CN111949703B - 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统 - Google Patents

一种面向智能交通的无人机部署及飞行轨迹优化方法及系统 Download PDF

Info

Publication number
CN111949703B
CN111949703B CN202010659147.7A CN202010659147A CN111949703B CN 111949703 B CN111949703 B CN 111949703B CN 202010659147 A CN202010659147 A CN 202010659147A CN 111949703 B CN111949703 B CN 111949703B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
flight
traffic flow
energy consumption
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
Application number
CN202010659147.7A
Other languages
English (en)
Other versions
CN111949703A (zh
Inventor
吴志玮
杨超
陈新
刘义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010659147.7A priority Critical patent/CN111949703B/zh
Publication of CN111949703A publication Critical patent/CN111949703A/zh
Application granted granted Critical
Publication of CN111949703B publication Critical patent/CN111949703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G06Q50/40—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种面向智能交通的无人机部署及飞行轨迹优化方法及系统，所述方法包括以下步骤：S1：利用历史交通流数据对即将出现的路口进行交通流预测；S2：根据预测的交通流优化无人机的飞行轨迹；S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。本发明通过交通流预测，能够提前预判提前部署无人机，通过对飞行轨迹进行优化获取最优飞行轨迹有效减少能耗，提高服务质量。

Description

一种面向智能交通的无人机部署及飞行轨迹优化方法及系统
技术领域
本发明涉及无人机辅助车联网技术领域，更具体地，涉及一种面向智能交通的无人机部署及飞行轨迹优化方法及系统。
背景技术
近年来，随着智能交通技术的发展，越来越多的交通问题得到关注，例如交通拥堵时的无线通信问题，传统的基站部署方法存在部署成本高，移动性差，覆盖区域有限问题，无人机作为移动基站是针对上述问题提出的一种解决方案。
无人机可以作为飞行基站部署，可以扩大地面蜂窝网络的覆盖范围和提高容量。由于无人机固有的一些特性如机动性，灵活性，以及自适应高度使得其在无线系统中有着几个关键的应用。例如，可以部署无人机，以补充现有的蜂窝系统，提供更多的服务。此外，无人机还可用于在现有地面网络遭到破坏的紧急和公共安全情况下提供网络覆盖。无人机作为移动基站提供无线通信服务的一个关键优势是其可以提供快速、可靠和成本效益高的网络覆盖服务。此外，与地面基站相比，无人机可以通过智能调整其高度，更有效地建立与地面用户（如车辆）的视线（LoS）通信链接。
传统的无人机辅助车辆通信服务多为车辆发送需求到云端服务器，云端再调派无人机去执行相应的辅助任务，存在一定的时间差，无法对车辆提供及时的辅助服务。此外，传统的无人机辅助车联网系统中对无人机的飞行路径进行规划时，未考虑到无人机转角所带来的能耗问题，导致路径规划时飞行能耗较高，降低了服务质量。
现有技术中，公开号为：CN109345830A的发明专利公开了一种基于无人机的智能交通管控系统，包括：无人机集群、调度指挥中心、无人机地面站；所述无人机集群包括一种或一种以上类型无人机，每种不同类型的无人机用于执行不同的任务；所述调度指挥中心，用于对无人机集群进行实时监控，整体把控交通情况；所述无人机地面站，用于对无人机进行统一的管理及控制；所述无人机通过无线通信模块与无人机地面站相互通信，所述调度指挥中心与所述无人机地面站通过基站采用无线通信的方式进行交互。该发明虽然通过对交通进行任务调度，但其实以无人机集群作业，也没有考虑能耗问题。
发明内容
本发明为克服上述现有的利用无人机辅助车联网通信没有进行提前车流预测，同时也没有考虑无人机的能耗因素，服务质量低的缺陷，提供一种面向智能交通的无人机部署及飞行轨迹优化方法及系统。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
本发明第一方面提供了一种面向智能交通的无人机部署及飞行轨迹优化方法，包括以下步骤：
S1：利用历史交通流数据对待执行任务区域即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。
本方案中，利用历史交通流数据对即将出现的路口进行交通流预测具体过程为：
S101：收集待执行任务区域的历史交通流数据；
S102：进行数据清洗，将获取的历史交通流数据中的空值数据、重复数据去除；
S103：对清洗后的数据进行特征归纳，首先将时间序列转换成时间戳格式数据，提取日期、小时、分钟判断是否为周末，并将数据按照路口、时间戳排序，并计算待执行任务区域内每个路口每5min内的车流量；
S104：采用Light-GBM算法对特征归纳后的数据进行训练，得到训练模型。
利用训练得到的模型对即将出现的路口进行交通流预测，得到即将出现的路口的预测车流量；
S105：对预测车流量进行分类，将车流量大于或等于拥堵阈值
Figure SMS_1
的地点记为拥堵地点，并保存拥堵地点位置数据。
本方案中，采用Light-GBM算法对特征归纳后的数据进行训练过程中，使用交叉验证降低误差率。
本方案中，使用均方根误差作为评估标准。
本方案中，S2：根据预测的交通流优化无人机的飞行轨迹，具体过程为；
S201：根据预测的车流和计算需求、通信需求的历史平均值估计服务需求，设每一个车辆的计算需求相等且为历史平均值
Figure SMS_2
，通信需求历史平均值为/>
Figure SMS_3
，地点n预测的车流量为/>
Figure SMS_4
，则地点n的服务需求为：
Figure SMS_5
Figure SMS_6
其中
Figure SMS_7
分别为地点n的计算和服务能耗；
S202：定义函数
Figure SMS_8
为无人机的服务质量函数：
Figure SMS_9
其中，Q为UAV飞行轨迹，
Figure SMS_10
表示UAV在轨迹Q下的飞行能耗；
S203：以无人机的服务质量最大化为任务目标构建目标函数和约束条件，则将无人机飞行轨迹优化问题转化为通过优化轨迹Q使服务质量函数最大化；
S204：通过目标函数和约束条件计算每一条路径的飞行能耗，其中最小飞行能耗的飞行轨迹能够满足无人机的服务质量最大，将最小飞行能耗的飞行轨迹作为最优飞行轨迹调整无人机实时飞行轨迹。
本方案中，以无人机的服务质量最大化为任务目标构建目标函数和约束条如下：
Figure SMS_11
式（5）为目标函数，式（6）~（9）为约束条件；式（6）中
Figure SMS_12
为轨迹Q下的UAV飞行能耗,其中/>
Figure SMS_13
为UAV直线飞行的能耗，设e是UAV水平直线飞行一个单位长度的能耗，/>
Figure SMS_14
表示UAV从第n个路口飞往第n+1个路口之间的直线飞行距离，/>
Figure SMS_15
是无人机转角能耗，k表示UAV从在轨迹Q下飞行所需转角的数量，设每次UAV转弯时的角度大小均为/>
Figure SMS_16
，式（9）中E为无人机的电池储量。
本方案中，通过列出轨迹树，计算不同路径的飞行能耗，获取最优的飞行轨迹。
本方案中，无人机到达第n个待执行任务区域时，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量具体步骤为：
S301：将第n个待执行任务区域被划分为
Figure SMS_17
个单元格，无人机部署在单元格上方，并且能够覆盖整个单元格；
S302：给定地面车辆的位置，用
Figure SMS_18
表示地面车辆分布指示变量的集合，单元格/>
Figure SMS_20
中有车辆时，指示变量/>
Figure SMS_21
，否则为0；
Figure SMS_23
表示地面无人机覆盖指示变量的集合，单元格/>
Figure SMS_24
被覆盖时，指示变量/>
Figure SMS_26
，否则为0；由集合A和B可以得到地面车辆覆盖状态的集合/>
Figure SMS_28
，若单元格/>
Figure SMS_19
有车辆/>
Figure SMS_22
且被无人机覆盖/>
Figure SMS_25
时，/>
Figure SMS_27
，否则为0；
S303：以无人机所在高度的水平面为
Figure SMS_29
平面建立三维坐标系，设无人机到达地点n后的初始位置为/>
Figure SMS_30
，在t时刻无人机的位置为/>
Figure SMS_31
；
S304：设无人机的覆盖区域是半径为R的圆形区域，其覆盖范围随其高度的上升而增加，在满足覆盖率和路径损耗的前提下，无人机以最少的能耗从初始位置移动到最佳悬停位置；覆盖率定义为被覆盖的地面终端数量与总地面终端数量之比，在t时刻，覆盖率用
Figure SMS_32
表示：
Figure SMS_33
S305：无人机到达悬停位置后，开始为车辆提供通信和计算服务，设无人机悬停时覆盖区域内有m辆车，根据A2G信号模型可得第m辆车与无人机基站之间LOS链路的概率如下:
Figure SMS_34
Figure SMS_35
和/>
Figure SMS_36
是与环境类型相关的常数,/>
Figure SMS_37
表示无人机基站的高度，/>
Figure SMS_38
为第m辆车与无人机基站之间的水平距离。/>
Figure SMS_39
计算方法如下：
Figure SMS_40
其中，
Figure SMS_41
表示第m辆车在水平面的位置，/>
Figure SMS_42
为无人机在水平面的位置；
此外，
Figure SMS_43
非视距通信链路的概率为：
Figure SMS_44
S306：无线通信信号在传播时会受到环境的影响而有损耗，在考虑信道的长期变化和平均路径损失的前提下，无人机基站中
Figure SMS_45
和/>
Figure SMS_46
链路的路径损失模型分别为：
Figure SMS_47
,
Figure SMS_48
其中
Figure SMS_49
为载波频率，/>
Figure SMS_50
为无人机基站与第m辆车之间的距离；
在
Figure SMS_51
和/>
Figure SMS_52
链路模型下，A2G链路平均路径损失为：
Figure SMS_53
对于给定的UAV发射功率
Figure SMS_54
，第m辆车接收的功率取决于其通信链路所经历的路径损耗，表示为：
Figure SMS_55
无人机飞行和服务时会消耗能量，无人机水平直线飞行时的能耗为
Figure SMS_56
，垂直移动的能耗为/>
Figure SMS_57
，/>
Figure SMS_58
由无人机自身特性决定，则无人机在地点n处由初始位置到最佳悬停位置的移动能耗为：
Figure SMS_59
其中，
Figure SMS_60
表示UAV从初始高度到达最佳悬停高度后，先保持该高度执行当前任务，之后会先飞回到预定高度再飞往下一任务地点；
当无人机在地点n处的总能耗超过预定能耗
Figure SMS_61
时，无人机将停止当前区域的服务，飞往下一地点执行任务:/>
Figure SMS_62
其中
Figure SMS_63
表示无人机为地点n的m辆车提供服务的实际总能耗。
本方案中，通过DRL算法求解最佳覆盖率位置。
本发明第二方面提供了一种面向智能交通的无人机部署及飞行轨迹优化系统，该系统包括：存储器、处理器，所述存储器中包括面向智能交通的无人机部署及飞行轨迹优化方法程序，所述面向智能交通的无人机部署及飞行轨迹优化方法程序被所述处理器执行时实现如下步骤：
S1：利用历史交通流数据对即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过交通流预测，能够提前预判提前部署无人机，通过对飞行轨迹进行优化获取最优飞行轨迹有效减少能耗，提高服务质量。
附图说明
图1为本发明一种面向智能交通的无人机部署及飞行轨迹优化方法流程图。
图2为本发明实施例提供的一种无人机辅助车联网系统示意图。
图3为本发明中交通流预测流程图。
图4为本发明无人机飞行轨迹优化流程图。
图5为本发明无人机最佳悬停位置及联合车辆发射功率的联合优化流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
为实现无人机辅助车联网系统中的无人机能量效益最大化，提高无人机的服务质量，本发明基于无人机辅助车联网通信网络，是一种利用无人机辅助车辆无线通信优化和无人机路径规划的方法。针对车联网中无人机相关技术的广泛应用，不同于以往无人机需要在调度中心收到车辆求助信息以后才出发执行任务，本发明利用历史交通流数据对可能出现交通拥堵的区域进行预测，根据无人机提前制定调度方案的原则，在考虑无人机飞行能耗（包括直线飞行能耗和转角飞行能耗）、悬停能耗、服务效益的情况下对无人机进行路径规划。在上述方案下，可以保证无人机的能量效益最大化，缓解交通拥堵时的无线通信障碍，充分发挥无人机对于车辆无线通信的辅助作用。
如图2所示为实施例提供的一种无人机辅助车联网系统包括有：云服务器层、无人机层、底面车辆层，本发明所述方法适用于所述的无人机辅助车联网系统，如图1所示，本发明第一方面提供了一种面向智能交通的无人机部署及飞行轨迹优化方法，包括以下步骤：
S1：利用历史交通流数据对待执行任务区域即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。
如图3所示，本方案中，利用历史交通流数据对即将出现的路口进行交通流预测具体过程为：
S101：数据收集，收集待执行任务区域的历史交通流数据；
S102：数据清洗，将获取的历史交通流数据中的空值数据、重复数据去除，所述空值数据为检测失误产生的数据，所述去除重复数据是根据时间、路口、车牌号进行重复数据的去除；
S103：对清洗后的数据进行特征归纳，首先将时间序列转换成时间戳格式数据，提取日期、小时、分钟判断是否为周末，并将数据按照路口、时间戳排序，并计算待执行任务区域内每个路口每5min内的车流量；需要说明的是工作日与周末对路口交通流影响不同。
S104：采用Light-GBM算法对特征归纳后的数据进行训练，其中，使用交叉验证降低误差率，使用均方根误差作为评估标准，得到训练模型。
利用训练得到的模型对即将出现的路口进行交通流预测，得到即将出现的路口的预测车流量；
S105：对预测车流量进行分类，将车流量大于或等于拥堵阈值
Figure SMS_64
的地点记为拥堵地点，并保存拥堵地点位置数据。所述位置数据即拥堵地点的GPS定位数据。
如图4所示，飞行轨迹优化流程。本方案中，S2：根据预测的交通流优化无人机的飞行轨迹，具体过程为；
S201：根据预测的车流和计算需求、通信需求的历史平均值估计服务需求，设每一个车辆的计算需求相等且为历史平均值
Figure SMS_65
，通信需求历史平均值为/>
Figure SMS_66
，地点n预测的车流量为/>
Figure SMS_67
，则地点n的服务需求为：
Figure SMS_68
Figure SMS_69
其中
Figure SMS_70
分别为地点n的计算和服务能耗；
S202：定义函数
Figure SMS_71
为无人机的服务质量函数：
Figure SMS_72
/>
其中，Q为UAV飞行轨迹，
Figure SMS_73
表示UAV在轨迹Q下的飞行能耗；
S203：以无人机的服务质量最大化为任务目标构建目标函数和约束条件，则将无人机飞行轨迹优化问题转化为通过优化轨迹Q使服务质量函数最大化；
S204：通过目标函数和约束条件计算每一条路径的飞行能耗，其中最小飞行能耗的飞行轨迹能够满足无人机的服务质量最大，将最小飞行能耗的飞行轨迹作为最优飞行轨迹调整无人机实时飞行轨迹。
本方案中，以无人机的服务质量最大化为任务目标构建目标函数和约束条件如下：
Figure SMS_74
式（5）为目标函数，式（6）~（9）为约束条件；式（6）中
Figure SMS_75
为轨迹Q下的UAV飞行能耗,其中/>
Figure SMS_76
为UAV直线飞行的能耗，设e是UAV水平直线飞行一个单位长度的能耗，/>
Figure SMS_77
表示UAV从第n个路口飞往第n+1个路口之间的直线飞行距离，/>
Figure SMS_78
是无人机转角能耗，k表示UAV从在轨迹Q下飞行所需转角的数量，设每次UAV转弯时的角度大小均为/>
Figure SMS_79
，式（9）中E为无人机的电池储量。
需要说明的是，由于无人机电池储量有限，所以要保证总的服务能耗和飞行能耗小于电池储存的能量。
在一个具体的实施例中，轨迹优化方法可以通过列出轨迹树，计算不同路径的飞行能耗，找到最小飞行能耗的飞行轨迹，将最小飞行能耗的飞行轨迹作为最优的飞行轨迹，根据最优的飞行轨迹调整无人机的实时飞行轨迹。
如图5所示，本方案中，无人机到达第n个待执行任务区域时，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量具体步骤为：
S301：将第n个待执行任务区域被划分为
Figure SMS_80
个单元格，无人机部署在单元格上方，并且能够覆盖整个单元格；
S302：给定地面车辆的位置，用
Figure SMS_82
表示地面车辆分布指示变量的集合，单元格/>
Figure SMS_84
中有车辆时，指示变量/>
Figure SMS_86
，否则为0；
Figure SMS_88
表示地面无人机覆盖指示变量的集合，单元格/>
Figure SMS_89
被覆盖时，指示变量/>
Figure SMS_90
，否则为0；由集合A和B可以得到地面车辆覆盖状态的集合/>
Figure SMS_91
，若单元格/>
Figure SMS_81
有车辆/>
Figure SMS_83
且被无人机覆盖/>
Figure SMS_85
时，/>
Figure SMS_87
，否则为0；
S303：以无人机所在高度的水平面为
Figure SMS_92
平面建立三维坐标系，设无人机到达地点n后的初始位置为/>
Figure SMS_93
，在t时刻无人机的位置为/>
Figure SMS_94
；
S304：设无人机的覆盖区域是半径为R的圆形区域，其覆盖范围随其高度的上升而增加，在满足覆盖率和路径损耗的前提下，无人机以最少的能耗从初始位置移动到最佳悬停位置；覆盖率定义为被覆盖的地面终端数量与总地面终端数量之比，在t时刻，覆盖率用
Figure SMS_95
表示：
Figure SMS_96
需要说明的是，覆盖率
Figure SMS_97
越大，说明UAV服务的车辆越多，可以通过DRL算法求解最佳覆盖率位置。
S305：无人机到达悬停位置后，开始为车辆提供通信和计算服务，设无人机悬停时覆盖区域内有m辆车，根据A2G信号模型可得第m辆车与无人机基站之间LOS链路的概率如下:
Figure SMS_98
Figure SMS_99
和/>
Figure SMS_100
是与环境类型相关的常数,/>
Figure SMS_101
表示无人机基站的高度，/>
Figure SMS_102
为第m辆车与无人机基站之间的水平距离。/>
Figure SMS_103
计算方法如下：
Figure SMS_104
其中，
Figure SMS_105
表示第m辆车在水平面的位置，/>
Figure SMS_106
为无人机在水平面的位置；
此外，
Figure SMS_107
非视距通信链路的概率为：
Figure SMS_108
S306：无线通信信号在传播时会受到环境的影响而有损耗，在考虑信道的长期变化和平均路径损失的前提下，无人机基站中
Figure SMS_109
和/>
Figure SMS_110
链路的路径损失模型分别为：
Figure SMS_111
,
Figure SMS_112
其中
Figure SMS_113
为载波频率，/>
Figure SMS_114
为无人机基站与第m辆车之间的距离；/>
在
Figure SMS_115
和/>
Figure SMS_116
链路模型下，A2G链路平均路径损失为：
Figure SMS_117
对于给定的UAV发射功率
Figure SMS_118
，第m辆车接收的功率取决于其通信链路所经历的路径损耗，表示为：
Figure SMS_119
需要说明的是，为了保证服务质量，即车辆的接受功率
Figure SMS_120
必须超过一定阈值/>
Figure SMS_121
，也就是说，如果第m辆车与UAV的链路经历的路径损耗小于或等于某个阈值/>
Figure SMS_122
，则UAV将为该车提供通信和计算服务。
无人机飞行和服务时会消耗能量，无人机水平直线飞行时的能耗为
Figure SMS_123
，垂直移动的能耗为/>
Figure SMS_124
，/>
Figure SMS_125
由无人机自身特性决定，则无人机在地点n处由初始位置到最佳悬停位置的移动能耗为：
Figure SMS_126
其中，
Figure SMS_127
表示UAV从初始高度到达最佳悬停高度后，先保持该高度执行当前任务，之后会先飞回到预定高度再飞往下一任务地点；
为了让无人机执行多个地区的任务，必须对无人机的服务能耗做出约束；
当无人机在地点n处的总能耗超过预定能耗
Figure SMS_128
时，无人机将停止当前区域的服务，飞往下一地点执行任务:
Figure SMS_129
其中
Figure SMS_130
表示无人机为地点n的m辆车提供服务的实际总能耗。
本方案中，通过DRL算法求解最佳覆盖率位置。
本发明第二方面提供了一种面向智能交通的无人机部署及飞行轨迹优化系统，该系统包括：存储器、处理器，所述存储器中包括面向智能交通的无人机部署及飞行轨迹优化方法程序，所述面向智能交通的无人机部署及飞行轨迹优化方法程序被所述处理器执行时实现如下步骤：
S1：利用历史交通流数据对即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，包括以下步骤：
S1：利用历史交通流数据对待执行任务区域即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S2：根据预测的交通流优化无人机的飞行轨迹，具体过程为；
S201：根据预测的车流和计算需求、通信需求的历史平均值估计服务需求，设每一个车辆的计算需求相等且为历史平均值
Figure QLYQS_1
，通信需求历史平均值为/>
Figure QLYQS_2
，地点n预测的车流量为
Figure QLYQS_3
，则地点n的服务需求为：
Figure QLYQS_4
Figure QLYQS_5
其中
Figure QLYQS_6
分别为地点n的计算和服务能耗；
S202：定义函数
Figure QLYQS_7
为无人机的服务质量函数：
Figure QLYQS_8
其中，Q为UAV飞行轨迹，
Figure QLYQS_9
表示UAV在轨迹Q下的飞行能耗；
S203：以无人机的服务质量最大化为任务目标构建目标函数和约束条件，则将无人机飞行轨迹优化问题转化为通过优化轨迹Q使服务质量函数最大化；
以无人机的服务质量最大化为任务目标构建目标函数和约束条件如下：
Figure QLYQS_10
式（5）为目标函数，式（6）~（9）为约束条件；式（6）中
Figure QLYQS_11
为轨迹Q下的UAV飞行能耗,其中
Figure QLYQS_12
为UAV直线飞行的能耗，设e是UAV水平直线飞行一个单位长度的能耗，/>
Figure QLYQS_13
表示UAV从第n个路口飞往第n+1个路口之间的直线飞行距离，/>
Figure QLYQS_14
是无人机转角能耗，k表示UAV从在轨迹Q下飞行所需转角的数量，设每次UAV转弯时的角度大小均为/>
Figure QLYQS_15
，式（9）中E为无人机的电池储量；
S204：通过目标函数和约束条件计算每一条路径的飞行能耗，其中最小飞行能耗的飞行轨迹能够满足无人机的服务质量最大，将最小飞行能耗的飞行轨迹作为最优飞行轨迹调整无人机实时飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量；
无人机到达第n个待执行任务区域时，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量具体步骤为：
