CN110553629A - 一种基于边缘计算的无人机目标追踪功耗优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的无人机目标追踪功耗优化方法及系统，包括步骤：S1、设置无人机追踪过程中视频处理模式；S2、计算任务分配，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销。相比于一般的使用固定的最大的无人机发射功率进行数据传输，本发明提出的算法同时考虑无人机发射功率的调整和边缘节点的选择方案，以最小化能耗成本和时间成本之间的权衡值，在保证正常追踪的前提下，降低无人机的通信能耗。

Description

一种基于边缘计算的无人机目标追踪功耗优化方法及系统

技术领域

本发明属于无人机目标追踪领域，特别是涉及一种基于边缘计算的无人机目标追踪功耗优化方法及系统。

背景技术

边缘计算作为一种新的计算模式，将计算资源推向靠近终端用户的互联网边缘，以满足物联网(Internet of Things，IoT)等应用对高计算能力和低延迟的日益增长的需求，边缘计算模型将计算任务分解并将其迁移到边缘节点进行处理，以降低云计算数据中心的计算负载，降低传输延迟，从而达到降低能耗、提高移动设备服务时间的目的。

无人机(Unmanned Aerial Vehicle,UAV)是一类重要的机器人，随着物联网技术的发展和无人机性能的不断提高，它已经被广泛应用于各个方面，包括情报侦察、通信中继、数据搜集、搜索救援和武装打击等。实践表明，UAV是执行枯燥、恶劣或危险(Dull,Dirty,or Dangerous,3D)任务的最佳选择。

与固定基础设施的通信相比，无人机辅助的通信网络更灵活，能带来许多移动性额外增益，因此最近越来越多的人将无人机作为目标追踪设备应用于许多场景，如追踪空对空作战中的高机动性空中目标，地面打击任务对地面移动目标的跟踪追踪，城市事故中意外逃生车辆的追踪等。移动目标追踪是一个复杂和有挑战性的问题，无人机在追踪过程中不断拍摄视频，追踪可疑目标，由于无人机计算资源的有限性，无法快速处理不断产生的视频流，通常考虑将视频处理任务从无人机卸载到边缘节点/服务器协同处理；然而无人机飞行推进的过程和卸载任务的过程都伴随着能量的消耗，根据大疆官网发布的无人机产品数据可知，多数无人机在理想状况下最大飞行时间为31分钟左右，工作时长非常有限，因为其电池容量的局限性，无人机能耗问题一直是研究的热点。

发明内容

本发明考虑一种情况，即在城市交通中，目标车辆试图逃跑，而无人机用来追踪逃跑的目标。在追踪过程中，无人机上的摄像机连续捕获高分辨率视频，然后需要对视频进行分析处理和目标检测，以便无人机能够及时做出调整实现追踪。无人机的任务处理与反馈可以有两种模式，第一种是无人机捕获并存储视频，在本地执行其任务处理过程，直到无人机完成任务并返回结果。但是，使用计算和内存密集型DNN的图像处理技术进行视频流处理所需的硬件有一定重量，由于任务处理模块的重量导致的无人机飞行过程中的能耗以及本地计算的能耗是不容忽视的。第二种模式是视频从UAV卸载到地面服务器处理，该模式下减少了任务处理模块的重量带来的能量消耗，但是取而代之的是视频数据传输过程中的能耗。

本发明根据多旋翼无人机知识手册，推导了无人机的续航时间(续航时间反映能量消耗)与无人机重量之间的函数关系，并证明了就节能方面而言，第二种模式优于第一种模式。

然而，对于第二模式，即视频被卸载到地面服务器进行处理，存在两个关键问题。第一个是由于时延限制，在无人机目标追踪过程中，需要尽快传输和处理连续捕获的视频，使无人机及时接收结果并做出相应调整以实现成功追踪。传统的通信方式是UAV将实时视频上传到云进行处理，这在任务计算速度是有益的，但是在诸如无人机目标追踪的场景下，传输的延迟可能是不可接受的。第二个问题是由于无人机的电池能量有限，实时高分辨率视频传输带来的传输能耗是不容忽视的。

为解决上述问题，我们建议利用新兴的边缘计算，通过联合考虑无人机发射功率的调整和地边缘节点的选择方案，提供节能高效的无人机目标追踪。无人机将计算任务卸载到地面边缘节点而不是云进行协同处理，然后接收结果，并进行调整以确保成功追踪而不是丢失追踪目标。在无人机-边缘节点链路的一般衰落信道模型下，本发明同时考虑无人机的发射功率和边缘节点的选择方案，以最小化总成本，总成本是能量成本和任务执行时间成本的加权和。

本发明独创提出的两个要点如下：

(1)基于边缘计算的无人机目标追踪场景中的功耗优化模型

无人机功耗优化问题的研究在学术界已经有很多成果，但大多数是应用在无人机进行数据搜集等场景中，研究无人机飞行推进过程中的功耗优化问题，而本发明利用新兴的边缘计算，将无人机的视频处理任务卸载到边缘节点进行协同处理，研究视频卸载过程中的功耗优化问题，建立无人机目标追踪过程中的功耗优化模型。

(2)设计一种节能高效的无人机任务分配(EUTD)算法

传统的无人机功耗优化算法主要通过优化无人机飞行路径降低能耗，而本发明研究无人机视频任务卸载过程中的能耗优化问题，充分考虑边缘节点的计算能力(CPU和内存)和位置(GPS)来确定无人机的任务分配方案。相比于一般的使用固定的最大的无人机发射功率进行数据传输，本发明提出的算法同时考虑无人机发射功率的调整和边缘节点的选择方案，以最小化能耗成本和时间成本之间的权衡值，在保证正常追踪的前提下，降低无人机的通信能耗。

具体地，本发明提供的一种基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，包括步骤：

S1、设置无人机追踪过程中视频处理模式；

S2、计算任务分配，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销。

进一步地，所述视频处理模式包括两种：

第一种是无人机捕获并存储视频，在本地执行其任务处理过程，直到无人机完成任务并返回结果；

第二种模式是将视频处理任务卸载到地面服务器进行处理。

进一步地，所述视频处理模式根据推导无人机的续航时间与无人机重量之间的函数关系作为选择依据，具体为：

通过无人机续航时间的估计方法，从理论上分析无人机整机重量对续航时间的影响，推导出续航时间与机身重量之间的关系为：

其中，T_ent是续航时间，G是无人机的重量，W_b是电池的电量，U_b是电池电压，σ是电调的占空比，C_M是螺旋桨转矩系数，D_P是螺旋桨直径，C_T是螺旋桨拉力系数，K_T是电机转矩常数，n_r是螺旋桨个数，I_m0是标称空载电流；

通过分析实际的实验数据，模拟无人机单位时间的耗能量(J/s)与无人机重量(kg)之间的关系，然后对不同视频处理模式下的能耗进行比较。

进一步地，所述计算任务分配的方法具体包括：

在无人机进行追踪的过程中，无人机将计算任务卸载到地面边缘节点进行协同处理，并接收返回结果；

用表示任务执行总时延，其计算公式为：

其中，为任务传输时延，为任务计算时延，S_m是时隙m的数据量，是信道容量，β₀表示参考距离d₀＝1m处的信道功率，用p_m,k表示在时隙m中无人机分配给节点n_m,k的发射功率，B表示信道带宽，σ²是高斯白噪声功率，是距离d₀＝1m时的信噪比，r_m,k是边缘节点计算能力。

