CN112105086A - 基于流量预测的无人机自组网信道接入控制方法 - Google Patents

基于流量预测的无人机自组网信道接入控制方法 Download PDF

Info

Publication number
CN112105086A
CN112105086A CN202011274687.XA CN202011274687A CN112105086A CN 112105086 A CN112105086 A CN 112105086A CN 202011274687 A CN202011274687 A CN 202011274687A CN 112105086 A CN112105086 A CN 112105086A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
time frame
time
unmanned
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.)
Withdrawn
Application number
CN202011274687.XA
Other languages
English (en)
Inventor
陶婷
董超
朱小军
贺荣
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011274687.XA priority Critical patent/CN112105086A/zh
Publication of CN112105086A publication Critical patent/CN112105086A/zh
Priority to CN202110316549.1A priority patent/CN113365283A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于流量预测的无人机自组网信道接入控制方法，无人机飞行自组网采用基于移动预测的时帧优化方法和基于移动预测的信道资源分配方法，结合了节省信道资源和满足安全传输需求的优点，同时可以提供不同的QoS保证。本发明能够根据不同的场景需求，可以在保障安全传输的基础上大大提高信道的利用率。

Description

基于流量预测的无人机自组网信道接入控制方法
技术领域
本发明涉及无人机自组网体系架构技术领域，具体而言涉及一种基于流量预测的无人机自组网信道接入控制方法。
背景技术
无人机自组网（Flying adhoc Networks，FANETs）由于具有鲁棒性、灵活性和部署方便等优点，正成为多个无人系统的主要通信方式。单体无人机由于单体容量有限，已无法满足复杂的任务要求。多无人机协同作战具有高效、可扩展、覆盖范围广等优点，能够有效满足日益复杂的任务需求，是未来无人机作战的发展趋势。
然而，与单一无人系统相比，多无人系统虽然有许多优点，但在通信方面仍有其独特的挑战。通信是保证多无人机系统正常运行的关键。多无人机系统需要保持通信，传输必要的安全信息和业务信息，为上层应用提供服务保障。由于无人机具有通信距离远、传输速率高的优点，在无人机上安装定向天线是风机的发展趋势。然而，由于无人机运动速度快，定向天线覆盖角有限，在传输过程中容易发生链路中断，导致信道资源严重损失。此外，无人机在执行侦察和监视任务时经常需要传输视频包。为了提高视频应用的有效性和实时性，FANETs还应优先保证视频包的带宽。总的来说，由于无人机的高移动性，为安全包和服务包提供不同的QoS（Quality of Service）保证对于定向天线风扇的MAC协议是非常重要和具有挑战性的。
与移动自组织网络类似，信道接入协议是保证多个无人系统通信性能的关键因素。由于无人机的特点，FANETs MAC协议的设计也提出了新的挑战。首先，无人机通常是分组组网，数量和规模都很大。当大量节点争夺信道时，所产生的冲突会很严重，直接影响到网络的通信性能。二是无人机高速移动，使得网络中的节点频繁进出网络。网络拓扑结构的频繁变化会造成信道资源的严重损失。此外，网络拓扑结构的不断变化意味着无人机需要频繁地接入信道，信道竞争更加激烈。
发明内容
本发明针对现有技术中的不足，提供一种基于流量预测的无人机自组网信道接入控制方法，采用基于移动预测的时帧优化方法和基于移动预测的信道资源分配方法，结合了节省信道资源和满足安全传输需求的优点，同时可以提供不同的QoS保证，根据不同的场景需求，可以在保障安全传输的基础上大大提高信道的利用率。
为实现上述目的，本发明采用以下技术方案：
一种基于流量预测的无人机自组网信道接入控制方法，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息；
所述控制方法包括以下步骤：
S1，根据第
Figure 100002_DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 611360DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 100002_DEST_PATH_IMAGE004
时帧新到达的无人机数量；
S2，根据历史均值，估算在第
Figure 269874DEST_PATH_IMAGE002
时帧新到达网络的无人机数量；
S3，根据移动信息，预测在第
Figure 904118DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量；
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源；
S6，根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案；
S7，基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S7中，当目前的信道资源不能满足所有视频用户的需求时，采用贪心算法舍弃一个或多个影响最小的用户的需求。
进一步地，步骤S1中，所述根据第
Figure 204649DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 506318DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 601313DEST_PATH_IMAGE004
时帧新到达的无人机数量的过程包括以下步骤：
S11，分别获取第
Figure 722853DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量
Figure 100002_DEST_PATH_IMAGE006
、时隙的总数量
Figure 100002_DEST_PATH_IMAGE008
和传输阶段中时隙的数量
Figure 100002_DEST_PATH_IMAGE010
；
S12，解算下述公式，计算得到第
Figure 43719DEST_PATH_IMAGE002
时帧网络中无人机节点的数量
Figure 100002_DEST_PATH_IMAGE012
和第
Figure 403156DEST_PATH_IMAGE004
时帧新到达的无人机数量
Figure 100002_DEST_PATH_IMAGE014
：
Figure 100002_DEST_PATH_IMAGE016
。
进一步地，步骤S2中，根据下述公式估算在第
Figure 669052DEST_PATH_IMAGE002
时帧新到达网络的无人机数量：
Figure 100002_DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE020
是历史数据的数量。
进一步地，步骤S3中，根据下述公式，预测在第
Figure 464839DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量
Figure 100002_DEST_PATH_IMAGE022
：
Figure 100002_DEST_PATH_IMAGE024
Figure 100002_DEST_PATH_IMAGE026
式中，
Figure 100002_DEST_PATH_IMAGE028
和
Figure 100002_DEST_PATH_IMAGE030
分别表示现在中心无人机和无人机
Figure 100002_DEST_PATH_IMAGE032
的位置，
Figure 100002_DEST_PATH_IMAGE034
和
Figure 100002_DEST_PATH_IMAGE036
分别表示现在中心无人机和无人机
Figure 936534DEST_PATH_IMAGE032
的速度，
Figure 100002_DEST_PATH_IMAGE038
表示当前时帧SCHI的长度，
Figure 100002_DEST_PATH_IMAGE040
是全向天线的通信距离；如果
Figure 100002_DEST_PATH_IMAGE042
等于0，则表示无人机
Figure 399745DEST_PATH_IMAGE032
会离开中心无人机全向天线的通信范围。
进一步地，步骤S4中，采用下述公式计算得到第
Figure 100002_DEST_PATH_IMAGE044
帧的时隙数量：
Figure 100002_DEST_PATH_IMAGE046
Figure 100002_DEST_PATH_IMAGE048
Figure 100002_DEST_PATH_IMAGE050
Figure 100002_DEST_PATH_IMAGE052
式中，
Figure 100002_DEST_PATH_IMAGE054
是第
Figure 459712DEST_PATH_IMAGE044
时帧CCHI的时隙数目，
Figure 100002_DEST_PATH_IMAGE056
是第
Figure 290264DEST_PATH_IMAGE002
个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量，
Figure 736289DEST_PATH_IMAGE022
是在第
Figure 335898DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量。
进一步地，步骤S4中，如果有无人机被预测离开了网络而实际却没有离开，则该无人机将在下个时帧竞争空闲时隙。
进一步地，步骤S5中，采用下述公式对将在传输过程中触发链路中断的无人机进行预测：
Figure 100002_DEST_PATH_IMAGE058
其中，
Figure 100002_DEST_PATH_IMAGE060
Figure 100002_DEST_PATH_IMAGE062
Figure 100002_DEST_PATH_IMAGE064
Figure 100002_DEST_PATH_IMAGE066
式中，
Figure 599389DEST_PATH_IMAGE028
和
Figure 667970DEST_PATH_IMAGE030
分别表示现在中心无人机和无人机
Figure 652107DEST_PATH_IMAGE032
的位置，
Figure 371801DEST_PATH_IMAGE034
和
Figure 415980DEST_PATH_IMAGE036
分别表示现在中心无人机和无人机
Figure 486705DEST_PATH_IMAGE032
的速度，
Figure 274532DEST_PATH_IMAGE038
表示当前时帧SCHI的长度，
Figure 100002_DEST_PATH_IMAGE068
和
Figure 100002_DEST_PATH_IMAGE070
表示定向天线的覆盖距离和角度；如果
Figure 317574DEST_PATH_IMAGE042
等于0，即使天线处于定向模式无人机
Figure 781923DEST_PATH_IMAGE032
也不能在将来的SCHI保持和中心无人机的通信。
进一步地，步骤S6中，所述根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案的过程包括以下步骤：
S61，假设有网络中有
Figure 100002_DEST_PATH_IMAGE072
架无人机，采用
Figure 100002_DEST_PATH_IMAGE074
表示第
Figure 543205DEST_PATH_IMAGE032
架无人机在第
Figure 134724DEST_PATH_IMAGE002
时帧业务分组的队列长度，并且之前
Figure 829010DEST_PATH_IMAGE020
个时帧的队列长度分别为
Figure 100002_DEST_PATH_IMAGE076
，
Figure 100002_DEST_PATH_IMAGE078
，…，
Figure 100002_DEST_PATH_IMAGE080
；
S62，采用下述公式计算无人机
Figure 418254DEST_PATH_IMAGE032
在第
Figure 463571DEST_PATH_IMAGE002
时帧的到达速率：
Figure 100002_DEST_PATH_IMAGE082
式中，
Figure 100002_DEST_PATH_IMAGE084
表示无人机
Figure 544266DEST_PATH_IMAGE032
在第
Figure 827480DEST_PATH_IMAGE004
时帧已传输的分组尺寸；
S63，依次计算历史时帧的分组到达速率
Figure 100002_DEST_PATH_IMAGE086
，
Figure 100002_DEST_PATH_IMAGE088
，…，
Figure 100002_DEST_PATH_IMAGE090
；
S64，通过流量预测理论，结合无人机的分组到达速率在时间上具有的自相关性，根据历史值预测下一个时帧的到达速率
Figure 100002_DEST_PATH_IMAGE092
。
进一步地，步骤S7中，所述基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽的过程包括以下步骤：
S71，假设有
Figure 100002_DEST_PATH_IMAGE094
架无人机将在SCHI传输视频分组，分别定义他们的分组队列长度为
Figure 100002_DEST_PATH_IMAGE096
，
Figure 100002_DEST_PATH_IMAGE098
，…，
Figure 100002_DEST_PATH_IMAGE100
；
S72，根据下述公式计算每架无人机最小的传输时间的初始值：
Figure 100002_DEST_PATH_IMAGE102
式中，
Figure 100002_DEST_PATH_IMAGE104
表示传输视频分组中第
Figure 100002_DEST_PATH_IMAGE106
个无人机所需的最小传输时间的初始值,
Figure 100002_DEST_PATH_IMAGE108
为视频分组的最小带宽,
Figure 100002_DEST_PATH_IMAGE110
代表预测的第
Figure 728571DEST_PATH_IMAGE106
个无人机是否会发生链路中断,
Figure 100002_DEST_PATH_IMAGE112
代表无人机的到达速率,
Figure 100002_DEST_PATH_IMAGE114
代表无人机已传输的分组尺寸；
S73，根据下个时帧信道的拥塞情况对最小传输时间的初始值进行调整，得到最终为每个传输视频的无人机分配的信道资源：
Figure 100002_DEST_PATH_IMAGE116
Figure 100002_DEST_PATH_IMAGE118
式中，
Figure 100002_DEST_PATH_IMAGE120
表示为第
Figure 136550DEST_PATH_IMAGE106
个传输视频的无人机分配的信道资源，
Figure 100002_DEST_PATH_IMAGE122
为调整因子，
Figure 100002_DEST_PATH_IMAGE124
表示在第
Figure 53559DEST_PATH_IMAGE002
时帧所有视频用户需求的信道资源总和。
本发明的有益效果是：
本发明能够在提供不同QoS保证的同时，结合了节省信道资源和满足安全传输需求的优点：首先，基于移动预测机制优化新联合无人机的空位数目，减少安全包丢失的几率。其次，提出了一种基于流量预测的信道资源分配机制，在保证安全分组的基础上，优先保证业务分组的带宽，尤其是视频分组的带宽，以合理高效的利用信道资源。
附图说明
图1为本发明所涉及的无人机集中式组网场景示例图。
图2为本发明所无人机MAC帧结构示意图。
图3为本发明无人机组网信道结构示意图。
图4为本发明安全分组的分组时延与无人机节点数量关系实验仿真结果图。
图5为本发明安全分组的分组接收率与无人机节点数量关系实验仿真结果图。
图6为本发明业务分组的吞吐量与无人机节点数量关系实验仿真结果图。
图7为本发明视频分组的吞吐量与无人机节点数量关系实验仿真结果图。
图8是本发明的基于流量预测的无人机自组网信道接入控制方法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
结合图8，本发明提及一种基于流量预测的无人机自组网信道接入控制方法，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息。
所述控制方法包括以下步骤：
S1，根据第
Figure 191279DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 184643DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 673393DEST_PATH_IMAGE004
时帧新到达的无人机数量。
S2，根据历史均值，估算在第
Figure 144826DEST_PATH_IMAGE002
时帧新到达网络的无人机数量。
S3，根据移动信息，预测在第
Figure 668211DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量。
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络。
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源。
S6，根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案。
S7，基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
本发明提供的基于流量预测的无人机自组网信道接入控制方法中，Sink无人机通过单播的方式向其他无人机收集业务分组，其中包含视频，图像或者其他感知数据。另外为了保障无人机的飞行安全，每架无人机向相邻的无人机定期广播安全分组，其中包含位置，速度，障碍等安全消息。
本发明的控制方法将时帧划分为CCHI和SCHI。在CCHI，天线被设置为全向模式，所有无人机节点基于TDMA机制广播安全分组。为了区分服务，CCHI进一步划分为传输阶段和竞争阶段。传输阶段为已接入网络的无人机节点分配时隙，竞争阶段为新加入网络的无人机节点提供空闲时隙。在CCHI起始时刻，中心无人机广播一个通告，其中包含以下信息：(1)传输阶段时隙的数量及分配情况；（2）竞争阶段时隙的数量；（3）自己的安全分组。在该协议中，CCHI的时隙数量是根据无人机的数量动态变化。当所有的无人机节点广播完安全分组后，中心无人机根据业务分组的队列长度和类型，为要发送业务分组的无人机分配SCHI的信道资源（即传输时间）。在SCHI初始时刻，中心无人机再次发送通告，其包含了信道分配的结果。然后各个无人机根据分配的结果，将天线切换到定向模式向中心无人机传输业务分组。为了控制安全分组的时延，整个时帧被固定为100ms。
在应用于无人机自组网接入协议的问题中，存在通信性能与信道利用的优化问题，具体有如下挑战：1）无人机通常以群体组网，规模大，节点数量多。当大量的节点竞争信道时，所产的冲突将更加严重，这将直接影响着网络的通信性能；2）无人机在空中飞行，运行空间广，移动速度快，因此无人机组网节点的移动性强于一般的移动设备。无人机在空中运行速度较大，这使得网络拓扑频繁变换，则会导致信道资源损失严重；3）无人机对安全的要求更加严格，为了避免碰撞和事故，机体之间需要传输可靠的安全信息。同时无人机通常要完成侦察和监测等任务，需要传输图像，视频等多信道信息，因此无人系统组网要有足够的带宽保障这些多信道信息的有效性和实时性。一般来说，安全分组对时延和可靠性要求较高，而业务分组需要更高的吞吐量，对时延及可靠性有一定容忍能力。
具体地，所述基于流量预测的无人机自组网信道接入控制方法包括如下步骤：
在步骤1中根据第
Figure 832476DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 542943DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 589307DEST_PATH_IMAGE004
时帧新到达的无人机数量，其中，第
Figure 967199DEST_PATH_IMAGE002
时帧网络中无人机节点的数量定义为
Figure 36786DEST_PATH_IMAGE012
，第
Figure 500128DEST_PATH_IMAGE004
时帧新到达的无人机数量定义为
Figure 578943DEST_PATH_IMAGE014
：
Figure DEST_PATH_IMAGE126
其中，
Figure 280182DEST_PATH_IMAGE006
和
Figure 520671DEST_PATH_IMAGE008
分别表示在第
Figure 720577DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，为已知值。
又因为
Figure DEST_PATH_IMAGE128
，
Figure 337503DEST_PATH_IMAGE010
为传输阶段中时隙的数量，即已接入网络的无人机数量，则可以计算出第
Figure 424408DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 101377DEST_PATH_IMAGE004
时帧新到达的无人机数量。
在步骤2中根据历史均值，估算中心无人机预测在第
Figure 273732DEST_PATH_IMAGE002
时帧新到达网络的无人机数量：
Figure DEST_PATH_IMAGE018A
其中，
Figure 163191DEST_PATH_IMAGE020
是历史数据的数量。
在步骤3中根据移动预测在第
Figure 370181DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量，用
Figure 703205DEST_PATH_IMAGE022
表示：
Figure DEST_PATH_IMAGE024A
Figure DEST_PATH_IMAGE026A
其中
Figure 566118DEST_PATH_IMAGE028
和
Figure 524847DEST_PATH_IMAGE030
分别表示现在中心无人机和无人机
Figure 586344DEST_PATH_IMAGE032
的位置，
Figure 605116DEST_PATH_IMAGE034
和
Figure 1331DEST_PATH_IMAGE036
分别表示现在中心无人机和无人机
Figure 763750DEST_PATH_IMAGE032
的速度。
Figure 679754DEST_PATH_IMAGE038
表示当前时帧SCHI的长度，
Figure 869427DEST_PATH_IMAGE040
是全向天线的通信距离。如果
Figure 503670DEST_PATH_IMAGE042
等于0，则表示无人机
Figure 69781DEST_PATH_IMAGE032
会离开中心无人机全向天线的通信范围。
步骤4中根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；
由于无人机高速移动，集中式FANETs的网络拓扑频繁变化，在下个时帧没有必要为离开网络的无人机竞争分配时隙，并且还需要调整竞争阶段中空闲时隙的数量以供新的无人机接入网络。所以在
Figure 840291DEST_PATH_IMAGE044
帧，时隙数量的分配计算如下：
Figure DEST_PATH_IMAGE046A
Figure DEST_PATH_IMAGE048A
Figure DEST_PATH_IMAGE050A
Figure DEST_PATH_IMAGE052A
其中
Figure 89613DEST_PATH_IMAGE054
是第
Figure 211153DEST_PATH_IMAGE044
时帧CCHI的时隙数目，
Figure 315375DEST_PATH_IMAGE056
是第
Figure 205971DEST_PATH_IMAGE002
个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量。这样，中心无人机可以计算出下个时帧CCHI的时隙数量和分配情况。注意由于移动预测不完全可靠，可能有无人机被预测离开了网络而实际却没有离开，这种情况该无人机只需要在下个时帧竞争空闲时隙。
在步骤5中根据移动预测，中心无人机将判断哪些无人机会在传输过程中会触发链路中断，并取消为这些无人机分配信道资源，预测公式如下：
Figure DEST_PATH_IMAGE058A
其中，
Figure 455555DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE062A
Figure DEST_PATH_IMAGE064A
Figure DEST_PATH_IMAGE066A
其中
Figure 470916DEST_PATH_IMAGE068
和
Figure 644408DEST_PATH_IMAGE070
表示定向天线的覆盖距离和角度。上述公式修改了通信距离并添加了角度的约束。如果
Figure 140243DEST_PATH_IMAGE042
等于0，即使天线处于定向模式无人机
Figure 842620DEST_PATH_IMAGE032
也不能在将来的SCHI保持和中心无人机的通信。
在步骤6中根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案。
假设有网络中有
Figure 673172DEST_PATH_IMAGE072
架无人机，采用
Figure 119197DEST_PATH_IMAGE074
表示第
Figure 984385DEST_PATH_IMAGE032
架无人机在第
Figure 857663DEST_PATH_IMAGE002
时帧业务分组的队列长度，之前
Figure 175512DEST_PATH_IMAGE020
个时帧的队列长度为
Figure 159648DEST_PATH_IMAGE076
，
Figure 879343DEST_PATH_IMAGE078
，…，
Figure 189101DEST_PATH_IMAGE080
。根据队列长度可以计算每个时帧业务分组的到达速率。例如，采用下述公式计算无人机
Figure 243514DEST_PATH_IMAGE032
在第
Figure 31341DEST_PATH_IMAGE002
时帧的到达速率（表示为）：
Figure DEST_PATH_IMAGE082A
其中
Figure 339963DEST_PATH_IMAGE084
表示无人机
Figure 555044DEST_PATH_IMAGE032
在第
Figure 581905DEST_PATH_IMAGE004
时帧已传输的分组尺寸。同理，可以计算得到历史时帧的分组到达速率，即
Figure 173424DEST_PATH_IMAGE086
，
Figure 602131DEST_PATH_IMAGE088
，…，
Figure 253692DEST_PATH_IMAGE090
。假设无人机的分组到达速率在时间上具有自相关性，通过流量预测理论，可以根据历史值预测下一个时帧的到达速率
Figure 781232DEST_PATH_IMAGE092
。
在步骤7中基于步骤6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
假设有
Figure 910862DEST_PATH_IMAGE094
架无人机要在SCHI传输视频分组，本发明定义他们的分组队列长度为
Figure 194076DEST_PATH_IMAGE096
，
Figure 16539DEST_PATH_IMAGE098
，…，
Figure 17993DEST_PATH_IMAGE100
。为了保障视频分组的最小带宽
Figure 951313DEST_PATH_IMAGE108
，每架无人机最小的传输时间可以计算为：
Figure DEST_PATH_IMAGE102A
其中
Figure 823455DEST_PATH_IMAGE104
表示传输视频分组中第
Figure 66086DEST_PATH_IMAGE106
个无人机所需的最小传输时间,
Figure 289257DEST_PATH_IMAGE108
为视频分组的最小带宽,
Figure 291848DEST_PATH_IMAGE110
代表预测的第
Figure 549654DEST_PATH_IMAGE106
个无人机是否会发生链路中断,
Figure 448340DEST_PATH_IMAGE112
代表无人机的到达速率,
Figure 424386DEST_PATH_IMAGE114
代表无人机已传输的分组尺寸。这计算的只是初始值，实际分配值需要根据下个时帧信道的拥塞情况来调整。如果当前信道资源比较紧缺，而将来信道比较空闲，可以适当减少分配值为其他业务腾出更多的信道资源。而如果当前信道资源比较空闲，将来信道资源更拥挤，则需要为视频分组分配更多的信道资源以缓解视频业务在将来拥塞信道的竞争。因此最终为每个传输视频的无人机分配的信道资源是：
Figure DEST_PATH_IMAGE116A
Figure DEST_PATH_IMAGE118A
其中
Figure 653504DEST_PATH_IMAGE120
表示为第
Figure 765817DEST_PATH_IMAGE106
个传输视频的无人机分配的信道资源，
Figure 100983DEST_PATH_IMAGE122
为调整因子，
Figure 298746DEST_PATH_IMAGE124
表示在第
Figure 643140DEST_PATH_IMAGE002
时帧所有视频用户需求的信道资源总和。本发明用两个因素来比较下一个时帧的拥塞情况：第一个因素是当前时帧和下一个时帧业务到达速率的比较值，另一个因素是两个时帧SCHI的长度比例。虽然每个时帧的长度是固定的，但CCHI的时隙数量是动态调整的，因此SCHI也相应地改变。不仅如此，还结合了移动预测，如果无人机
Figure 875538DEST_PATH_IMAGE032
会产生链路中断，则
Figure 116027DEST_PATH_IMAGE042
等于0，否则等于1。
在极端的条件下，当目前的信道资源不能满足所有视频用户的需求时，可以应用贪心算法舍弃一个或多个影响最小的用户的需求。为传输视频的无人机分配完信道后，再为其他无人机分配信道资源。如果信道资源不足，则根据队列长度为它们按比例的分配信道资源。
本发明的联合优化通信和编队的高覆盖效率的无人机自组网分簇方法，图1是本发明提供的无人机集中式组网场景示例图。
图2是无人机组网的MAC帧结构示意图。本实施例修改了安全分组的MAC帧结构，在其头部添加了位置（10字节），速度（1字节），队列长度（1字节）和分组类型（1bit），共12个字节的字段。其中位置和速度是保障无人机安全飞行的关键信息，同时利用它们对无人机进行移动预测。队列长度和分组类型分别代表无人机需要传输业务分组的尺寸以及类型，用来制定信道分配方案。
图3为无人机组网信道结构示意图，本发明的控制方法把时帧划分为CCHI和SCHI。为了区分服务，CCHI进一步划分为传输阶段和竞争阶段。传输阶段为已接入网络的无人机节点分配时隙，竞争阶段为新加入网络的无人机节点提供空闲时隙。为了控制安全分组的时延，整个时帧被固定为100ms。
图4为本发明安全分组的分组时延与无人机节点数量关系实验仿真结果图。随着无人机节点的数量增多，LODMAC和PPMAC的时延急剧增高，而TPF-MAC（本发明的协议名称）总是保持在一个可接受的范围内（约50ms），满足安全分组的需求。
图5为本发明安全分组的分组接收率与无人机节点数量关系实验仿真结果图。TPF-MAC的分组接收率总高于LODMAC和PPMAC。由于LODMAC和PPMAC都是基于竞争的，随着无人机节点的增多由竞争和移动造成的冲突更加严重。在TPF-MAC中，基于移动预测的时帧优化机制根据无人机的数量动态分配了有效的时隙，无人机可以几乎无冲突的广播安全分组。