S301：将第n个待执行任务区域被划分为
Figure QLYQS_16
个单元格，无人机部署在单元格上方，并且能够覆盖整个单元格；
S302：给定地面车辆的位置，用
Figure QLYQS_18
表示地面车辆分布指示变量的集合，单元格/>
Figure QLYQS_19
中有车辆时，指示变量/>
Figure QLYQS_22
，否则为0；/>
Figure QLYQS_24
表示地面无人机覆盖指示变量的集合，单元格/>
Figure QLYQS_25
被覆盖时，指示变量/>
Figure QLYQS_26
，否则为0；由集合A和B可以得到地面车辆覆盖状态的集合/>
Figure QLYQS_27
，若单元格/>
Figure QLYQS_17
有车辆/>
Figure QLYQS_20
且被无人机覆盖/>
Figure QLYQS_21
时，/>
Figure QLYQS_23
，否则为0；
S303：以无人机所在高度的水平面为
Figure QLYQS_28
平面建立三维坐标系，设无人机到达地点n后的初始位置为/>
Figure QLYQS_29
，在t时刻无人机的位置为/>
Figure QLYQS_30
；
S304：设无人机的覆盖区域是半径为R的圆形区域，其覆盖范围随其高度的上升而增加，在满足覆盖率和路径损耗的前提下，无人机以最少的能耗从初始位置移动到最佳悬停位置；覆盖率定义为被覆盖的地面终端数量与总地面终端数量之比，在t时刻，覆盖率用
Figure QLYQS_31
表示：
Figure QLYQS_32
S305：无人机到达悬停位置后，开始为车辆提供通信和计算服务，设无人机悬停时覆盖区域内有m辆车，根据A2G信号模型可得第m辆车与无人机基站之间LOS链路的概率如下:
Figure QLYQS_33
Figure QLYQS_34
和/>
Figure QLYQS_35
是与环境类型相关的常数,/>
Figure QLYQS_36
表示无人机基站的高度，/>
Figure QLYQS_37
为第m辆车与无人机基站之间的水平距离，/>
Figure QLYQS_38
计算方法如下：
Figure QLYQS_39
其中，
Figure QLYQS_40
表示第m辆车在水平面的位置，/>
Figure QLYQS_41
为无人机在水平面的位置；
此外，
Figure QLYQS_42
非视距通信链路的概率为：/>
Figure QLYQS_43
S306：无线通信信号在传播时会受到环境的影响而有损耗，在考虑信道的长期变化和平均路径损失的前提下，无人机基站中
Figure QLYQS_44
和/>
Figure QLYQS_45
链路的路径损失模型分别为：
Figure QLYQS_46
,
Figure QLYQS_47
其中
Figure QLYQS_48
为载波频率，/>
Figure QLYQS_49
为无人机基站与第m辆车之间的距离；
在
Figure QLYQS_50
和/>
Figure QLYQS_51
链路模型下，A2G链路平均路径损失为：
Figure QLYQS_52
对于给定的UAV发射功率
Figure QLYQS_53
，第m辆车接收的功率取决于其通信链路所经历的路径损耗，表示为：
Figure QLYQS_54
无人机飞行和服务时会消耗能量，无人机水平直线飞行时的能耗为
Figure QLYQS_55
，垂直移动的能耗为/>
Figure QLYQS_56
，/>
Figure QLYQS_57
由无人机自身特性决定，则无人机在地点n处由初始位置到最佳悬停位置的移动能耗为：
Figure QLYQS_58
其中，
Figure QLYQS_59
表示UAV从初始高度到达最佳悬停高度后，先保持该高度执行当前任务，之后会先飞回到预定高度再飞往下一任务地点；
当无人机在地点n处的总能耗超过预定能耗
Figure QLYQS_60
时，无人机将停止当前区域的服务，飞往下一地点执行任务:
Figure QLYQS_61
其中
Figure QLYQS_62
表示无人机为地点n的m辆车提供服务的实际总能耗。
2.根据权利要求1所述的一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，利用历史交通流数据对即将出现的路口进行交通流预测具体过程为：
S101：收集待执行任务区域的历史交通流数据；
S102：进行数据清洗，将获取的历史交通流数据中的空值数据、重复数据去除；
S103：对清洗后的数据进行特征归纳，首先将时间序列转换成时间戳格式数据，提取日期、小时、分钟判断是否为周末，并将数据按照路口、时间戳排序，并计算待执行任务区域内每个路口每5min内的车流量；
S104：采用Light-GBM算法对特征归纳后的数据进行训练，得到训练模型；利用训练得到的模型对即将出现的路口进行交通流预测，得到即将出现的路口的预测车流量；
S105：对预测车流量进行分类，将车流量大于或等于拥堵阈值
Figure QLYQS_63
的地点记为拥堵地点，并保存拥堵地点位置数据。
