 2020-12-10 | 2021-03-30 | 沈阳航空航天大学 | 一种基于级联故障的无人机集群对抗仿真方法 |
CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
CN112817327A (zh) * | 2020-12-30 | 2021-05-18 | 北京航空航天大学 | 一种通信约束下的多无人机协同搜索方法 |
CN117312687A (zh) * | 2023-11-01 | 2023-12-29 | 杭州柏源科技有限公司 | 一种无人机网络中进行时空范围查询处理的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105792309A (zh) * | 2016-02-26 | 2016-07-20 | 江苏省新通智能交通科技发展有限公司 | 面向节能的基于博弈论QoS感知无人机群通信路由方法 |
CN106658537A (zh) * | 2016-12-07 | 2017-05-10 | 北京大学深圳研究生院 | 构建无人机自组织网络节点的三维时空相关群组移动模型的方法及系统 |
US20170193830A1 (en) * | 2016-01-05 | 2017-07-06 | California Institute Of Technology | Controlling unmanned aerial vehicles to avoid obstacle collision |
CN107360093A (zh) * | 2017-07-19 | 2017-11-17 | 哈尔滨工业大学深圳研究生院 | 无人机与卫星混合网络通信路由方法及系统 |
-
2017
- 2017-12-07 CN CN201711281440.9A patent/CN108234316B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170193830A1 (en) * | 2016-01-05 | 2017-07-06 | California Institute Of Technology | Controlling unmanned aerial vehicles to avoid obstacle collision |
CN105792309A (zh) * | 2016-02-26 | 2016-07-20 | 江苏省新通智能交通科技发展有限公司 | 面向节能的基于博弈论QoS感知无人机群通信路由方法 |
CN106658537A (zh) * | 2016-12-07 | 2017-05-10 | 北京大学深圳研究生院 | 构建无人机自组织网络节点的三维时空相关群组移动模型的方法及系统 |
CN107360093A (zh) * | 2017-07-19 | 2017-11-17 | 哈尔滨工业大学深圳研究生院 | 无人机与卫星混合网络通信路由方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262567A (zh) * | 2019-06-27 | 2019-09-20 | 深圳市道通智能航空技术有限公司 | 一种路径中继点空间生成方法、装置和无人机 |
CN110262567B (zh) * | 2019-06-27 | 2022-04-15 | 深圳市道通智能航空技术股份有限公司 | 一种路径中继点空间生成方法、装置和无人机 |
CN112578685A (zh) * | 2020-12-10 | 2021-03-30 | 沈阳航空航天大学 | 一种基于级联故障的无人机集群对抗仿真方法 |
CN112578685B (zh) * | 2020-12-10 | 2022-04-26 | 沈阳航空航天大学 | 一种基于级联故障的无人机集群对抗仿真方法 |
CN112737837A (zh) * | 2020-12-28 | 2021-04-30 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
CN112737837B (zh) * | 2020-12-28 | 2021-09-14 | 北京邮电大学 | 一种高动态网络拓扑下无人机群带宽资源分配方法 |
CN112817327A (zh) * | 2020-12-30 | 2021-05-18 | 北京航空航天大学 | 一种通信约束下的多无人机协同搜索方法 |
CN117312687A (zh) * | 2023-11-01 | 2023-12-29 | 杭州柏源科技有限公司 | 一种无人机网络中进行时空范围查询处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108234316B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234316B (zh) | 一种基于立方体空间区域划分的无人机网络路由选取方法 | |
Arafat et al. | Localization and clustering based on swarm intelligence in UAV networks for emergency communications | |
Yassein et al. | Flying ad-hoc networks: Routing protocols, mobility models, issues | |
Lin et al. | A shortest path routing algorithm for unmanned aerial systems based on grid position | |
CN110995333B (zh) | 一种分簇QoS路由设计方法 | |
Kumar et al. | 3D location oriented routing in flying ad-hoc networks for information dissemination | |
Toorchi et al. | Skeleton-based swarm routing (SSR): Intelligent smooth routing for dynamic UAV networks | |
Ali et al. | A performance‐aware routing mechanism for flying ad hoc networks | |
Jianmin et al. | Ardeep: Adaptive and reliable routing protocol for mobile robotic networks with deep reinforcement learning | |
CN107040884B (zh) | 一种基于邻域强连通性的移动自组网数据传输方法 | |
Basarkod et al. | Mobility based estimation of node stability in MANETs | |
CN113411118A (zh) | 一种基于网格的无人机自组网虚拟路由方法 | |
Malhotra et al. | A quality of service‐aware routing protocol for FANETs | |
Bharany et al. | Energy Efficient Clustering Protocol for FANETS Using Moth Flame Optimization. Sustainability 2022, 14, 6159 | |
Zheng et al. | Research of routing protocols for unmanned aerial vehicle ad hoc network | |
Zhang et al. | Cube based space region partition routing algorithm in UAV networks | |
CN115802314A (zh) | C-v2x环境下车载自组织网络动态路由方法及装置 | |
Yang et al. | Boids Swarm-based UAV Networking and Adaptive Routing Schemes for Emergency Communication | |
Bhatia et al. | A Study on the Flying Ad-hoc Networks: Related Challenges, Routing Protocols and Mobility Models | |
Wang et al. | IMCR: Influence maximisation-based cluster routing algorithm for SDVN | |
Erdemkılıç | A Software Defined Networking-based Routing Algorithm for Flying Ad Hoc Networks | |
Kirtiga et al. | Reliable graph based routing in VANET environment | |
Jiang et al. | Distributed multi-hop clustering algorithm for aeronautical ad-hoc network | |
Zhao et al. | A Grid-Based Virtual Routing Algorithm for UAV Systems in Three-Dimensional Space | |
Yu-Tong | Retracted: Research of Computer Network Data Transmission Routing Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |