CN109495906B - 基于无人机-地面站链路预测的无人机网关选择方法 - Google Patents
基于无人机-地面站链路预测的无人机网关选择方法 Download PDFInfo
- Publication number
- CN109495906B CN109495906B CN201811328774.1A CN201811328774A CN109495906B CN 109495906 B CN109495906 B CN 109495906B CN 201811328774 A CN201811328774 A CN 201811328774A CN 109495906 B CN109495906 B CN 109495906B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- control station
- ground control
- node
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
- H04W36/0016—Hand-off preparation specially adapted for end-to-end data sessions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
- H04W36/0088—Scheduling hand-off measurements
Abstract
本发明提出了一种减少传输时延增加吞吐量的无人机自组网网关选择算法,属于无线移动自组网领域,该算法在网关节点选择时加入了权函数计时机制和无人机‑地面站链路预测机制,并且将两个创新机制有效的结合了起来;在进行网关节点选择的过程中,该算法通过建立的马尔科夫位置预测模型和基于无人机运动趋势的位置预测模型对无人机未来一段时间内与地面站相对位置情况进行预测,进而得出无人机与地面站之间链路的状态将继续保持连接的概率;通过权函数计时机制就可以优先将与地面站链路连接持续时间长并且节点稳定性高的节点选作网关节点,从而整体上减小了无人机与地面站之间的通信时延并提高了无人机自组网的吞吐量。
Description
技术领域
本发明属于无线移动自组网通信技术领域,主要针对的应用场景为无人机自组网网络,且主要应用是针对无人机自组网网络节点和地面控制站进行通信时网关节点选择的场景,更具体地,涉及一种选择合适的无人机节点做为网关节点的网关选择算法。
背景技术
目前,无人机自组网具体到网络层的相关技术还不是很成熟,目前提出的无人机自组网网络层协议离最终应用还有一定的距离。网关的选择与切换的研究开始的还是比较早,自组网的出现使得关于这一方面的研究显得越加的重要,其进展也越加的深入;但是随着自组网应用成果不断增加,其应用场景也不断变换;无人机自组网与传统的移动自组网相比有很大的不同,其主要特点有:无人机的高移动性、低延迟的要求、通信的高可靠性和频繁快速的拓扑变换。由于这些特点,传统的移动自组网网关的相关协议算法并不能完全的切合于无人机自组网这一特殊的场景,因此需要对已有的网关选择机制进行改进。
无人机自组网网关节点具备普通节点的全部功能,同时也是无人机网络与外部沟通的接口。无人机自组网网络在空中建立后,无人机网络与地面控制站、地面指挥车等外部通信的通信任务是全部由网关节点完成,同时网关节点还是网络的管理节点,负责网络拓扑的更新、节点出入网去确认等管理工作。无人机网关节点是从普通无人机节点中选举出来的,除了选举出执行网关任务的主网关节点外,还会同时选举备份网关。当主网关发生故障或战陨时,备份网关在规定时间内没有收到主网关的握手信号,则自动依次替补为主网关。
网关是通信节点与网络控制中心通信的桥梁,网关的选择与切换对网络的性能有着至关重要的影响。无人机自组网的网关选择与Ad Hoc网络的簇头选择非常相似。但是,相比于传统的Ad Hoc网络,无人机组网覆盖范围更广,节点移动速度快,造成网络拓扑结构变化频繁。节点的高度移动造成网络拓扑快速变化,会导致网关和地面控制站及网关与普通节点之间的链路极不稳定,这将直接影响到无人机自组网中网关的性能,会对无人机节点和外部的通信质量,包括通信时延、吞吐率等都会受到影响。因为网关时无人机自组网与外部通信的接口,几乎所有的数据都要经过网关,所以高移动性对网关的影响远大于对普通节点的影响。现有的关于 Ad Hoc网络分簇的研究在选择簇头时或者没有考虑节点的移动性或者所考虑的节点移动速度远远小于无人机,因此不能很好的在无人机自组网中应用。
目前来说,关于无人机自组网网关选择的研究非常少,本次研究首先整理研究了目前移动自组网中网关选择与切换算法,虽然这些场景和无人机自组网的场景有很大的不同,但其中网关选择时考虑的参数及网关选择与切换的流程和时机均对本次研究具有启发性的意义。除此之外,还对现有的分布式无人机自组网网络网关选择算法进行了研究总结,参考其中的无人机节点稳定性的计算的数学模型来进行节点稳定性的计算,并且节点该研究中无人机网络分区的思想来进行网络的划分。
文献[1]中,Liu Kesheng等人通过研究近空间无人机联网的特点,如网络性能低、无人机集群通信能力低下、无人机无法管理等,提出了一种近空间无人机聚类算法。在该算法中,无人机自组网网络要进行分簇,其中簇头簇头节点直接或间接的浮空器连接,从而实现无人机网络与地面管理中心之间的通信。该算法通过综合考虑节点之间的连接时间、节点度、无人机和浮空器之间连接时间、剩余能量等因素并通过这些因素的加权计算得出簇头选举因子,最终选择簇中簇头选举因子最大的节点作为簇头。虽然该算法中簇头选择的过程考虑了无人机节点与浮空器之间、无人机与无人机节点之间链路的连接时间,但该链接耐久度的计算只是简单地根据无人机节点目前时刻的速度进行的预测性计算,由于无人及执行任务时其飞行轨迹具有随机性因此这样计算存在往往只在很短的时间内才比较准确,而且在军用无人机执行任务时往往是性能优先原则,能量因素是次要,甚至可以认为能量是充足的而不加考虑耗能问题;另外虽然该算法中的簇头节点的选举与分布式无人机自组网网关节点的选择非常类似,但网关节点只能直接与地面站进行通信而不像簇头节点那样可以间接的与浮空器连接;而且显然,当簇头节点间接的与浮空器进行连接时在网络中会存在数据包进行不必要的转发,例如距离浮空器更近的节点不得不将数据包发送到簇头节点由簇头节点在转发到浮空器,造成了数据包时延的增大且消耗了不必要的网络资源。[1]Liu K,Zhang J,Zhang T.The clustering algorithm of UAV Networking in Near-space[C]//Antennas,Propagation and EM Theory,2008.ISAPE 2008.8thInternational Symposium on.IEEE,2008:1550-1553.
文献[2]Jong-Hong Park等人针对面向任务的飞行Adhoc网络进行了动态簇头选择的分析,其中簇头负责飞行Ad hoc网络和地面控制站之间的通信;该文献进行网关节点选择时假设的 FANET是面向而任务的SOLAR移动模型,即无人机的飞行是围绕着若干的任务中心进行的部分确定性移动。在该文献的FANET模型中,进行网关选择考虑了无人机节点的剩余能量与无人机-地面控制站之间的距离两个因素,从而选择剩余能量多且距离地面控制站近的节点作为簇头节点,该方案有效降低了每个无人机的平均能量消耗提升了网络的整体寿命。但该方案没有考虑簇头节点与成员节点之间的链路情况,显然簇头节点或者网关节点与普通无人机节点之间链路情况好坏将直接影响FANET和地面控制站之间的通信性能。另外,该簇头选择方案每次都选择选举参数最大的节点作为簇头,这样就会导致簇头切换次数比较多,增加了能量的消耗并且太过频繁的簇头切换不利用网络性能的提升。[2]Jong-Hong Park,Sung-Chan Choi, Hassen Redwan Hussen,Jaeho Kim.Analysis ofDynamic Cluster Head Selection for Mission-Oriented Flying Ad Hoc Network[C]//Milan,Italy.2017Ninth International Conference on Ubiquitous and FutureNetworks(ICUFN).IEEE,2017:21-23.
文献[3]中,Luo Feng等人重点研究了无人机组应用场景的特点及其与其它MANET不同的通信需求:发回传感器数据、接收控制命令、合作轨迹规划、动态任务分配,并据此提出了分布式网关选择算法,以达到选择一定数量的上级无人机作为无人机自组网网关的目的。该网关选择算法的过程由两部分组成。首先,每个子区域中的节点应该选择一个最稳定的节点作为其子区域的网关,之后,分区网络的参数应根据拓扑的方差进行优化。在经过多次迭代后,网络的状态可以被优化。该算法对无人机自组网网络的调整速度快,适应网络拓扑的快速变化,但是,该算法最终选择的网关是从满足稳定性阈值要求的潜在网关中随机产生的,这样存在的问题是随机产生的网关很可能并不是稳定性值最大的节点,甚至存在另外的潜在网关节点的稳定性值比最终确定的网关节点稳定性值大很多,这样就会造成下一轮的网关节点选择过程中可能会再次将网关节点切换到稳定性值更大的节点,这样显然增加了网关节点的切换次数,从而增加了自组网与地面控制站的通信时延降低了网络整体的吞吐量,不利于整个网络性能的提升。 [3]Luo F,Jiang C,Du J,et al.A DistributedGateway Selection Algorithm for UAV Networks[J]. IEEE Transactions onEmerging Topics in Computing,2015,3(1):22-33.