用E_m,k表示通信过程中的能耗，其计算公式为：

为了降低通信能耗和时延的权重，用总开销cost_m,k表示，

其中，α(≥0)和β(≥0)表示传输能量消耗和总延迟的相对权重，可以设置和调整以满足不同的情况。

本发明还提供一种基于边缘计算的无人机目标追踪功耗优化系统，其特征在于，包括：

模式设置模块，用于设置无人机追踪过程中视频处理模式；

边缘计算模块，用于计算任务分配，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销。

本发明与现有技术相比，有益效果如下：

1)本发明从理论上阐述了无人机重量对无人机续航时间的影响。通过分析实际测量的数据，模拟了单位时间能耗(J/s)与无人机重量(kg)之间的函数关系。此外，我们重点关注无人机在视频本地处理和视频卸载处理中的能耗比较和分析。

2)本发明研究基于边缘计算的节能计算任务分配问题，即无人机将计算任务卸载到地面边缘节点而不是云进行处理。这是网络边缘的卸载服务，与通过云的传统通信链路相比，移动设备与边缘节点通信的基本链接可以避免由于长传输距离和服务器拥塞导致的高延迟和额外能耗。

3)与大多数使用固定的最大传输功率进行无人机任务卸载的工作不同，本发明考虑到发射功率和从无人机到边缘节点的距离影响传输能量消耗和传输时间，提出了一种合适的方式来调整发射功率并选择适当的服务边缘节点。此外，不同的边缘节点具有不同的处理能力，这意味着还应该考虑任务计算时间，因为应该尽可能快地反馈处理结果以确保跟踪。基于以上描述，本发明设计了一种节能高效的无人机任务分配(EUTD)算法，用于调整发射功率，并在无人机目标追踪过程中选择合适的边缘节点。

4)此外，本发明通过仿真实验验证了能量成本和时间成本的不同相对权重对应于不同的发射功率和边缘节点选择方案，并证明了EUTD算法相比于其他算法可以实现更可靠和节能的目标追踪。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明无人机单位时间能耗与重量之间的关系图；

图2是本发明两种模式能耗情况对比图；

图3是本发明基于边缘计算的无人机目标追踪场景图；

图4是本发明的无人机任务分配(EUTD)算法图；

图5是本发明对无人机能耗和延迟给定不同权重的比较效果图；

图6是本发明提出的方案与两种基准方案的比较效果图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

一、分析无人机追踪过程中视频处理模式

无人机在进行目标追踪的过程中，无人机通过拍摄视频进行目标识别实现追踪，不断拍摄的视频流需要实时分析和处理，并将处理结果反馈给无人机保证正常追踪而不至于丢失目标。因为无人机有一定的载荷能力，一种可行的方式是在无人机上挂载一个处理器，这样视频分析和处理工作就可以在本地完成，无人机就可以随着视频的处理实时获取反馈结果，然后根据反馈结果及时作出动作调整保证正常追踪，整个追踪过程就可以由无人机单独完成，具有较高的自动化和低延迟性，但随之而来的是载荷的重量对无人机飞行过程中能耗的影响，而且因为视频分析和处理是高密集型和高资源占用的工作，视频本地处理也会产生一部分能耗。另一种方法是将视频处理任务卸载到地面服务器进行处理，这种方式可以去掉无人机上的任务处理模块，减轻无人机的机身重量，从而减少飞行过程中的能耗，但是大量视频数据的传输导致的无人机能量消耗和无线带宽消耗是不容忽视的，相比于无人机本地处理存在以下问题，首先，延迟也会增加；第二，由于无人机的移动性，移动连接在性能和可靠性方面具有不稳定性。

本发明研究了影响无人机续航时间的因素，重点关注无人机重量的影响，通过无人机续航时间的估计方法，从理论上分析了无人机整机重量对续航时间的影响，推导出续航时间与机身重量之间的关系为其中，T_ent是续航时间，G是无人机的重量，G是无人机的重量，W_b是电池的电量，U_b是电池电压，σ是电调的占空比，C_M是螺旋桨转矩系数，D_P是螺旋桨直径，C_T是螺旋桨拉力系数，K_T是电机转矩常数，n_r是螺旋桨个数，I_m0是标称空载电流，从该推导关系可以看出，无人机的续航时间T与重量G是成反比的。

