CN112243239B - 一种基于立交桥的无人机部署方法及相关装置 - Google Patents

一种基于立交桥的无人机部署方法及相关装置 Download PDF

Info

Publication number
CN112243239B
CN112243239B CN202011516354.3A CN202011516354A CN112243239B CN 112243239 B CN112243239 B CN 112243239B CN 202011516354 A CN202011516354 A CN 202011516354A CN 112243239 B CN112243239 B CN 112243239B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
vehicle
position information
clustering
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
CN202011516354.3A
Other languages
English (en)
Other versions
CN112243239A (zh
Inventor
廖卓凡
马银宝
郑斌
熊兵
王进
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and 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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202011516354.3A priority Critical patent/CN112243239B/zh
Publication of CN112243239A publication Critical patent/CN112243239A/zh
Application granted granted Critical
Publication of CN112243239B publication Critical patent/CN112243239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04W16/18—Network planning tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • 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
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于立交桥的无人机部署方法，由于车辆在行驶在立交桥时天然带有了高度这一属性，使得车辆的位置信息包括三维坐标值。通过聚类模型根据包括三维坐标值的位置信息，以及涉及无人机飞行高度的通信覆盖范围所生成的聚类中心也带有高度属性。将聚类中心作为无人机的第一位置信息，可以初步实现无人机的3D部署。而通过随机梯度上升模型，可以尽可能提高无人机与车辆之间通信的上行平均速率，从而保证无人机与车辆之间的通信质量。本发明还提供了一种基于立交桥的无人机部署装置、一种基于立交桥的无人机部署设备以及一种计算机可读存储介质，同样具有上述有益效果。

Description

一种基于立交桥的无人机部署方法及相关装置
技术领域
本发明涉及边缘网络技术领域，特别是涉及一种基于立交桥的无人机部署方法、一种基于立交桥的无人机部署装置、一种基于立交桥的无人机部署设备以及一种计算机可读存储介质。
背景技术
5G技术的进步使许多新兴应用成为可能，比如自动驾驶、增强现实(AR)、农业监测和物联网（IoT）。到2020年，全球联网设备总数超过238亿件，其中物联网设备129亿件；到2025年，全球联网设备总数将达到约364亿件，其中物联网设备252亿件。即将到来的第六代(6G)被期望无缝和无所不在地连接一切。许多物联网设备可能有有限的计算能力或没有计算能力，但一些物联网应用程序(例如:自动驾驶和AR)需要低延迟。这需要一个具有强大计算能力的云服务器来进行计算卸载。然而，由于云服务器距离用户设备(UEs)很远，数据爆炸式增长，单一的云服务器已不能满足用户的需求。为了克服这些限制，移动边缘计算(MEC)最近成为一种新的计算范式。MEC不仅减少了云服务器的流量，而且由于边缘服务器接近UE，极大地减少了延迟。
随着自动驾驶技术的飞速发展，智能汽车（SVs）得到了广泛的应用。人们普遍期望智能汽车能实现更安全、更有效的传输。然而，当地面基站（GBS）由于某种原因故障，或由于过多的交通而超载，或当前道路上没有部署GBS时，智能汽车无法得到适当的服务。近年来，无人机(UAV)由于其灵活性和三维(3D)特性，能够提供更好的视距(LOS)链路，提高通信质量，扩大网络覆盖范围，引起了广泛关注。
在现有技术中，可以将无人机部署在道路空中，通过部署的无人机作为计算节点，将汽车作为IoT设备，对汽车的运行进行处理。而该技术需要将无人机部署在道路空中合适的位置。而在现有技术中，通常只关注了无人机的2D部署，无人机的飞行高度在飞行期间保持不变。而实际上，无人机的飞行高度将会影响到无人机与目标设备之间的通信链路。因此，如何提供一种无人机3D部署方案是本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种基于立交桥的无人机部署方法，可以实现对无人机的3D部署；本发明的另一目的在于提供一种基于立交桥的无人机部署装置、一种基于立交桥的无人机部署设备以及一种计算机可读存储介质，可以实现对无人机的3D部署。
为解决上述技术问题，本发明提供一种基于立交桥的无人机部署方法，包括：
通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息；所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值；
通过随机梯度上升模型，依据所述无人机的数据传输速率模型以及所述第一位置信息，得到最大化上行平均速率所对应所述无人机的第二位置信息；
根据所述第二位置信息调整所述无人机的位置。
可选的，在所述得到最大化上行平均速率所对应所述无人机的第二位置信息之后，还包括：
通过所述无人机获取所述的车辆的移动信息；
根据所述移动信息计算下一计算周期时所述车辆的位置信息。
可选的，所述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
可选的，所述通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息包括：
通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心；
通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖；若是，则减少一个所述聚类中心的数量，重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤；若否，则将上一轮循环所生成的聚类中心的位置信息作为所述无人机的第一位置信息。
本发明还提供了一种基于立交桥的无人机部署装置，包括：
聚类模块：用于通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息；所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值；
随机梯度上升模块：用于通过随机梯度上升模型，依据所述无人机的数据传输速率模型以及所述第一位置信息，得到最大化上行平均速率所对应所述无人机的第二位置信息；
调整模块：用于根据所述第二位置信息调整所述无人机的位置。
可选的，还包括：
移动信息模块：用于通过所述无人机获取所述的车辆的移动信息；
预测模块：用于根据所述移动信息计算下一计算周期时所述车辆的位置信息。
可选的，所述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
可选的，聚类模块具体包括：
聚类单元：通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心；
二元判断单元：用于通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖；若是，则减少一个所述聚类中心的数量，重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤；若否，则将上一轮循环所生成的聚类中心的位置信息作为所述无人机的第一位置信息。
本发明还提供了一种基于立交桥的无人机部署设备，所述设备包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序时实现如上述任一项所述基于立交桥的无人机部署方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于立交桥的无人机部署方法的步骤。
本发明所提供的一种基于立交桥的无人机部署方法，包括通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定无人机的第一位置信息；通信覆盖范围为依据无人机的通信半径以及无人机的飞行高度得到的通信覆盖范围；车辆位置信息为行驶在立交桥中车辆的位置信息；车辆位置信息包括车辆的三维坐标值；通过随机梯度上升模型，依据无人机的数据传输速率模型以及第一位置信息，得到最大化上行平均速率所对应无人机的第二位置信息；根据第二位置信息调整无人机的位置。
由于车辆在行驶在立交桥时天然带有了高度这一属性，使得车辆的位置信息包括三维坐标值。通过聚类模型根据包括三维坐标值的位置信息，以及涉及无人机飞行高度的通信覆盖范围所生成的聚类中心也带有高度属性。将聚类中心作为无人机的第一位置信息，可以初步实现无人机的3D部署。而通过随机梯度上升模型，可以尽可能提高无人机与车辆之间通信的上行平均速率，从而保证无人机与车辆之间的通信质量。
本发明还提供了一种基于立交桥的无人机部署装置、一种基于立交桥的无人机部署设备以及一种计算机可读存储介质，同样具有上述有益效果，在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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为本发明实施例所提供的一种无人机部署示意图；
图2为本发明实施例所提供的一种基于立交桥的无人机部署方法的流程图；
图3为本发明实施例所提供的一种具体的基于立交桥的无人机部署方法的流程图；
图4为本发明实施例所提供的一种基于立交桥的无人机部署装置的结构框图；
图5为本发明实施例所提供的一种基于立交桥的无人机部署设备的结构框图。
具体实施方式
本发明的核心是提供一种基于立交桥的无人机部署方法。在现有技术中，可以将无人机部署在道路空中，通过部署的无人机作为计算节点，将汽车作为IoT设备，对汽车的运行进行处理。而该技术需要将无人机部署在道路空中合适的位置。而在现有技术中，通常只关注了无人机的2D部署，无人机的飞行高度在飞行期间保持不变。而实际上，无人机的飞行高度将会影响到无人机与目标设备之间的通信链路。
而本发明所提供的一种基于立交桥的无人机部署方法，包括通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定无人机的第一位置信息；通信覆盖范围为依据无人机的通信半径以及无人机的飞行高度得到的通信覆盖范围；车辆位置信息为行驶在立交桥中车辆的位置信息；车辆位置信息包括车辆的三维坐标值；通过随机梯度上升模型，依据无人机的数据传输速率模型以及第一位置信息，得到最大化上行平均速率所对应无人机的第二位置信息；根据第二位置信息调整无人机的位置。
由于车辆在行驶在立交桥时天然带有了高度这一属性，使得车辆的位置信息包括三维坐标值。通过聚类模型根据包括三维坐标值的位置信息，以及涉及无人机飞行高度的通信覆盖范围所生成的聚类中心也带有高度属性。将聚类中心作为无人机的第一位置信息，可以初步实现无人机的3D部署。而通过随机梯度上升模型，可以尽可能提高无人机与车辆之间通信的上行平均速率，从而保证无人机与车辆之间的通信质量。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1以及图2，图1为本发明实施例所提供的一种无人机部署示意图；图2为本发明实施例所提供的一种基于立交桥的无人机部署方法的流程图。
参见图1，本申请具体涉及一个双层立交桥结构，无人机为路面上的车辆或车辆所携带的物联网设备提供给通信或计算服务。我们假设立交桥的通信基础设施(如GBS)要么不存在，要么由于其他原因，如自然灾害故障。系统中有M个IoT设备和N架无人机，其集合分别表示为M={1，2，…,M}和N={1，2，…,N}。值得注意的是，无人机和物联网设备的坐标都在3D空间中。我们考虑一个多时间帧系统，其中每个帧被划分为T个相等的时隙
Figure 338497DEST_PATH_IMAGE001
。在每个时隙内，物联网设备可以将其信息(如行进方向、车速等)发送给无人机。在一个时隙内，车辆的速度保持不变。
在不失一般性的前提下，假设每架无人机在其覆盖区域内可以同时与多台车辆通信，并通过分配适当的正交资源来保证多台车辆与无人机之间通信不会相互干扰。另外，我们假设相邻无人机被分配到频谱的不同部分，因此无人机之间的通信也是无干扰的。车辆的到达服从泊松分布。具体在本申请中会使用
Figure 55305DEST_PATH_IMAGE002
Veh/Km作为每一层的车辆密度。我们采用高速公路广泛使用的交通模型，其中车辆以随机速度行驶。车辆速度分布在截断高斯分布范围
Figure 366201DEST_PATH_IMAGE003
内。
参见图2，在本发明实施例中，基于立交桥的无人机部署方法包括：
S101：通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定无人机的第一位置信息。
在本发明实施例中，所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值。
在本步骤之前，通常需要先获取当前路面车辆位置信息图，该车辆位置信息图通常包括当前路面中行驶的全部车辆的车辆位置信息，且每一个车辆位置信息包括该车辆的三维坐标值。由于在本发明实施例中，车辆具体会行驶在立交桥中，此时不同的车辆可能会处于不同层路面行驶，此时车辆自动具有不同的高度，从而使得立交桥中车辆具体是呈三维空间分布而不是呈常规路面中二维平面分布。相应的，上述车辆的三维坐标值会表明车辆在三维空间中所处的位置。
上述通信覆盖范围为依据无人机的通信半径以及无人机的飞行高度得到的通信覆盖范围，其中无人机的通信半径通常为一定值，无人机的飞行高度通常是在无人机最低飞行高度与无人机最高飞行高度之间可调，有关该通信覆盖范围的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。
在本步骤中，具体会调用聚类模型，有关聚类模型的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。上述通过聚类模型生成的聚类中心通常具有高度属性，会在三维空间内分布。而在本步骤中通常会作为无人机的初始位置，即作为无人机的第一位置信息。需要说明的是，上述车辆通常为智能车辆，即SVs，从而可以作为IoT设备使用。
S102：通过随机梯度上升模型，依据无人机的数据传输速率模型以及第一位置信息，得到最大化上行平均速率所对应无人机的第二位置信息。
在本步骤中，需要对无人机的位置进行调整，以最大化路面上行驶的车辆的平均可到达上行速率，即需要通过随机梯度上升模型来得到最大化上行平均速率所对应的无人机的第二位置信息。众所周知，在求解一个函数的最小值时，可以采用梯度下降(GD)方法逐级迭代求解，得到最小函数值和模型参数值。相反，如果我们想要找到函数的最大值，那么我们需要使用梯度上升的方法进行迭代。有关随机梯度上升模型的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。
有关数据传输速率模型的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。在本步骤中，具体会调用随机梯度上升模型，依据数据传输速率模型以及所述第一位置信息，得到上述第二位置信息，该第二位置信息即本步骤中在上述第一位置信息的基础上对无人机位置进行的校正。
S103：根据第二位置信息调整无人机的位置。
在本步骤中，具体会根据第二位置信息调整无人机的位置，以完成无人机的部署。需要说明的是，在本发明实施例中通常可以得到多个第二位置信息，而对于每一个第二位置信息均会部署一个无人机实现与车辆的通信。
在本步骤之后，通常还包括：通过所述无人机获取所述的车辆的移动信息；根据所述移动信息计算下一计算周期时所述车辆的位置信息。
该移动信息通常为车辆上传至无人机的，可以表明该车辆自身移动方向、速度等参数的移动信息，有关该移动信息的具体内容可以根据实际情况自行设定，在此不做具体限定。在本步骤中，具体可以通过该移动信息以及上述车辆位置信息预测，即计算车辆在下一时刻的车辆位置信息，成型下一时刻的车辆位置信息图。进而在循环本发明实施例所提供的基于立交桥的无人机部署方法时，可以直接根据该预测的车辆位置信息来进行下一轮无人机的部署。
本发明实施例所提供的一种基于立交桥的无人机部署方法，包括通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定无人机的第一位置信息；通信覆盖范围为依据无人机的通信半径以及无人机的飞行高度得到的通信覆盖范围；车辆位置信息为行驶在立交桥中车辆的位置信息；车辆位置信息包括车辆的三维坐标值；通过随机梯度上升模型，依据无人机的数据传输速率模型以及第一位置信息，得到最大化上行平均速率所对应无人机的第二位置信息；根据第二位置信息调整无人机的位置。