以上关于簇头选举或者网关选择算法的研究虽然已经从无人机节点高移动性、无人机自组网的拓扑变化的频繁性、无人机节点与地面控制站之间的通信特性等方面进行了考虑,主要解决的问题包括降低能耗、保持网络的稳定性、保持网关节点的稳定性,但目前的无人机网络网关选择算法或者簇头选择算法仍然有很大的改进空间,如下所示:
1.随机延迟机制导致的网关节点稳定性非最优并由此带来的切换次数的增多。无人机自组网网关的选择过程是从普通节点中选出符合稳定性条件的潜在网关节点,然后在潜在网关节点中产生网关节点;其中,潜在网关节点产生之后会随机延迟一段时间,延迟时间最先达到的潜在网关节点将会发送网关通告消息GWADV,其它潜在节点收到网关通告消息将不会再发送网关通告消息;显然随机延迟机制产生的网关节点不一定是稳定性值最优的节点,甚至存在其它潜在网关节点比随机产生的网关节点的稳定性值大很多的情况,在这样的情况下,在下一轮的网关选择中将会再次发生网关的切换;显然,这样会增加网关节点的切换次数,而网关节点的频繁切换将会导致网络性能的下降,例如时延增加、吞吐量降低等。具体实例如图1所示。
2.无人机会与地面控制站之间链路状态的预测。无人机自组网的网关节点应该尽量选择与地面站之间链路保持时间较长的节点,这样就可以降低网关的切换次数,减少因网关切换导致的网络通信时延增加、吞吐量降低等同性性能的下降。因此,预测潜在网关节点与地面控制站之间的链路状态对网关选择来说具有重要意义。
发明内容
本发明提出的基于无人机-地面控制站链路状态预测的网关选择算法主要有两个创新机制,包括网关选择过程中的权函数计时机制,潜在无人机-地面控制站链路状态预测机制;其中,无人机-地面控制站链路状态预测得到的概率会参与到计时器计时时间的计算当中,从而使得与地面控制站链路状态一直处于连通的概率越大的无人机节点计算出来的计时时间越短,从而使得预测概率越大的节点被选为网关的可能性越大;而且该权函数计时时间的计算还结合了无人机节点的节点稳定性,从而使得稳定性大的节点被选为网关节点的可能性也较大;通过以上机制就可以减少网关的切换次数并选择稳定性好节点作为网关,从而降低了无人机自组网网络整体的时延提高了网络吞吐量,使网络的性能得到了提升。
(一)本发明提出的创新机制的基本思想和具体操作
以下具体介绍本发明提出的“无人机-地面控制站链路状态预测机制”和“权函数计时机制”两种机制的基本思路和主要操作。
以下具体介绍本发明提出的“最佳协作节点选择机制”、“动态连续NC-ARQ改进策略”、“改进的MRC触发条件”和“丢失数据包选择调度算法”四种新机制的基本思路和主要操作。
1.无人机-地面控制站链路状态预测机制
本发明的无人机-地面控制站链路状态预测分为两部分,分别是:基于无人机节点活动模型的预测、基于无人机节点运动趋势的预测,最终得到无人机-地面控制站链路状态预测概率。
1)基于无人机节点链路模型的预测
在无人机网络中,一架无人机的移动通常是由其任务驱动的,大多数无人机的位置与地面任务有关,部分无人机可能在大部分的时间内在地面控制站的通信范围内执行任务,部分无人机可能在小部分时间内地面控制站的通信范围内执行任务,如图2所示;我们把无人机和地面控制站之间的链路状态分为“连通”和“中断”,简称“通”和“断”,则可以根据无人机当前时刻与地面控制站链路的状态和历史信息来预测未来一段时间内无人机与地面控制站链路的状态。
我们对无人机-地面控制站链路状态的预测主要是“通”到“通”的概率,所以需要用到状态转移概率和状态转移概率矩阵,这里基于马尔科夫预测模型思想,考虑无人机-地面控制站链路历史状态之间的转移情况,对无人机的历史链路状态情况进行建模。
从当前时刻开始,根据无人机的历史位置记录将无人机的链路状态信息以ΔT时间间隔进行抽样,如表1所示为无人机链路状态抽样记录,LS为“通”或“断”表示无人机-地面控制站链路状态;据此,我们可以得到无人机-地面控制站链路状态转移情况,如下表2所示,其中a、b、c、d表示状态转移次数,由表3可知,无人机-地面控制站链路状态从“通”到“通”的一步转移概率为因此,根据该马尔科夫链路状态预测模型,无人机-地面控制站链路状态由“通”到“通”的概率计算如公式1所示
PMar=P(“通”→“通”)=P11 (1)
2)基于无人机节点运动趋势的预测
从宏观角度来看,移动对象至目标位置的距离应越来越近,若无人机在一段时间内距离地面控制站越来越远则无人机将要离开地面控制站通信范围内的概率会较大,反之亦然;通过无人机与地面控制站之间距离的变化量可以反映无人机的运动趋势,这里构建了无人机运动趋势对无人机链路状态预测影响的影响因子数学模型,如下
在最近历史时刻对无人机与地面控制站之间距离进行抽样的距离序列集合为D={d1,d2,…,ds} ,其中d1为当前时刻,之后依次为历史时刻的距离抽样;
Δdk为相邻两个距离抽样的变化量,如公式2所示
Δd=dk+1-dk(k≤s) (2)
Δdmax为抽样时间间隔Δt内无人机以最大速度vmax飞行的最大距离,如公式3所示
Δdmax=Δt×vmax (3)
无人机与地面控制站的最大通信距离为dmax
无人机的运动趋势可以分为位置因素和位置变化量两方面,如下所示,
PCF表示位置变化量因素,如公式4所示,PCF大于零表明无人机与地面控制站的距离越来越近,PCF小于零表明无人机与地面控制站的距离原来越远,当PCF为零或者接近零的时候表明无人机与地面控制站的相对位置关系比较稳定;
PF表示位置因素,如公式5所示,
IF运动趋势对无人机链路状态预测影响的影响因子,如公式6所示;可知,当PCF小于零时,无人机离地面控制站越远PF的值就越大,此时IF的值就越小;当PCF大于零时,无人机离地面控制站越近PF的值就越大,此时IF的值就越大;并且,IF的值越大,无人机未来时刻仍将处于地面控制站通信范围内的概率就越大,无人机-地面控制站链路状态仍将处于“通”的概率就越大。
3)无人机-地面控制站链路状态预测综合概率
综合概率的计算如公式7所示,其中,WMar和WMov为权重,它们的和为1,该综合概率的值越大则无人机-地面控制站将继续保持“通”的可能性越大。
Ppre=WMar*PMar+WMov*PMov (7)
2.采用权函数计时的网关选择算法
文献[3]在进行潜在网关节点到网关节点的选择过程中采取的随机延迟机制,我们这里对延迟时间做了改进,采用的是权函数计时机制,通过节点稳定性和无人机-地面站链路状态预测概率来计算延迟时间,从而达到选择合适的网关并减少网关切换次数的目的。
在对无人机节点进行稳定性计算时采用了文献[3]中的计算方法。
在节点稳定性值相差较小无人机节点作为网关来说其性能基本相当,因此应该把节点稳定性值相差不大的节点同等对待,另外,由于节点稳定性值相较于延迟时间的值来说太大,因此我们在计算延迟时间是将其转换为合适大小的值再进行计算。因此,这里根据节点的稳定性值将无人机节点进行了分级,si表示节点i的稳定性值(在对无人机节点的稳定性计算时采用了文献[3]中的计算方法),如表4所示,ε为分级的阈值,λ表示不同级别稳定性节点对应的不同级别的参数且λ1<λ2<λ3<λ4,Tconst为调节常数;潜在网关节点i的延迟等待时间的计算如公式8所示,
Ti=Tconst*λ*(1-Ppre(i)) (8)
根据以上的工作,提出了基于链路预测的网关选择算法,算法的流程如图3所示,以节点 i为例其具体操作步骤如下:
步骤一:无人机节点i计算自身的稳定性si;
步骤二:检验该无人机节点稳定性值是否满足条件si-sk≥ε,其中sk为网关节点k的稳定性值,ε为阈值;
步骤三:若不满足条件则算法结束,否则继续执行下面步骤;
步骤四:将节点i置为潜在网关节点;
步骤五:潜在网关节点i计算延迟等待时间Ti,延迟等待时间Ti再次检查是否满足步骤②中的条件,若仍满足则广播网关通告消息GWADV;
步骤六:若自组网内无人机节点收到若干个本分区内节点发来的网关通告消息,则选择其中 id最小的无人机节点作为网关节点;
由于不同的无人机节点其无人机-地面控制站链路状态预测概率几乎不会相同,各个无人机节点计算延迟等待时间一般是不相同的,因此同一个网络分区出现若干个节点同时发送网关通告消息的可能性非常小,可以忽略这种情况带来的网络开销。
(二)本发明的有益效果
本发明的有益效果主要在于通过节点稳定性和无人机-地面控制站链路状态预测概率来计算权函数计时的延迟等待时间,无人机节点的稳定性值越大且无人机-地面控制站链路状态“通”的预测概率越大则其越可能成为网关节点;该方案可以在整体上降低无人机自组网数据包传输时延并且提高吞吐量,它的具体优势如下:
1.减少网关切换次数
本发明进行网关选择时采用了无人机-地面控制站链路状态预测机制,可以使选择的网关节点处于地面控制站通信范围内的时间近可能的长,减少了因无人机网关节点因为飞出地面控制站通信范围而导致的网关切换;另外,本发明在潜在网关到网关的选择过程中采用了权函数计时的延迟机制,避免了因随机延迟等待机制选择出的网关的参数非最优导致的在下一轮网关选择时再次发生的网关切换。
2.降低传输时延和提升网络吞吐量
由于在进行网关切换时数据的传输会受到较大的影响,数据包的时延和网络的吞吐量都会受到影响,因此,减少网关的切换次数可以降低无人机自组网和地面控制站通信时的数据传输时延,并且可以提高无人机自组网和地面控制站之间数据传输的吞吐量,尤其是对于下行链路来说,数据的传输量大且对时延敏感,其提升效果也会比较大。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图/表对本发明作进一步的详细描述,其中:
附图1为随机延迟机制导致网关节点非最优和切换次数增多说明图
附图2为某无人机的实力轨迹示意图
附图3为基于无人机-地面控制站链路状态预测的网关选择算法工作流程图
为了使本技术领域人员能更好地理解本发明的目的、技术方案和有益效果,下面结合具体实施例和说明附图来进行完整的描述。
空中的多架无人机构成一个无人机自组网,类似于地面的MANET的网络;无人机自组网的节点的任务之一是采集数据然后将数据传输到地面控制站,同时地面控制站也要向无人机网络发送控制指令,因此,无人机自组网与地面控制站之间的通信问题就显得特重要;在图中,无人机网络存在一个网关节点,该网关节点负责无人机网络与地面控制站之间的通信且网关节点也是从普通无人机节点中选出来的。
附图1为随机延迟机制导致网关节点非最优和切换次数增多说明图:
