CN110207712A - 基于边缘计算动态任务到达的无人机路径规划方法 - Google Patents

Abstract

本发明公开了基于边缘计算中动态任务到达情况下的无人机路径优化的一种方法。考虑在边缘计算系统架构的背景下，通过为无人机以及用户建立任务队列并使其保持稳定来降低整个系统的延迟。本发明考虑将边缘计算服务器架设于无人机上，利用无人机高速移动性能来快速接近用户为其提供数据迁移处理服务。进一步的，本发明建立了一个动态边缘计算系统，考虑用户任务实时到达，分别为用户和无人机建立多个任务队列，考虑无人机与用户利用TDMA方式进行通信。本发明以自动队列控制理论为基础，设计出一种调度优化算法，使其在任务队列稳定以使得网络延迟被局限于一定时间的限制条件下，通过优化用户无人机路径以及用户计算频率来最小化用户所耗费的计算能量。

Description

基于边缘计算动态任务到达的无人机路径规划方法

技术领域

本发明涉及无线通信技术领域，特别涉及一种边缘计算中,在队列稳定以及网络延迟限制条件下的的无人机路径规划的方法。

背景技术

随着5G通信技术的发展，智能移动端应用正逐渐壮大，大量的数据处理以及低延迟的需要迫使服务商将计算服务调整至更加接近用户的网络边缘端，通过架设于边缘端的服务器来为用户提供数据处理服务。这样在大大降低网络拥塞以及延迟的同时，也使得用户端设备得以处理较少的数据从而节约能量，增加用户智能移动设备的续航时间。

一般来说，部署在网络边缘端的服务器处于静止不动的状态。通过无线网络节点来与用户进行通信连接。但是，当自然灾害发生或者需要服务的用户处于偏远地区时，静态边缘服务器的部署不仅需要消耗大量的人力物力，同时因为确少足够多数量的无线网络节点使得大量的数据卸载变得难以实现。因此，本发明考虑利用无人机搭载边缘服务器并附有通信能力来为用户提供任务计算卸载服务，利用无人机的高速移动性，来和用户快速建立高质量的视距信道从而达到快速上传任务的目的。

另一方面，考虑到实际用户的任务处理具有实时和随机性，本发明为用户端和无人机端各自建立了任务队列，根据队列优化理论，只要每个积压队列保持稳定即任务量或者是队列长度不是随时间呈现无限增长的趋势，就可以保证整个系统的延迟一定，从而大大减少网络出现拥塞的可能性。本发明以最小化用户端的计算能耗为目标，在保持队列稳定限制的条件下设计出中自动控制调度算法来优化用户端处理频率以及无人机飞行路径。

发明内容

考虑一种无人机搭载计算服务器的边缘计算系统，在任务队列稳定以及延迟保持一定的条件限制下，本发明以Lyapunov队列优化理论为基础，设计出一种同时优化用户关联，用户服务器处理频率以及无人机飞行轨迹的自动控制算法来最小化用户计算耗费能量。

考虑K个地面用户，其在地面位置分别用坐标表示为(x_k,y_k)。用户上空有一架搭载计算服务器的无人机为地面用户提供计算服务，无人机高度固定为H。整个无人机为用户服务的时长为T，将整个周期T分为N个相等的时隙，每个时隙长度为假设无人机在每个时隙中的位置保持不变，则无人机在第n个时隙的位置可表示为(x[n],y[n],H)。无人机次采用TDMA方式和用户进行通信，即在每个时隙无人机只能和一个用户进行通信，设关联变量α_k[n]＝1表示无人机在第n个时隙和用户k进行通信关联。

当无人机在n与用户k之间建立通信连接时，用户上传速率 其中p₀为用户发射功率，ρ为每m用户增益，σ²为噪声功率。一个时隙内单个用户k的上传任务量

在用户端，本发明考虑为每个用户建立一个任务队列,其在每个时隙的队列长度为Q_k[n]，下一个时隙的队列长度其中a_k[n]为用户每个时隙的任务到达量，服从随机分布，b_k[n]为第n个时隙无人机为用户k所卸载任务量，而为用户本地计算量，

其中C_k为每个用户所需计算任务的计算复杂度(转/bits)。同样在无人机端建立K个任务队列，每个时隙的队列长度为M_k[n]，下一个时隙的队列长度为M_k[n+1]＝max{M_k[n]-c_k[n],0}+b_k[n],其中

为每个时隙无人机对每个队列的处理频率，同样服从随机分布。

另一方面，另方面用户在每个时隙的计算能量为由此，为了最小化用户计算总能耗，我们在考虑无人机以及用户任务队列稳定的限制条件来优化用户关联变量，用户本地处理频率以及无人机路径。

附图说明

图1为方法流程示意图。

图2是基于边缘计算动态任务到达的无人机系统的路径优化方法仿真结果图。

图3是本发明所提出的无人机路径规划方法单个用户全部时隙队列仿真结果图。

具体实施方式

第一阶段：

本发明首先建立一个动态的无人机-边缘计算系统模型，并根据Lyapunov理论建立动态的队列方程。其次根据队列方程进行公式推导，分解各个耦合的优化变量并转换为Lyapunov优化方程

第二阶段：

根据Lyapunov优化方程在每个时隙分别优化用户计算频率和无人机路径。具体步骤如下：

1.优化用户计算频率，在用户最大频率的限制条件下，考虑队列稳定以及最小化计算能量的目标通过解方程组来求得用户在每个时隙的最佳处理频率。

2.优化无人机路径以及用户关联变量，首先将非凸优化方程通过上下界近似以及泰勒展开的方法将非凸目标函数转变为凸目标函数，其次分别针对每个用户在每个时隙用内点法来优化无人机路径从而解决一组凸优化方程，选取其中目标方程值最小的用户作为当前时刻无人机需要服务的用户。

第三阶段：

在每个时隙重复以上步骤，最终确定整个周期内无人机的飞行轨迹和用户关联变量以及用户计算频率。

第四阶段：

根据以上优化算法用matlab进行仿真，绘制出无人机飞行轨迹图以及队列稳定图。

图2是基于边缘计算动态任务到达的无人机系统的路径优化算法仿真结果图，从图中可以看出，为了用户队列的稳定会不断改变自身飞行路径来接近某个用户，从而更多的为其卸载任务量使其队列不会无线增长从而保持稳定。

图3是某一用户每个时隙的队列长度示意图，其中红色线为无人机端任务队列，而蓝色是用户端任务队列。从图中可以看出，两个队列虽然会有波动但随着时间的增长最终的队列都趋于稳定证明本发明的无人机路径规划算法能够有效保持队列的稳定。

Claims (3)

1.基于边缘计算动态任务到达的无人机路径规划方法，其特征在于，包括：

(1)首先初始化无人机的飞行路径。

(2)建立无人机端和用户端任务队列，确定需要优化的Lyapunov队列方程。

(3)根据优化方程，在确保队列稳定的条件下将整个周期的优化问题分解为处于各个时隙条件下的子优化问题，这些子问题包括用户自身频率优化问题，无人机路径规划问题，利用凸优化技术分别优化这些子问题。

(4)重复步骤(3)直至最终时隙。

2.如权利要求1所述的，用户端任务到达随机，无人机端处理频率随机。

3.如权利要求1所述的，无人机与用户的通信方式采用TDMA的方式通信，即无人机每个时隙只能和一个用户建立通信连接，并且可以认为每个时之内隙无人机的位置不变，即和用户之间的传输速率是不变的。