由于车辆在行驶在立交桥时天然带有了高度这一属性，使得车辆的位置信息包括三维坐标值。通过聚类模型根据包括三维坐标值的位置信息，以及涉及无人机飞行高度的通信覆盖范围所生成的聚类中心也带有高度属性。将聚类中心作为无人机的第一位置信息，可以初步实现无人机的3D部署。而通过随机梯度上升模型，可以尽可能提高无人机与车辆之间通信的上行平均速率，从而保证无人机与车辆之间的通信质量。
需要说明的是，在本发明实施例中，上述S102需要应用到无人机与车辆之间的通信模型，而在本发明实施例中，具体会用
Figure 417202DEST_PATH_IMAGE004
与
Figure 356208DEST_PATH_IMAGE005
分别表示无人机n与IoT设备，即车辆m的位置坐标，即位置信息。无人机的高度
Figure 709829DEST_PATH_IMAGE006
Figure 242442DEST_PATH_IMAGE007
在飞行过程中可以改变。无人机n与IoT设备m之间的距离可表示为：
Figure 847867DEST_PATH_IMAGE008
=
Figure 47904DEST_PATH_IMAGE009
。
在本发明实施例所构建的网络中，特别是针对实际情况中的郊区或高架桥场景中，散射体非常稀疏，大规模衰落的影响通常比小规模衰落严重得多。因此，而在典型的无人机辅助通信中，无人机对车辆通道具有强视距特征，即车辆与无人机之间传输的无线信号沿直线传播，此时要求在第一菲涅尔区内没有对无线电波造成遮挡的物体。因此，小尺度衰落引起的信道变化通常被忽略。因此，本发明实施例中通信模型具体为综合考虑大尺度衰落和平均路径损耗建立通信模型。
有关大尺度衰落，本发明实施例假设给个IoT设备m以固定的传输功率
Figure 228218DEST_PATH_IMAGE010
传输数据，而接收端的功率
Figure 389072DEST_PATH_IMAGE011
可以表示为：
Figure 657243DEST_PATH_IMAGE012
；
其中
Figure 370508DEST_PATH_IMAGE013
表示在时隙t中无人机n到IoT设备m的信道增益。该信道增益可以表示为：
Figure 206877DEST_PATH_IMAGE014
；
其中
Figure 573136DEST_PATH_IMAGE015
表示为参考距离等于一米时的平均路径增益的中值，||·||表示欧式距离。
有关平均路径损耗，空对地(ATG)信道可以用无人机和目标IoT设备之间的视距链路(LoS)场景的概率，和非视距链路(NLoS)场景的概率来描述。因此，无人机n与IoT设备m之间的平均路径损失可表示为：
Figure 379418DEST_PATH_IMAGE016
=
Figure 678682DEST_PATH_IMAGE017
；
其中，
Figure 279427DEST_PATH_IMAGE018
与
Figure 273928DEST_PATH_IMAGE019
分别表示视距链路与非视距链路的路径损耗，其分别可以表示为：
Figure 493688DEST_PATH_IMAGE020
；
Figure 522824DEST_PATH_IMAGE021
；
其中
Figure 560050DEST_PATH_IMAGE022
为载频，
Figure 166481DEST_PATH_IMAGE023
为光速，
Figure 314565DEST_PATH_IMAGE024
代表视距链路的平均额外损耗，
Figure 73574DEST_PATH_IMAGE024
代表非视距链路的平均额外损耗，其数值分别取决于LoS链路与NLoS链路。最后，
Figure 547280DEST_PATH_IMAGE025
表示无人机n与IoT设备m之间的视距链路概率，
其可以表示为：
Figure 643937DEST_PATH_IMAGE026
；
其中
Figure 595712DEST_PATH_IMAGE027
和
Figure 474807DEST_PATH_IMAGE028
两个取决于环境的常量，例如城市，郊区，高层建筑的城市，农村等，
Figure 853835DEST_PATH_IMAGE029
代表物联网设备m对无人机n的仰角。上述公式表示如果无人机n到IoT设备m之间不存在路面遮挡，则按常规的计算方法计算；否则，
Figure 44645DEST_PATH_IMAGE030
。
基于上述两种路径损耗模型，本发明实施例中数据传输速率可以表示为：
Figure 924746DEST_PATH_IMAGE031
= B *
Figure 251822DEST_PATH_IMAGE032
；
其中，
Figure 801752DEST_PATH_IMAGE033
表示无人机接收端高斯白噪声的功率，
Figure 620803DEST_PATH_IMAGE034
为实际调制方案与理论高斯信号之间的信噪比差。即上述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
上述S101在调用聚类模型进行聚类时，需要考虑到无人机的能量限制，也需要考虑到无人机的机动性限制。而当无人机飞行到立交桥段上作为服务器连接物联网设备时，无人机需要确定其轨迹以节省其总能耗。而在本发明实施例中遵循已有的无人机能耗模型，其中无人机恒速
Figure 179960DEST_PATH_IMAGE035
的总功耗可建模为：
Figure 627122DEST_PATH_IMAGE036
；
其中
Figure 738167DEST_PATH_IMAGE037
和
Figure 44514DEST_PATH_IMAGE038
是两个常量，分别代表悬停状态下叶型功率和诱导功率，
Figure 876204DEST_PATH_IMAGE039
表示转子叶片的叶尖速度，
Figure 709031DEST_PATH_IMAGE040
和
Figure 459818DEST_PATH_IMAGE041
分别为机身阻力比和旋翼固度，
Figure 112516DEST_PATH_IMAGE042
和
Figure 747897DEST_PATH_IMAGE043
分别表示空气密度和转子盘面积，其中
Figure 45017DEST_PATH_IMAGE044
为悬停时平均旋翼诱导速度。
此时无人机在恒速
Figure 107651DEST_PATH_IMAGE035
下覆盖距离
Figure 247645DEST_PATH_IMAGE045
的总能耗可计算为
Figure 91578DEST_PATH_IMAGE046
。
本发明实施例的目标是在无人机和车辆机动性约束条件下，优化无人机的布局，以及无人机的能量预算，使在立交桥段服务车辆的无人机数量最小化，同时最大化平均上行总速率。在本发明实施例中引入二元决策变量
Figure 367839DEST_PATH_IMAGE047
来表示无人机n在时隙t时是否覆盖物联网设备m,
Figure 742320DEST_PATH_IMAGE047
定义如下：
Figure 104031DEST_PATH_IMAGE048
；
本发明实施例上述目标可以阐述为：
Figure 346793DEST_PATH_IMAGE049
s.t.
Figure 602194DEST_PATH_IMAGE050
Figure 272210DEST_PATH_IMAGE051
Figure 262163DEST_PATH_IMAGE052
Figure 777458DEST_PATH_IMAGE053
Figure 293890DEST_PATH_IMAGE054
Figure 993861DEST_PATH_IMAGE055
其中
Figure 595744DEST_PATH_IMAGE056
表示无人机的最大能耗限制，
Figure 55675DEST_PATH_IMAGE057
和
Figure 426614DEST_PATH_IMAGE058
分别表示无人机的最小高度和最大高度。
约束C1表示每架无人机n的能量限制，约束C2表示
Figure 563066DEST_PATH_IMAGE047
为二进制。约束C3表示无人机高度限制。约束C4表明，每一辆车辆m每次最多由一架无人机提供服务。约束C5意味着每一车辆m均需要被一架无人机覆盖。约束C6表示在UAV的机动性限制，即单位之间内无人机的飞行距离有一个上限。
本发明实施例所提供的一种基于立交桥的无人机部署方法的目的在于最小化在立交桥区段服务车辆的无人机的数量，同时最大化平均上行总速率。上述阐述具体是一个非凸混合整数规划问题。为此，本发明提供的基于立交桥的无人机部署方法包括一个两阶段算法。首先通过聚类算法将所有IoT设备分成K个簇。之后采用梯度上升算法确定无人机在每个集群的最优部署位置，以最大化平均上行总速率。
有关本发明所提供的一种基于立交桥的无人机部署方法的具体内容将在下述发明实施例中做详细介绍。
请参考图3，图3为本发明实施例所提供的一种具体的基于立交桥的无人机部署方法的流程图。
在本发明实施例中，对于给定的无人机的服务半径
Figure 386665DEST_PATH_IMAGE059
,无人机的飞行高度
Figure 650288DEST_PATH_IMAGE060
和天桥长度
Figure 875733DEST_PATH_IMAGE061
，很明显,只需要
Figure 186016DEST_PATH_IMAGE062
架无人机便覆盖整个天桥。然而，由于无人机的灵活性以及车辆分布、速度等因素，时隙
Figure 762491DEST_PATH_IMAGE063
时达到车辆的全覆盖可能需要更少的无人机。为了更好地表述这个问题，我们引入变量
Figure 423279DEST_PATH_IMAGE064
表示无人机n在时隙t所覆盖的车辆集合。
本发明实施例所提供的基于立交桥的无人机部署方法的大体流程如下：首先进行IoT设备的聚类，求得无人机的部署数量和无人机的初始位置。之后在每个时隙t优化无人机的位置。而车辆可以发送信息，例如速度、方向等到无人机,无人机可以学习下一个时隙t+1的车辆位置信息。最后，更新
Figure 113017DEST_PATH_IMAGE065
，根据新的车辆分布信息，实现对无人机位置的部署。
参见图3，在本发明实施例中，基于立交桥的无人机部署方法包括：
S201：通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心。
本步骤的目标是在每个时隙t内寻找最优无人机部署位置，以使立交桥中服务车辆的无人机数量最小化。在本发明实施例中，具体会使用一种基于K -means策略的聚类模型，即聚类算法，在满足上述约束的情况下，将所有IoT设备，即车辆划分为K个聚类。
首先，对于给定的无人机的服务半径
Figure 732218DEST_PATH_IMAGE059
，无人机的飞行高度
Figure 264830DEST_PATH_IMAGE060
和天桥长度
Figure 853943DEST_PATH_IMAGE045
，在本发明实施例中会使用
Figure 788401DEST_PATH_IMAGE062
作为
Figure 312924DEST_PATH_IMAGE066
的初值。在本发明实施例中具体会使用集群中每个点的均值来定义集群的中心
Figure 473778DEST_PATH_IMAGE067
，其可以定义为：
Figure 476369DEST_PATH_IMAGE068
其中
Figure 593229DEST_PATH_IMAGE069
是每个聚簇的点的集合，
Figure 554232DEST_PATH_IMAGE070
代表每个簇中点的个数；c是center的缩写，xc代表x轴的中心，yc代表y轴的中心，hc代表z轴的中心。
S202：通过二进制变量根据聚类中心判断每一车辆是否均被无人机覆盖。
众所周知，如果K越小，每个簇中会有更多的点。这意味着当集群太大时，两点之间的距离超过无人机的服务范围的可能性很大。为此，本发明实施例引入一个二进制变量Φ来确定每台设备m是否均已被覆盖。Φ定义如下
Figure 186071DEST_PATH_IMAGE071
其中
Figure 257932DEST_PATH_IMAGE072
Figure 166982DEST_PATH_IMAGE073
有两个取值，即0与1。当Φ取值为1时，则所有IoT设备均已被覆盖。此时，可能用更少的无人机便能覆盖路段。因此，需要执行下述S203，并重新进行聚类。当Φ取值为0时，则存在未被覆盖的设备，意味着上一轮循环过程中所求得的K即覆盖路段所需最少数量的无人机数量，需要执行下述S204。
S203：减少一个聚类中心的数量。
在本步骤之后，需要重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤，即重新执行上述S201至S202，重新计算该聚类中心数量下各个聚类中心的坐标。
具体的，在本步骤中是将k=k-1，以减少一个聚类中心的数量。
S204：将上一轮循环所生成的聚类中心的位置信息作为无人机的第一位置信息。
在执行本步骤时，意味着上一轮循环过程中所求得的K即覆盖路段所需最少数量的无人机数量，因此需要将上一轮循环所生成的聚类中心的位置信息作为无人机的第一位置信息。
在本发明实施例中，S201至S204的步骤可以表示为：
1: Input：IoT设备集
Figure 247567DEST_PATH_IMAGE076
2: Output：K个聚簇
Figure 657711DEST_PATH_IMAGE077
3: 初始化最大迭代数
Figure 946741DEST_PATH_IMAGE078
和阈值误差
Figure 564804DEST_PATH_IMAGE079
4: for k in [K,1]
5: for i in [0，
Figure 772931DEST_PATH_IMAGE078
]
6: 将每个IoT设备m分配给最近的簇
7: 更新每个聚类k的中心
8: if 迭代收敛：
9: break
10: 根据计算
Figure 866658DEST_PATH_IMAGE080
11: if
Figure 552854DEST_PATH_IMAGE081
：
12: return k
13: else:
14:
Figure 431949DEST_PATH_IMAGE082
在本发明实施例中，首先初始化最大迭代数
Figure 810977DEST_PATH_IMAGE083
和阈值误差
Figure 1787DEST_PATH_IMAGE084