假如,节点3、5、6都满足稳定性要求被置为潜在网关,此时网关节点将会在节点3、5、6 中随机产生,因此随机产生的网关节点不一定是稳定性最好的节点。另外,由此可能导致网关的切换次数增多,假设节点6的稳定性值比节点3和5的稳定性值要大,即使节点6的稳定性值比节点3的稳定性值大很多,但节点3由于随机延迟机制成为了网关,在下次网关选择时节点6可能又代替节点3成为网关,可见,这样增加了不必要的网关切换的次数,甚至导致网关的频繁切换。
附图2为某无人机的实力轨迹示意图:
在图2中,圆圈表示地面控制站的通信范围,黑点表示无人机历史时刻的位置,可知,该无人机在大多时候都在地面站的通信范围内执行任务,少部分时间在地面站的通信范围外工作,如果某个时刻要对无人机的未来一段时间内位置进行预测,明显其在地面控制站通信范围内的概率要比其在地面控制站通信范围外的概率要大很多。
附图3为基于无人机-地面控制站链路状态预测的网关选择算法工作流程图:
①无人机节点i计算自身的稳定性si;
②检验该无人机节点稳定性值是否满足条件si-sk≥ε,其中sk为网关节点k的稳定性值,ε为阈值;
③若不满足条件则算法结束,否则继续执行下面步骤;
④将节点i置为潜在网关节点;
⑤潜在网关节点i计算延迟等待时间Ti,延迟等待时间Ti再次检查是否满足步骤②中的条件,若仍满足则广播网关通告消息GWADV;
表1
表2
表3
附表1为无人机-地面控制站链路状态历史信息记录:
LS为“通”或“断”表示无人机-地面控制站链路状态,ΔT为抽样间隔,1-n表示在无人机链路状态历史信息的n个抽样,LS1为当前时刻的无人机-地面控制站链路状态。
附表2为无人机-地面控制站历史链路状态转移情况:
在该无人机-地面控制站历史链路状态转移情况中a、b、c、d表示状态转移次数,可知无人机-地面控制站链路状态从“通”到“通”的转移次数为a、从“通”到“断”的转移次数为b、从“断”到“通”的转移次数为c、从“断”到“断”的转移次数为d;
附表3为无人机-地面控制站历史链路状态转移概率:
表3是根据表2得到的无人机-地面控制站历史链路状态转移概率,该转移概率的计算是一种马尔科夫状态转移模型的计算方式,即无无人机-地面控制站链路下一时刻的状态只与此刻的状态有关,而与之前的链路状态情况无关。
表4
稳定性(S<sub>i</sub>) | 级别 | 级别参数(λ) |
S<sub>i</sub>≥ε<sub>1</sub> | 1 | λ<sub>1</sub> |
ε<sub>1</sub>>S<sub>i</sub>≥ε<sub>2</sub> | 2 | λ<sub>2</sub> |
ε<sub>2</sub>>S<sub>i</sub>≥ε<sub>3</sub> | 3 | λ<sub>3</sub> |
ε<sub>3</sub>>S<sub>i</sub> | 4 | λ<sub>4</sub> |
附表4为无人机稳定性分级说明:
在该无人机稳定性分级表中ε为分级的阈值,λ表示不同级别稳定性节点对应的不同级别的参数且λ1<λ2<λ3<λ4,节点的稳定性值越大的其所对应的稳定性级别参数就越小,由公式8可知,潜在网关的延迟等待时间与λ值成正比,因此,稳定性值越大的潜在网关节点其计算出来的延迟等待时间越短,从而达到使网关节点的稳定值尽可能的大的目的。根据节点稳定性将潜在网关节点分级的另一原因是潜在网关的节点稳定性相比于延迟等待时间来说其数值要大很多,稳定性差不多的节点其稳定值之间的差值可能比较大,如果直接用节点稳定性值来参与延迟等待时间的计算可能就会出现稳定性差不多的节点其算出的延迟等待时间相差比较大,不符合实际的需求。将节点按稳定性分级之后,稳定性差不多的节点就被分到了同一级。就可以使用相同的级别参数进行延迟等待时间的计算。另外,级别参数可以实际情况进行调整,这里将潜在网关节点按稳定性值分了四个级别,如果有需要可以设定更多的级别。
Claims (1)
1.一种基于无人机-地面控制站链路状态预测的网关选择方法,其特征在于:所述方法包括如下步骤:
S1:无人机-地面控制站链路状态预测;
S2:采用权函数计时机制,通过节点稳定性和无人机-地面控制站链路状态预测概率来计算延迟时间以进行网关选择;
其中,所述步骤S1包括如下子步骤:
S11:基于无人机节点链路模型的预测,具体包括:在无人机网络中,一架无人机的移动通常是由其任务驱动的,大多数无人机的位置与地面任务有关,部分无人机可能在大部分的时间内在地面控制站的通信范围内执行任务,部分无人机可能在小部分时间内地面控制站的通信范围内执行任务;无人机和地面控制站之间的链路状态分为“连通”和“中断”,简称“通”和“断”,则可以根据无人机当前时刻与地面控制站链路的状态和历史信息来预测未来一段时间内无人机与地面控制站链路的状态,对无人机-地面控制站链路状态的预测主要是“通”到“通”的概率,所以需要用到状态转移概率和状态转移概率矩阵,基于马尔科夫预测模型,考虑无人机-地面控制站链路历史状态之间的转移情况,对无人机的历史链路状态情况进行建模,从当前时刻开始,根据无人机的历史位置记录将无人机的链路状态信息以ΔT时间间隔进行抽样,如表1所示为无人机链路状态抽样记录,
表1
其中,LS为“通”或“断”表示无人机-地面控制站链路状态;据此,我们可以得到无人机-地面控制站链路状态转移情况,如下表2所示,
表2
其中,a、b、c、d表示状态转移次数,由表3
表3