图6为本发明业务分组的吞吐量与无人机节点数量关系实验仿真结果图。从图中可以看出，即使PPMAC使用两个独立的收发器（可以同时工作），TPF-MAC也可以获得和PPMAC相当的吞吐量，且高于AMUAV的两倍以上。当无人机节点的平均速度从30m/s增加到60m/s，PPMAC和AMUAV的吞吐量减少了20%，而TPF-MAC只受到了轻微的影响。这是因为随着无人机飞行速度增加，由链路中断造成的信道资源损失更加严重。然而TPF-MAC采用移动预测防止在SCHI发生链路中断，避免了无效的传输。
图7为本发明视频分组的吞吐量与无人机节点数量关系实验仿真结果图。随着无人机节点数量的增多，TPF-MAC视频分组的吞吐量几乎线性增长且远高于其他协议。即使无人机节点的平均速度从30m/s增加到60m/s，TPF-MAC的吞吐量也只受到轻微的影响。这是因为在信道资源不足时，基于流量预测的信道分配机制保障了视频分组的带宽。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种基于流量预测的无人机自组网信道接入控制方法，其特征在于，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息；
所述控制方法包括以下步骤：
S1，根据第
Figure DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 17498DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure DEST_PATH_IMAGE004
时帧新到达的无人机数量；
S2，根据历史均值，估算在第
Figure 403480DEST_PATH_IMAGE002
时帧新到达网络的无人机数量；
S3，根据移动信息，预测在第
Figure 448797DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量；
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源；
S6，根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案；
S7，基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
2.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S7中，当目前的信道资源不能满足所有视频用户的需求时，采用贪心算法舍弃一个或多个影响最小的用户的需求。
3.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S1中，所述根据第
Figure 47268DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第
Figure 861640DEST_PATH_IMAGE002
时帧网络中无人机节点的数量和第
Figure 949682DEST_PATH_IMAGE004
时帧新到达的无人机数量的过程包括以下步骤：
S11，分别获取第
Figure 167780DEST_PATH_IMAGE002
时帧竞争阶段冲突时隙的数量
Figure DEST_PATH_IMAGE006
、时隙的总数量
Figure DEST_PATH_IMAGE008
和传输阶段中时隙的数量
Figure DEST_PATH_IMAGE010
；
S12，解算下述公式，计算得到第
Figure 101101DEST_PATH_IMAGE002
时帧网络中无人机节点的数量
Figure DEST_PATH_IMAGE012
和第
Figure 238822DEST_PATH_IMAGE004
时帧新到达的无人机数量
Figure DEST_PATH_IMAGE014
：
Figure DEST_PATH_IMAGE016
。
4.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S2中，根据下述公式估算在第
Figure 701027DEST_PATH_IMAGE002
时帧新到达网络的无人机数量：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
是历史数据的数量。
5.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S3中，根据下述公式，预测在第
Figure 642307DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量
Figure DEST_PATH_IMAGE022
：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE026
式中，
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE030
分别表示现在中心无人机和无人机
Figure DEST_PATH_IMAGE032
的位置，
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE036
分别表示现在中心无人机和无人机
Figure 208680DEST_PATH_IMAGE032
的速度，
Figure DEST_PATH_IMAGE038
表示当前时帧SCHI的长度，
Figure DEST_PATH_IMAGE040
是全向天线的通信距离；如果
Figure DEST_PATH_IMAGE042
等于0，则表示无人机
Figure 466486DEST_PATH_IMAGE032
会离开中心无人机全向天线的通信范围。
6.根据权利要求3所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S4中，采用下述公式计算得到第
Figure DEST_PATH_IMAGE044
帧的时隙数量：
Figure DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE052
式中，
Figure DEST_PATH_IMAGE054
是第
Figure 972029DEST_PATH_IMAGE044
时帧CCHI的时隙数目，
Figure DEST_PATH_IMAGE056
是第
Figure 682496DEST_PATH_IMAGE002
个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量，
Figure 223199DEST_PATH_IMAGE022
是在第
Figure 866670DEST_PATH_IMAGE002
时帧离开中心无人机通信范围的无人机数量。