，然后将每个IoT设备m分配给最近的簇，并更新每个聚类k的中心。之后，判断迭代是否收敛，即聚类误差是否小于
Figure 881887DEST_PATH_IMAGE084
。如果是，则停止迭代；否则，执行下一个循环即第6-7行。最后，计算。如果
Figure 740122DEST_PATH_IMAGE080
=0，则返回聚类结果K；否则，K = K -1，重复上述第3行至12行。
S205：通过随机梯度上升模型，依据无人机的数据传输速率模型以及第一位置信息，得到最大化上行平均速率所对应无人机的第二位置信息。
在上述步骤中，得到了物联网设备的K个簇。而在本步骤中，需要确定每个集群的最优部署位置，以最大化上行平均可到达总速率。相应的，在本步骤中需要找到函数的最大值，因此需要使用梯度上升的方法进行迭代。相应的，使用数学模型对增益函数进行描述为：
Figure 165418DEST_PATH_IMAGE085
；
Figure 374683DEST_PATH_IMAGE086
；
在本步骤中约束C1表示无人机高度限制。上述公式旨在最大化每个物联网设备的上行平均可到达总速率。
而在本步骤中，通过随机梯度上升模型在计算梯度时，需要设
Figure 730578DEST_PATH_IMAGE087
，其中
Figure 443319DEST_PATH_IMAGE088
分别表示各维的偏导数。
Figure 291714DEST_PATH_IMAGE088
的定义如下：
Figure 457116DEST_PATH_IMAGE089
其中，
Figure 288805DEST_PATH_IMAGE090
指迭代中，前后两次部署无人机的位置，即
Figure 590474DEST_PATH_IMAGE091
与
Figure 623152DEST_PATH_IMAGE092
间的坐标之差。得到偏导后，我们可以解梯度向量
Figure 541429DEST_PATH_IMAGE093
。
本步骤具体可以为：
1: Input：IoT设备聚簇集
Figure 35865DEST_PATH_IMAGE094
，无人机初始位
Figure 535613DEST_PATH_IMAGE095
2: Output：无人机部署位置
Figure 240264DEST_PATH_IMAGE095
3: 初始化学习率
Figure 516524DEST_PATH_IMAGE096
、阈值
Figure 36543DEST_PATH_IMAGE097
和最大迭代数
Figure 804779DEST_PATH_IMAGE098
4: for
Figure 437755DEST_PATH_IMAGE099
in
Figure 650430DEST_PATH_IMAGE100
:
5: for I in [0，
Figure 225768DEST_PATH_IMAGE098
]:
6:
Figure 703017DEST_PATH_IMAGE101
<—计算增益函数
7: 随机选取一个点，作为
Figure 938848DEST_PATH_IMAGE102
8:
Figure 496868DEST_PATH_IMAGE103
<—计算梯度
9:
Figure 152343DEST_PATH_IMAGE104
10:
Figure 344924DEST_PATH_IMAGE105
<—计算新的增益函数
11: if
Figure 820271DEST_PATH_IMAGE106
12:
Figure 564739DEST_PATH_IMAGE107
13: else if
Figure 192664DEST_PATH_IMAGE108
:
14: 更新
Figure 699868DEST_PATH_IMAGE096
15: else:
16： break
17: return
Figure 674668DEST_PATH_IMAGE095
在本发明实施例中，首先初始化学习率
Figure 403590DEST_PATH_IMAGE109
、阈值
Figure 154508DEST_PATH_IMAGE110
和最大迭代数
Figure 918065DEST_PATH_IMAGE111
，然后计算增益函数
Figure 79924DEST_PATH_IMAGE112
，然后随机选取一个点命名为
Figure 561721DEST_PATH_IMAGE113
，计算
Figure 709806DEST_PATH_IMAGE113
与
Figure 468815DEST_PATH_IMAGE112
之间的梯度。之后，计算梯度上升后新的无人机位置
Figure 676942DEST_PATH_IMAGE114
。再之后, 计算新的增益函数
Figure 380456DEST_PATH_IMAGE115
。最后,如果
Figure 722444DEST_PATH_IMAGE116
，也就是说当前增益函数的值比前面增益函数的值更好，但不满足终止条件，需要更新
Figure 195014DEST_PATH_IMAGE114
无人机位置，重复上述第2行至第13行；否则，如果
Figure 246147DEST_PATH_IMAGE117
，即当前增益函数的值比前面增益函数的值差，则更新学习率
Figure 436956DEST_PATH_IMAGE109
，重复上述第2行至第13行；否则，结束循环，重复步骤第3行至第14行，求解下一个簇的无人机位置。
S206：根据第二位置信息调整无人机的位置。
本步骤与上述发明实施例中S103基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。
本发明实施例所提供的一种基于立交桥的无人机部署方法，由于车辆在行驶在立交桥时天然带有了高度这一属性，使得车辆的位置信息包括三维坐标值。通过聚类模型根据包括三维坐标值的位置信息，以及涉及无人机飞行高度的通信覆盖范围所生成的聚类中心也带有高度属性。将聚类中心作为无人机的第一位置信息，可以初步实现无人机的3D部署。而通过随机梯度上升模型，可以尽可能提高无人机与车辆之间通信的上行平均速率，从而保证无人机与车辆之间的通信质量。
下面对本发明实施例所提供的一种基于立交桥的无人机部署装置进行介绍，下文描述的基于立交桥的无人机部署装置与上文描述的基于立交桥的无人机部署方法可相互对应参照。
请参考图4，图4为本发明实施例所提供的一种基于立交桥的无人机部署装置的结构框图。
参见图4，在本发明实施例中，基于立交桥的无人机部署装置可以包括：
聚类模块100：用于通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息；所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值。
随机梯度上升模块200：用于通过随机梯度上升模型，依据所述无人机的数据传输速率模型以及所述第一位置信息，得到最大化上行平均速率所对应所述无人机的第二位置信息。
调整模块300：用于根据所述第二位置信息调整所述无人机的位置。
作为优选的，在本发明实施例中，还包括：
移动信息模块：用于通过所述无人机获取所述的车辆的移动信息。
预测模块：用于根据所述移动信息计算下一计算周期时所述车辆的位置信息。