PMar=P(“通”→“通”)=P11(1)
S12:基于无人机节点运动趋势的预测,具体包括:从宏观角度来看,移动对象至目标位置的距离应越来越近,若无人机在一段时间内距离地面控制站越来越远则无人机将要离开地面控制站通信范围内的概率会较大,反之亦然;通过无人机与地面控制站之间距离的变化量可以反映无人机的运动趋势,这里构建了无人机运动趋势对无人机链路状态预测影响的影响因子数学模型,如下:在最近历史时刻对无人机与地面控制站之间距离进行抽样的距离序列集合为D={d1,d2,…,ds},其中d1为当前时刻,之后依次为历史时刻的距离抽样;Δdk为相邻两个距离抽样的变化量,如公式2所示:
Δd=dk+1-dk(k≤s) (2),
其中,Δdmax为抽样时间间隔Δt内无人机以最大速度vmax飞行的最大距离,如公式3所示:
Δdmax=Δt×vmax (3);
其中,无人机与地面控制站的最大通信距离为dmax,无人机的运动趋势可以分为位置因素和位置变化量两方面,如下所示:PCF表示位置变化量因素,如公式4所示,PCF大于零表明无人机与地面控制站的距离越来越近,PCF小于零表明无人机与地面控制站的距离原来越远,当PCF为零或者接近零的时候表明无人机与地面控制站的相对位置关系比较稳定
PF表示位置因素,如公式5所示,
可知,当PCF小于零时,无人机离地面控制站越远PF的值就越大,此时IF的值就越小;当PCF大于零时,无人机离地面控制站越近PF的值就越大,此时IF的值就越大;并且,IF的值越大,无人机未来时刻仍将处于地面控制站通信范围内的概率就越大,无人机-地面控制站链路状态仍将处于“通”的概率就越大;
S13:无人机-地面控制站链路状态预测综合概率的计算,具体包括:
综合概率的计算如公式7所示,其中,WMar和WMov为权重,它们的和为1,该综合概率的值越大则无人机-地面控制站将继续保持“通”的可能性越大,
Ppre=WMar*PMar+WMov*PMov (7)
其中,所述步骤S2包括如下子步骤:
S21:无人机节点i计算自身的稳定性si;
S22:检验该无人机节点稳定性值是否满足条件si-sk≥ε,其中sk为网关节点k的稳定性值,这里根据节点的稳定性值将无人机节点进行了分级,si表示节点i的稳定性值,如表4所示,
表4
其中,ε为分级的阈值,λ表示不同级别稳定性节点对应的不同级别的参数且λ1<λ2<λ3<λ4;
S23:若不满足条件则算法结束,否则继续执行下面步骤;
S24:将节点i置为潜在网关节点;
S25:潜在网关节点i计算延迟等待时间Ti,延迟等待时间Ti再次检查是否满足步骤S22中的条件,若仍满足则广播网关通告消息GWADV,其中,潜在网关节点i的延迟等待时间的计算公式为:Ti=Tconst*λ*(1-Ppre(i))(8),其中,Tconst为调节常数;
S26:若自组网内无人机节点收到若干个本分区内节点发来的网关通告消息,则选择其中id最小的无人机节点作为网关节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328774.1A CN109495906B (zh) | 2018-11-09 | 2018-11-09 | 基于无人机-地面站链路预测的无人机网关选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328774.1A CN109495906B (zh) | 2018-11-09 | 2018-11-09 | 基于无人机-地面站链路预测的无人机网关选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109495906A CN109495906A (zh) | 2019-03-19 |
CN109495906B true CN109495906B (zh) | 2022-04-26 |
Family
ID=65694111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811328774.1A Active CN109495906B (zh) | 2018-11-09 | 2018-11-09 | 基于无人机-地面站链路预测的无人机网关选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109495906B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290476B (zh) * | 2019-06-10 | 2022-03-25 | 河南创仕航空科技有限公司 | 无人机集群通信方法及系统 |
CN110471448A (zh) * | 2019-08-28 | 2019-11-19 | 中国联合网络通信集团有限公司 | 一种无人机飞行方法及装置 |
CN110691396B (zh) * | 2019-09-29 | 2020-09-29 | 南昌航空大学 | 一种采用灰色马尔科夫模型的无人机自组网路由选择方法与系统 |
CN111148143B (zh) * | 2019-12-30 | 2021-10-22 | 南京航空航天大学 | 一种基于四维马尔科夫链的无人机集群网络饱和吞吐量求解方法 |