7.根据权利要求6所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S4中，如果有无人机被预测离开了网络而实际却没有离开，则该无人机将在下个时帧竞争空闲时隙。
8.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S5中，采用下述公式对将在传输过程中触发链路中断的无人机进行预测：
Figure DEST_PATH_IMAGE058
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE066
式中，
Figure 529732DEST_PATH_IMAGE028
和
Figure 524233DEST_PATH_IMAGE030
分别表示现在中心无人机和无人机
Figure 806310DEST_PATH_IMAGE032
的位置，
Figure 569867DEST_PATH_IMAGE034
和
Figure 295508DEST_PATH_IMAGE036
分别表示现在中心无人机和无人机
Figure 246147DEST_PATH_IMAGE032
的速度，
Figure 394231DEST_PATH_IMAGE038
表示当前时帧SCHI的长度，
Figure DEST_PATH_IMAGE068
和
Figure DEST_PATH_IMAGE070
表示定向天线的覆盖距离和角度；如果
Figure 215557DEST_PATH_IMAGE042
等于0，即使天线处于定向模式无人机
Figure 361367DEST_PATH_IMAGE032
也不能在将来的SCHI保持和中心无人机的通信。
9.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S6中，所述根据队列长度，中心无人机预测各架无人机业务分组的到达速率，以制定信道分配方案的过程包括以下步骤：
S61，假设有网络中有
Figure DEST_PATH_IMAGE072
架无人机，采用
Figure DEST_PATH_IMAGE074
表示第
Figure 533723DEST_PATH_IMAGE032
架无人机在第
Figure 406870DEST_PATH_IMAGE002
时帧业务分组的队列长度，并且之前
Figure 145019DEST_PATH_IMAGE020
个时帧的队列长度分别为
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE078
，…，
Figure DEST_PATH_IMAGE080
；
S62，采用下述公式计算无人机
Figure 930572DEST_PATH_IMAGE032
在第
Figure 121382DEST_PATH_IMAGE002
时帧的到达速率：
Figure DEST_PATH_IMAGE082
式中，
Figure DEST_PATH_IMAGE084
表示无人机
Figure 765596DEST_PATH_IMAGE032
在第
Figure 92673DEST_PATH_IMAGE004
时帧已传输的分组尺寸；
S63，依次计算历史时帧的分组到达速率
Figure DEST_PATH_IMAGE086
，
Figure DEST_PATH_IMAGE088
，…，
Figure DEST_PATH_IMAGE090
；
S64，通过流量预测理论，结合无人机的分组到达速率在时间上具有的自相关性，根据历史值预测下一个时帧的到达速率
Figure DEST_PATH_IMAGE092
。
10.根据权利要求9所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S7中，所述基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽的过程包括以下步骤：
S71，假设有
Figure DEST_PATH_IMAGE094
架无人机将在SCHI传输视频分组，分别定义他们的分组队列长度为
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE098
，…，
Figure DEST_PATH_IMAGE100
；
S72，根据下述公式计算每架无人机最小的传输时间的初始值：
Figure DEST_PATH_IMAGE102
式中，
Figure DEST_PATH_IMAGE104
表示传输视频分组中第
Figure DEST_PATH_IMAGE106
个无人机所需的最小传输时间的初始值,
Figure DEST_PATH_IMAGE108
为视频分组的最小带宽,
Figure DEST_PATH_IMAGE110
代表预测的第
Figure 439340DEST_PATH_IMAGE106
个无人机是否会发生链路中断,
Figure DEST_PATH_IMAGE112
代表无人机的到达速率,
Figure DEST_PATH_IMAGE114
代表无人机已传输的分组尺寸；
S73，根据下个时帧信道的拥塞情况对最小传输时间的初始值进行调整，得到最终为每个传输视频的无人机分配的信道资源：
Figure DEST_PATH_IMAGE116
Figure DEST_PATH_IMAGE118
式中，
Figure DEST_PATH_IMAGE120
表示为第
Figure 212386DEST_PATH_IMAGE106
个传输视频的无人机分配的信道资源，
Figure DEST_PATH_IMAGE122
为调整因子，
Figure DEST_PATH_IMAGE124
表示在第
Figure 974806DEST_PATH_IMAGE002
时帧所有视频用户需求的信道资源总和。
CN202011274687.XA 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法 Withdrawn CN112105086A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011274687.XA CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法
CN202110316549.1A CN113365283A (zh) 2020-11-16 2021-03-24 一种基于流量预测的无人机自组网信道接入控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011274687.XA CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法