3.根据权利要求2所述的一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，采用Light-GBM算法对特征归纳后的数据进行训练过程中，使用交叉验证降低误差率。
4.根据权利要求2所述的一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，使用均方根误差作为评估标准。
5.根据权利要求1所述的一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，通过列出轨迹树，计算不同路径的飞行能耗，获取最优的飞行轨迹。
6.根据权利要求1所述的一种面向智能交通的无人机部署及飞行轨迹优化方法，其特征在于，通过DRL算法求解最佳覆盖率位置。
7.根据权利要求1所述的一种面向智能交通的无人机部署及飞行轨迹优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括面向智能交通的无人机部署及飞行轨迹优化方法程序，所述面向智能交通的无人机部署及飞行轨迹优化方法程序被所述处理器执行时实现如下步骤：
S1：利用历史交通流数据对即将出现的路口进行交通流预测；
S2：根据预测的交通流优化无人机的飞行轨迹；
S3：无人机根据优化的飞行轨迹到达待执行任务区域，根据实际车流量和任务需求找到最佳悬停位置，最大化服务质量。
CN202010659147.7A 2020-07-09 2020-07-09 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统 Active CN111949703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659147.7A CN111949703B (zh) 2020-07-09 2020-07-09 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659147.7A CN111949703B (zh) 2020-07-09 2020-07-09 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统

Publications (2)

Publication Number Publication Date
CN111949703A CN111949703A (zh) 2020-11-17
CN111949703B true CN111949703B (zh) 2023-06-06

Family

ID=73340326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010659147.7A Active CN111949703B (zh) 2020-07-09 2020-07-09 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统

Country Status (1)

Country Link
CN (1) CN111949703B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113589845A (zh) * 2021-08-10 2021-11-02 西北工业大学 一种基于无人机的即时交付调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109752690A (zh) * 2019-01-15 2019-05-14 西安电子科技大学 无人机定位nlos的消除算法、系统、装置及存储介质
CN109885088A (zh) * 2019-03-12 2019-06-14 西安交通大学 边缘计算网络中基于机器学习的无人机飞行轨迹优化方法
CN110381444A (zh) * 2019-06-24 2019-10-25 广东工业大学 一种无人机轨迹优化及资源分配方法
CN110503833A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于深度残差网络模型的入口匝道联动控制方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真系统及方法
CN110602633A (zh) * 2019-08-02 2019-12-20 广东工业大学 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200005633A1 (en) * 2018-06-28 2020-01-02 Cavh Llc Cloud-based technology for connected and automated vehicle highway systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109752690A (zh) * 2019-01-15 2019-05-14 西安电子科技大学 无人机定位nlos的消除算法、系统、装置及存储介质