CN111553404B (zh) * | 2020-04-23 | 2023-05-23 | 中国电子科技集团公司第五十四研究所 | 一种通信网络节点自适应动态规划方法 |
CN111817813B (zh) * | 2020-06-18 | 2021-01-19 | 南京审计大学 | 基于信号采样多元假设检验的信号时延-频移参数估计和目标信号恢复方法 |
CN112099530B (zh) * | 2020-09-23 | 2022-09-16 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种抗毁伤的集群无人机中心机动态确定方法 |
CN113393040B (zh) * | 2021-06-18 | 2023-04-07 | 重庆邮电大学工业互联网研究院 | 一种基于博弈论的工业园区物流调度方法及系统 |
CN116320984B (zh) * | 2023-03-22 | 2023-10-03 | 扬州宇安电子科技有限公司 | 一种基于协作干扰的无人机安全通信系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9537561B1 (en) * | 2016-01-21 | 2017-01-03 | Verizon Patent And Licensing Inc. | Optimization of communications with UAVS using terrestrial cellular networks |
CN106339007A (zh) * | 2016-08-17 | 2017-01-18 | 中国航空无线电电子研究所 | 一种基于无人机位置预测的视距链路定向天线纠偏方法 |
CN106374992A (zh) * | 2016-08-11 | 2017-02-01 | 上海交通大学 | 无人机最优中继位置定位方法及系统 |
CN108243480A (zh) * | 2018-01-11 | 2018-07-03 | 南京华讯方舟通信设备有限公司 | 一种基于链路可用带宽预测和前进距离的无人机自组网机会路由算法 |
CN108566437A (zh) * | 2018-06-08 | 2018-09-21 | 扬州森瑟尔科技有限公司 | 螺栓紧固安全远程监控网络系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10015762B2 (en) * | 2015-05-28 | 2018-07-03 | Facebook, Inc. | Doppler shift estimation and correction for broadband communication in unmanned aerial vehicles |
-
2018
- 2018-11-09 CN CN201811328774.1A patent/CN109495906B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9537561B1 (en) * | 2016-01-21 | 2017-01-03 | Verizon Patent And Licensing Inc. | Optimization of communications with UAVS using terrestrial cellular networks |
CN106374992A (zh) * | 2016-08-11 | 2017-02-01 | 上海交通大学 | 无人机最优中继位置定位方法及系统 |
CN106339007A (zh) * | 2016-08-17 | 2017-01-18 | 中国航空无线电电子研究所 | 一种基于无人机位置预测的视距链路定向天线纠偏方法 |
CN108243480A (zh) * | 2018-01-11 | 2018-07-03 | 南京华讯方舟通信设备有限公司 | 一种基于链路可用带宽预测和前进距离的无人机自组网机会路由算法 |
CN108566437A (zh) * | 2018-06-08 | 2018-09-21 | 扬州森瑟尔科技有限公司 | 螺栓紧固安全远程监控网络系统 |
Non-Patent Citations (2)
Title |
---|
A Distributed Gateway Selection Algorithm for UAV Networks;Feng Luo等;《IEEE Transactions on Emerging Topics in Computing》;20141218;第3卷(第1期);全文 * |
移动预测的无人机自组网路由协议;李玉龙 等;《空军工程大学学报(自然科学版)》;20150908;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109495906A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495906B (zh) | 基于无人机-地面站链路预测的无人机网关选择方法 | |