Publications (1)

Publication Number Publication Date
CN112105086A true CN112105086A (zh) 2020-12-18

Family

ID=73784593

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011274687.XA Withdrawn CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法
CN202110316549.1A Pending CN113365283A (zh) 2020-11-16 2021-03-24 一种基于流量预测的无人机自组网信道接入控制方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110316549.1A Pending CN113365283A (zh) 2020-11-16 2021-03-24 一种基于流量预测的无人机自组网信道接入控制方法

Country Status (1)

Country Link
CN (2) CN112105086A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115843005A (zh) * 2022-10-28 2023-03-24 苏州科技大学 通感一体化无人机网络的多点多维接入方法、系统及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114650603B (zh) * 2022-02-16 2022-12-13 中国船舶集团有限公司系统工程研究院 无人机集群自组织通信网络时隙资源动态分配方法
CN114670856B (zh) * 2022-03-30 2022-11-25 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN114900859B (zh) * 2022-07-11 2022-09-20 深圳市华曦达科技股份有限公司 一种easymesh网络管理方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495976A (zh) * 2018-12-05 2019-03-19 浙江大学 一种船载无人机通信信道接入方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106685515B (zh) * 2017-01-05 2019-10-22 清华大学 空间信息网络中卫星资源的分配方法和装置
CN108596078A (zh) * 2018-04-20 2018-09-28 南京信息工程大学 一种基于深度神经网络的海洋噪声信号识别方法
CN110751290A (zh) * 2019-10-29 2020-02-04 国网黑龙江省电力有限公司电力科学研究院 基于人工智能数据驱动的主要断面预测方法
CN111126220B (zh) * 2019-12-16 2023-10-17 北京瞭望神州科技有限公司 一种视频监控目标实时定位方法
CN111124489B (zh) * 2019-12-31 2023-05-23 浙江工业大学 一种基于bp神经网络的软件功能点数估算方法
CN111325325A (zh) * 2020-02-20 2020-06-23 贵州电网有限责任公司 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法
CN111867139B (zh) * 2020-07-06 2022-03-01 上海交通大学 基于q学习的深度神经网络自适应退避策略实现方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495976A (zh) * 2018-12-05 2019-03-19 浙江大学 一种船载无人机通信信道接入方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AIJING LI,ET AL: "CU-MAC: A MAC Protocol for Centralized UAV Networks with Directional Antennas", 《IEICE TRANSACTIONS ON COMMUNICATIONS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115843005A (zh) * 2022-10-28 2023-03-24 苏州科技大学 通感一体化无人机网络的多点多维接入方法、系统及存储介质
CN115843005B (zh) * 2022-10-28 2024-04-19 苏州科技大学 通感一体化无人机网络的多点多维接入方法、系统及存储介质

Also Published As

Publication number Publication date
CN113365283A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN112105086A (zh) 基于流量预测的无人机自组网信道接入控制方法
US8331396B2 (en) Method of congestion management in a wireless mesh network
JP4667899B2 (ja) パケット交換式のローカルエリアネットワークの単一の無線チャネルにおいて複数の端末間で伝送するための複数の一連のパケットをスケジューリングする方法及びシステム
Korkmaz et al. A cross-layer multihop data delivery protocol with fairness guarantees for vehicular networks
CN111163491B (zh) 一种高信道利用率的细粒度统计优先多址接入方法
CN110519845B (zh) 基于时隙辅助分配和使用的无人机自组网多跳tdma接入方法
Kakarla et al. A survey and qualitative analysis of multi-channel MAC protocols for VANET
CN109889253B (zh) 支持临近空间网络的自适应多信道媒介访问控制方法
EP3506573A1 (en) Method and system for traffic management, packet switching device and user device
CN109819474B (zh) 车载自组织网络中基于分簇的多优先级mac协议制定方法
KR102113037B1 (ko) 차량 간 통신에서 혼잡을 제어하기 위한 주기적 메시지의 능동형 시분할 브로드캐스팅 방법과 통신 설정 조절 방법 및 장치
Ruan et al. An adaptive channel division MAC protocol for high dynamic UAV networks
CN108200652B (zh) 一种应用于无人机集群的通信方法及装置
CN112040440A (zh) 一种支持不同QoS的无人机信道资源分配方法
Shao et al. Connectivity-aware medium access control in platoon-based vehicular ad hoc networks
WO2006050664A1 (en) System and method for controlling access to a wireless medium
US8045577B2 (en) Method and apparatus for allocating wireless resource and wireless network system
CN111182640B (zh) 一种无人机汇聚网络信道资源分配的方法和装置
CN110035540B (zh) 一种电缆调制解调器和数据传输系统
Tao et al. TPF-MAC: Traffic prediction based MAC protocol for fanets
Pang et al. A distributed congestion control strategy using harmonic search algorithm in internet of vehicles
Li et al. Cu-mac: A mac protocol for centralized uav networks with directional antennas
CN111194087B (zh) 一种无人机汇聚网络通信的方法、装置和系统
Li et al. A hybrid MAC for long-distance mesh network with multi-beam antennas
US20220110113A1 (en) Method for allocating resources in a wireless communication system

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201218