通过分析实际的实验数据，模拟出了无人机单位时间的耗能量(J/s)与无人机重量(kg)之间的关系，如图1所示。然后本发明对视频本地处理和视频卸载处理两种方式下无人机的能耗情况进行了比较，如图2所示。从结果中我们可以看到视频本地处理和视频卸载处理两种模式下无人机能耗的差距，虽然视频卸载处理在性能和可靠性方面具有不稳定性，但是随着技术的进步，正在不断的完善中，相较之下，无人机本地处理携带的视频处理模块会导致较多的能量消耗。

二、系统模型

基于边缘计算的无人机目标追踪场景图如图3所示。

假设无人机在时间T内将视频任务卸载到地面边缘节点EN，假设无人机达到飞行高度H(m)，无人机的飞行轨迹投影到地面上表示为q(t)∈R^2×1，0≤t≤T，时间T被离散成M个时隙，即T＝Mδ_t，δ_t表示每个时隙的长度，无人机在一个时隙中位置认为是不变的，所以无人机的轨迹可以近似离散为一个集合{q_m,1≤m≤M},q_m表示时隙m中无人机的位置。假设在时隙m中无人机产生的数据量为S_mbits，在两个连续的时隙里，无人机在下一个时隙传输上一个时隙产生的数据。

假定在城市的一片区域里有Z个边缘节点EN，用{n_z,1≤z≤Z}表示，通常，每个边缘节点具有有限的计算资源，不同的边缘节点EN有不同的计算资源，如果边缘节点n_z的计算能力不够强大，n_z就不能作为服务节点，随着无人机的移动，能够为无人机服务的边缘节点集合不是固定的，在不同的时隙可能有不同的服务节点集合。假设在时隙m，无人机能够将计算任务卸载到具有K个节点的子节点集合中，该节点集合表示为{n_m,k,1≤k≤K,1≤m≤M}，{n_m,k}是{n_z}的子集，n_m,k的位置表示为w_m,k∈R^2×1，r_m,k表示时隙m中第k个节点的处理能力。

本发明通过同时考虑边缘节点的计算能力和节点到无人机的距离设计边缘节点选择机制，假设在一个时隙中只选择一个边缘节点作为服务节点，用x_m,k表示节点选择变量，如果n_m,k被选择为服务节点，则x_m,k＝1，否则x_m,k＝0，所以我们有限制条件

如果n_m,k被选择为计算节点，那么无人机与节点n_m,k之间的距离用d_m,k表示，如公式(1)所示。

我们假设从无人机到地面EN的通信链路是准静态块衰落信道，其中信道在每个时隙内保持不变但是随时隙改变。为了便于说明，假设通信链路是视距(LoS)信道。实际上，与地面地面信道相比，无人机地面信道更可能具有LoS链路。因此，准静态块衰落信道遵循自由空间路径损耗模型，其可以表示为

β₀表示参考距离d₀＝1m处的信道功率，用p_m,k表示在时隙m中无人机分配给节点n_m,k的发射功率，那么，信号通信速率表示为公式(3)，单位是bps。

这里B表示信道带宽，σ²是高斯白噪声功率，是距离d₀＝1m时的信噪比。

在无人机进行追踪的过程中，无人机将计算任务卸载到地面边缘节点进行协同处理，并接收返回结果。任务传输时延表示为即任务计算时延表示为假设结果反馈时延是一个固定的很小的值，这里忽略不计，所以任务执行时延是和的和，用公式(4)表示。

在时隙m中，计算任务有一个延迟限制δ_t，也就是说任务的传输延迟和计算延迟不应该超过δ_t，这样无人机才能及时接收反馈结果做出调整保证追踪，即用E_m,k表示通信过程中的能耗，如下所示：