Seid et al. | Multi-agent DRL for task offloading and resource allocation in multi-UAV enabled IoT edge network | |
Akbari Torkestani et al. | A mobility-based cluster formation algorithm for wireless mobile ad-hoc networks | |
CN111698705B (zh) | 一种基于能量优化的无线传感器网络非均匀分簇路由方法 | |
Yu et al. | Bio-Inspired Mobility Prediction Clustering Algorithm for Ad Hoc UAV Networks. | |
Ma et al. | ESCVAD: an energy-saving routing protocol based on voronoi adaptive clustering for wireless sensor networks | |
Luo et al. | Deep reinforcement learning based computation offloading and trajectory planning for multi-UAV cooperative target search | |
CN111818553B (zh) | 基于模糊逻辑的无线传感器网络改进多跳leach协议的数据传输方法 | |
CN111148131A (zh) | 一种基于能耗的无线异构网络终端接入控制方法 | |
CN113163466B (zh) | 基于模糊决策树的自适应鱼群寻路包路由方法 | |
Prasath et al. | RMCHS: Ridge method based cluster head selection for energy efficient clustering hierarchy protocol in WSN | |
Li et al. | Learning-based data gathering for information freshness in uav-assisted iot networks | |
CN114339936A (zh) | 基于q学习的飞行器自组织网络优化链路状态路由机制 | |
Zebbane et al. | A distributed lightweight redundancy aware topology control protocol for wireless sensor networks | |
Agrawal et al. | Optimization of the selection of cluster‐head using fuzzy logic and harmony search in wireless sensor networks | |
CN113133105A (zh) | 一种基于深度强化学习的无人机数据收集方法 | |
Xia et al. | A survey of UAV clustering algorithm | |
Wang et al. | Clustering strategy of UAV network based on deep Q-learning | |
Zhao et al. | Adaptive Multi-UAV Trajectory Planning Leveraging Digital Twin Technology for Urban IIoT Applications | |
Rajput et al. | Clustering techniques of Wireless sensor networks for Internet of Things | |
BATTA et al. | A distributed energy-efficient unequal clustering based kruskal heuristic for iot networks | |
Yu et al. | Comprehensive mobility prediction based clustering algorithm for Ad hoc UAV networks | |
CN107566982B (zh) | 基于随机几何异构蜂窝网络的连续小区缩放方法 | |
Raut et al. | Design of an Augmented Clustering Model using LEACH & PEGASIS for Low Complexity & High Network Lifetime | |
Sui et al. | A strategy for relocation of the mobile sink in wireless sensor networks |
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 |