作为优选的，在本发明实施例中，所述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
作为优选的，在本发明实施例中，聚类模块100具体包括：
聚类单元：通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心。
二元判断单元：用于通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖；若是，则减少一个所述聚类中心的数量，重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤；若否，则将上一轮循环所生成的聚类中心的位置信息作为所述无人机的第一位置信息。
本实施例的基于立交桥的无人机部署装置用于实现前述的基于立交桥的无人机部署方法，因此基于立交桥的无人机部署装置中的具体实施方式可见前文中基于立交桥的无人机部署方法的实施例部分，例如，聚类模块100，随机梯度上升模块200，调整模块300分别用于实现上述基于立交桥的无人机部署方法中步骤S101至S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
下面对本发明实施例提供的一种基于立交桥的无人机部署设备进行介绍，下文描述的基于立交桥的无人机部署设备与上文描述的基于立交桥的无人机部署方法以及基于立交桥的无人机部署装置可相互对应参照。
请参考图5，图5为本发明实施例所提供的一种基于立交桥的无人机部署设备的结构框图。
参照图5，该基于立交桥的无人机部署设备可以包括处理器11和存储器12。
所述存储器12用于存储计算机程序；所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的基于立交桥的无人机部署方法。
本实施例的基于立交桥的无人机部署设备中处理器11用于安装上述发明实施例中所述的基于立交桥的无人机部署装置，同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的基于立交桥的无人机部署方法。因此基于立交桥的无人机部署设备中的具体实施方式可见前文中的基于立交桥的无人机部署方法的实施例部分，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种基于立交桥的无人机部署方法。其余内容可以参照现有技术，在此不再进行展开描述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种基于立交桥的无人机部署方法、一种基于立交桥的无人机部署装置、一种基于立交桥的无人机部署设备以及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种基于立交桥的无人机部署方法，其特征在于，包括：
通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息；所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值；
通过随机梯度上升模型，依据所述无人机的数据传输速率模型以及所述第一位置信息，得到最大化上行平均速率所对应所述无人机的第二位置信息；
根据所述第二位置信息调整所述无人机的位置；
所述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
2.根据权利要求1所述的方法，其特征在于，在所述得到最大化上行平均速率所对应所述无人机的第二位置信息之后，还包括：
通过所述无人机获取所述的车辆的移动信息；
根据所述移动信息计算下一计算周期时所述车辆的位置信息。
3.根据权利要求1所述的方法，其特征在于，所述通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息包括：
通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心；
通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖；若是，则减少一个所述聚类中心的数量，重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤；若否，则将上一轮循环所生成的聚类中心的位置信息作为所述无人机的第一位置信息。
4.一种基于立交桥的无人机部署装置，其特征在于，包括：
聚类模块：用于通过聚类模型依据车辆位置信息以及无人机的通信覆盖范围生成聚类中心，确定所述无人机的第一位置信息；所述通信覆盖范围为依据所述无人机的通信半径以及所述无人机的飞行高度得到的通信覆盖范围；所述车辆位置信息为行驶在立交桥中车辆的位置信息；所述车辆位置信息包括所述车辆的三维坐标值；
随机梯度上升模块：用于通过随机梯度上升模型，依据所述无人机的数据传输速率模型以及所述第一位置信息，得到最大化上行平均速率所对应所述无人机的第二位置信息；
调整模块：用于根据所述第二位置信息调整所述无人机的位置；
所述数据传输速率模型为结合大尺度衰落和平均路径损耗所得到的模型，所述平均路径损耗包括视距链路路径损耗，所述视距链路路径损耗在所述车辆与所述无人机之间间隔所述立交桥的路面时，视距链路概率为0。
5.根据权利要求4所述的装置，其特征在于，还包括：
移动信息模块：用于通过所述无人机获取所述的车辆的移动信息；
预测模块：用于根据所述移动信息计算下一计算周期时所述车辆的位置信息。
6.根据权利要求4所述的装置，其特征在于，聚类模块具体包括：
聚类单元：通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心；
二元判断单元：用于通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖；若是，则减少一个所述聚类中心的数量，重新执行所述通过聚类模型依据所述车辆位置信息以及无人机的通信覆盖范围生成聚类中心，至所述通过二进制变量根据所述聚类中心判断每一所述车辆是否均被所述无人机覆盖的步骤；若否，则将上一轮循环所生成的聚类中心的位置信息作为所述无人机的第一位置信息。
7.一种基于立交桥的无人机部署设备，其特征在于，所述设备包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序时实现如权利要求1至3任一项所述基于立交桥的无人机部署方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于立交桥的无人机部署方法的步骤。
CN202011516354.3A 2020-12-21 2020-12-21 一种基于立交桥的无人机部署方法及相关装置 Active CN112243239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011516354.3A CN112243239B (zh) 2020-12-21 2020-12-21 一种基于立交桥的无人机部署方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011516354.3A CN112243239B (zh) 2020-12-21 2020-12-21 一种基于立交桥的无人机部署方法及相关装置