本课题的目标是降低通信能耗和时延的权重，用总开销cost_m,k表示。

α(≥0)和β(≥0)表示传输能量消耗和总延迟的相对权重，可以设置和调整以满足不同的情况。一般来说，我们更加重视能耗，以延长无人机的使用寿命。

其中，为任务传输时延，为任务计算时延，S_m是时隙m的数据量，是信道容量，β₀表示参考距离d₀＝1m处的信道功率，用p_m,k表示在时隙m中无人机分配给节点n_m,k的发射功率，B表示信道带宽，σ²是高斯白噪声功率，是距离d₀＝1m时的信噪比，r_m,k是边缘节点计算能力。

将P和X分别表示为和我们的目标是联合优化无人机的传输功率P和EN的选择机制X，以便最小化无人机传输能耗与总延迟之间的权衡，同时确保正常跟踪。我们的问题表述如下

公式(7)是无人机目标跟踪系统的目标函数，约束(8)确保无人机能够接收结果并及时调整以正常跟踪目标。

三、算法

本发明设计了一种节能高效的无人机任务分配(EUTD)算法，如图4所示，该算法同时考虑无人机的发射功率和边缘节点选择方案，以最小化能耗成本和时间成本之间的权重。

四、实验结果

图5是对无人机能耗和延迟给定不同权重((α＝0.9,β＝0.1),(α＝0.8,β＝0.2),(α＝0.7,β＝0.3))时，无人机总开销、传输能耗、发射功率、延迟以及每个时隙选择的边缘节点的情况，从图中可以看出，α值越大(即对无人机能耗给的权重越大)，无人机总开销和传输能耗就越低。当α＝0.9,β＝0.1时，发射功率在18到30mw之间波动，当α＝0.7,β＝0.3时，发射功率在60到90mw之间波动，能耗的更大权重意味着更长的延迟，但仍在可接受的范围内。因此，我们建议更加重视能耗。

图6是本发明提出的方案与两种基准方案的比较，本发明的方案是调整无人机的发射功率，综合考虑边缘节点的计算能力和边缘节点到无人机之间的距离选择服务节点，第一种基准方案是发射功率保持最大值0.1W不变，选择最近的边缘节点作为服务节点，第二种基准方案是发射功率版持不变，随机选择边缘节点作为服务节点。

综上，本发明通过模拟无人机重量对无人机续航时间的影响，分析无人机在视频本地处理和视频卸载处理中的能耗，证明视频卸载处理在节能方面优于视频本地处理。然后，本发明研究了无人机目标追踪过程中的高效可靠的计算任务分配问题，考虑将无人机的计算任务卸载到地面边缘节点而不是云服务器，设计任务分配算法，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销，总开销是能耗开销和时间开销的权衡。设计仿真实验，实验结果表明，能量成本和时间成本的不同相对权重对应于不同的发射功率和边缘节点选择方案；本发明提出的算法性能优于其他基准方案。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，包括步骤：

S1、设置无人机追踪过程中视频处理模式；

S2、计算任务分配，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销。

2.根据权利要求1所述的基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，所述视频处理模式包括两种：

第一种是无人机捕获并存储视频，在本地执行其任务处理过程，直到无人机完成任务并返回结果；

第二种模式是将视频处理任务卸载到地面服务器进行处理。

3.根据权利要求2所述的基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，所述视频处理模式根据推导无人机的续航时间与无人机重量之间的函数关系作为选择依据，具体为：

通过无人机续航时间的估计方法，从理论上分析无人机整机重量对续航时间的影响，推导出续航时间与机身重量之间的关系为：

其中，T_ent是续航时间，G是无人机的重量，W_b是电池的电量，U_b是电池电压，σ是电调的占空比，C_M是螺旋桨转矩系数，D_P是螺旋桨直径，C_T是螺旋桨拉力系数，K_T是电机转矩常数，n_r是螺旋桨个数，I_m0是标称空载电流；