CN109885088A (zh) * 2019-03-12 2019-06-14 西安交通大学 边缘计算网络中基于机器学习的无人机飞行轨迹优化方法
CN110381444A (zh) * 2019-06-24 2019-10-25 广东工业大学 一种无人机轨迹优化及资源分配方法
CN110602633A (zh) * 2019-08-02 2019-12-20 广东工业大学 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
CN110503833A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于深度残差网络模型的入口匝道联动控制方法
CN110570660A (zh) * 2019-11-06 2019-12-13 深圳市城市交通规划设计研究中心有限公司 一种实时在线交通仿真系统及方法

Also Published As

Publication number Publication date
CN111949703A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
US11881101B2 (en) Intelligent road side unit (RSU) network for automated driving
CN112068548B (zh) 5g环境下面向特殊场景的无人驾驶车辆路径规划方法
US11235777B2 (en) Vehicle path prediction and target classification for autonomous vehicle operation
US10867512B2 (en) Intelligent road infrastructure system (IRIS): systems and methods
US9866313B1 (en) UAV cellular communication service delivery
US10591608B2 (en) Positioning quality filter for the V2X technologies
CN109686082B (zh) 一种基于边缘计算节点的城市交通监测系统及部署方法
CN101582201B (zh) 基于离散事件监控器的机场场面活动控制系统及方法
CA3016825A1 (en) Predictive, integrated and intelligent system for control of times in traffic lights
US11436923B2 (en) Proactive sensing systems and methods for intelligent road infrastructure systems
CN104504941B (zh) 一种空中交通管制系统的飞行冲突解脱方法
CN110213716B (zh) 一种基于雾无线接入网络的车联组网方法
US20240005779A1 (en) Autonomous vehicle cloud system
CN104077928A (zh) 适用于航路外无规律飞行的通航过点位置信息更新方法
CN111949703B (zh) 一种面向智能交通的无人机部署及飞行轨迹优化方法及系统
CN112352250A (zh) 信息处理装置、信息处理方法和程序
CN116109081A (zh) 一种基于物联网的动态公交调度优化方法和装置
Yang et al. Stochastic Parameter Identification Method for Driving Trajectory Simulation Processes Based on Mobile Edge Computing and Self-Organizing Feature Mapping
CN115409288B (zh) 基于区域数字经济的物联网服务管理系统
Zhu et al. Cooperative aerial and ground vehicle trajectory planning for post-disaster communications: An attention-based learning approach
CN115762159A (zh) 路云协同下行人预测导向的自动驾驶路径规划系统
CN106686110A (zh) 一种公路一体化事件处理与应急调度系统
Zhu et al. Vehicular Communications
CN115968016A (zh) 信息传输方法及相关设备
Christopoulou et al. Vehicular Communications

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