通过分析实际的实验数据，模拟无人机单位时间的耗能量(J/s)与无人机重量(kg)之间的关系，然后对不同视频处理模式下的能耗进行比较。

4.根据权利要求1所述的基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，所述计算任务分配的方法具体包括：

在无人机进行追踪的过程中，无人机将计算任务卸载到地面边缘节点进行协同处理，并接收返回结果；

用表示任务执行总时延，其计算公式为：

用E_m,k表示通信过程中的能耗，其计算公式为：

其中，为任务传输时延，为任务计算时延，S_m是时隙m的数据量，是信道容量，β₀表示参考距离d₀＝1m处的信道功率，用p_m,k表示在时隙m中无人机分配给节点n_m,k的发射功率，B表示信道带宽，σ²是高斯白噪声功率，是距离d₀＝1m时的信噪比，r_m,k是边缘节点计算能力。

5.根据权利要求4所述的基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，为了降低通信能耗和时延的权重，用总开销cost_m,k表示，

其中，α(≥0)和β(≥0)表示传输能量消耗和总延迟的相对权重，可以设置和调整以满足不同的情况。

6.根据权利要求5所述的基于边缘计算的无人机目标追踪功耗优化方法，其特征在于，所述计算任务分配的目标是联合优化无人机的传输功率P和边缘节点EN的选择机制X，以便最小化无人机传输能耗与总延迟之间的权衡，同时确保正常跟踪；

将P和X分别表示为和

无人机目标跟踪系统的目标函数为：

为了确保无人机能够接收结果并及时调整以正常跟踪目标，需满足：

其中，是任务执行时间，它是任务传输时间和任务处理时间的和，δ_t是计算任务的延迟限制。

7.一种基于边缘计算的无人机目标追踪功耗优化系统，其特征在于，包括：

模式设置模块，用于设置无人机追踪过程中视频处理模式；

边缘计算模块，用于计算任务分配，通过同时考虑无人机发射功率的调整和边缘节点的选择机制为无人机选择合适的发射功率和服务节点，最小化总开销。

8.根据权利要求7所述的基于边缘计算的无人机目标追踪功耗优化系统，其特征在于，所述视频处理模式包括两种：

第一种是无人机捕获并存储视频，在本地执行其任务处理过程，直到无人机完成任务并返回结果；

第二种模式是将视频处理任务卸载到地面服务器进行处理。

9.根据权利要求8所述的基于边缘计算的无人机目标追踪功耗优化系统，其特征在于，所述视频处理模式根据推导无人机的续航时间与无人机重量之间的函数关系作为选择依据，具体为：

通过无人机续航时间的估计方法，从理论上分析无人机整机重量对续航时间的影响，推导出续航时间与机身重量之间的关系为：

其中，T_ent是续航时间，G是无人机的重量，W_b是电池的电量，U_b是电池电压，σ是电调的占空比，C_M是螺旋桨转矩系数，D_P是螺旋桨直径，C_T是螺旋桨拉力系数，K_T是电机转矩常数，n_r是螺旋桨个数，I_m0是标称空载电流；

通过分析实际的实验数据，模拟无人机单位时间的耗能量(J/s)与无人机重量(kg)之间的关系，然后对不同视频处理模式下的能耗进行比较。

10.根据权利要求7所述的基于边缘计算的无人机目标追踪功耗优化系统，其特征在于，所述计算任务分配的方法具体包括：

在无人机进行追踪的过程中，无人机将计算任务卸载到地面边缘节点进行协同处理，并接收返回结果；

用表示任务执行总时延，其计算公式为：

用E_m,k表示通信过程中的能耗，其计算公式为：

其中，为任务传输时延，为任务计算时延，S_m是时隙m的数据量，是信道容量，β₀表示参考距离d₀＝1m处的信道功率，用p_m,k表示在时隙m中无人机分配给节点n_m，k的发射功率，B表示信道带宽，σ²是高斯白噪声功率，是距离d₀＝1m时的信噪比，r_m,k是边缘节点计算能力。