Publications (2)

Publication Number Publication Date
CN112243239A CN112243239A (zh) 2021-01-19
CN112243239B true CN112243239B (zh) 2021-03-12

Family

ID=74175370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011516354.3A Active CN112243239B (zh) 2020-12-21 2020-12-21 一种基于立交桥的无人机部署方法及相关装置

Country Status (1)

Country Link
CN (1) CN112243239B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253763B (zh) * 2021-06-28 2021-09-24 长沙理工大学 一种无人机数据收集的轨迹确定方法、系统及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10419903B2 (en) * 2015-07-10 2019-09-17 Cisco Technology, Inc. Closed-loop optimization of a wireless network using an autonomous vehicle
CN111260924A (zh) * 2020-02-10 2020-06-09 北京中交国通智能交通系统技术有限公司 适应边缘计算的交通智能管控与服务发布策略方法
CN111260946A (zh) * 2018-11-30 2020-06-09 南京锦和佳鑫信息科技有限公司 一种基于智能网联系统的自动驾驶货车运营控制系统
CN111541473A (zh) * 2020-04-29 2020-08-14 南京邮电大学 一种面向阵列天线无人机基站的航迹规划和功率分配方法
CN111585637A (zh) * 2020-04-17 2020-08-25 长沙理工大学 一种基于边缘计算系统的无人机任务卸载和资源分配方法
CN111885504A (zh) * 2020-08-05 2020-11-03 广州大学 一种辅助移动车辆无线通信的无人机轨迹优化方法
CN111918337A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种业务负载均衡的无人机基站最优部署方法
CN112068590A (zh) * 2020-08-21 2020-12-11 广东工业大学 无人机基站飞行规划方法、系统、储存介质及无人机基站

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352509B (zh) * 2015-10-27 2018-05-11 武汉大学 地理信息时空约束下的无人机运动目标跟踪与定位方法
US10529221B2 (en) * 2016-04-19 2020-01-07 Navio International, Inc. Modular approach for smart and customizable security solutions and other applications for a smart city
KR102024305B1 (ko) * 2017-11-15 2019-09-23 성균관대학교산학협력단 드론 네트워크 환경에서의 서비스 영역 스케줄링 방법 및 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10419903B2 (en) * 2015-07-10 2019-09-17 Cisco Technology, Inc. Closed-loop optimization of a wireless network using an autonomous vehicle
CN111260946A (zh) * 2018-11-30 2020-06-09 南京锦和佳鑫信息科技有限公司 一种基于智能网联系统的自动驾驶货车运营控制系统
CN111260924A (zh) * 2020-02-10 2020-06-09 北京中交国通智能交通系统技术有限公司 适应边缘计算的交通智能管控与服务发布策略方法
CN111585637A (zh) * 2020-04-17 2020-08-25 长沙理工大学 一种基于边缘计算系统的无人机任务卸载和资源分配方法
CN111541473A (zh) * 2020-04-29 2020-08-14 南京邮电大学 一种面向阵列天线无人机基站的航迹规划和功率分配方法
CN111918337A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种业务负载均衡的无人机基站最优部署方法
CN111885504A (zh) * 2020-08-05 2020-11-03 广州大学 一种辅助移动车辆无线通信的无人机轨迹优化方法
CN112068590A (zh) * 2020-08-21 2020-12-11 广东工业大学 无人机基站飞行规划方法、系统、储存介质及无人机基站

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Constructing Full-Coverage 3D UAV Ad-Hoc Networks Through Collaborative Exploration in Unknown Urban Environments;Narangerelt Batsoyol et al;《2018 IEEE International Conference on Communications (ICC)》;20180731;第1-7页 *
On the Association of Small Cell Base Stations with UAVs using Unsupervised Learning;Muhammad Karam Shehzad et al;《2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring)》;20190627;第1-5页 *
作为空中基站的无人机覆盖与资源分配研究;沈旭;《北京邮电大学工学硕士论文》;20181115;第26-40页 *

Also Published As

Publication number Publication date
CN112243239A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
Zhang et al. Energy-efficient trajectory optimization for UAV-assisted IoT networks
CN109831797B (zh) 一种推动功率受限的无人机基站带宽和轨迹联合优化方法
CN109286913B (zh) 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法
CN110730495B (zh) 能量约束下的无人机数据分发优化方法
CN108848465B (zh) 一种面向数据分发的无人机飞行轨迹与资源调度联合优化方法
CN109885088B (zh) 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
CN111479239B (zh) 一种多天线无人机数据采集系统的传感器发射能耗优化方法
CN111768654B (zh) 一种多无人机协同中继辅助车载自组网数据传输方法
CN112947548B (zh) 一种基于频谱地图的无人机编队规划方法及系统
KR20190138293A (ko) 고속도로 안전 운행을 위한 엣지 지원 클러스터 기반 미디어 접근 제어 프로토콜
CN112243239B (zh) 一种基于立交桥的无人机部署方法及相关装置
CN114650567A (zh) 一种无人机辅助v2i网络任务卸载方法
CN114142912B (zh) 高动态空中网络时间覆盖连续性保障的资源管控方法
Duan et al. Weighted energy-efficiency maximization for a UAV-assisted multiplatoon mobile-edge computing system
CN113395706A (zh) 基于粒子群算法的异构无人机三维空间部署方法及设备
CN110493843B (zh) 基于圆环形全向天线模型的3d-gpsr路由方法
CN114979135B (zh) 基于移动边缘计算的无人机飞行高度和任务分配控制方法
CN117053790A (zh) 面向单天线无人机辅助通信飞行路线的规划方法
CN116781144A (zh) 无人机搭载边缘服务器的方法、装置及存储介质
Yang et al. UAV-based collaborative electronic reconnaissance network for 6G
Cai et al. Trajectory optimization for large-scale UAV-assisted RSUs in V2I communication
Wu et al. ITS: Improved Tabu Search Algorithm for Path Planning in UAV-Assisted Edge Computing Systems
Tan et al. UAV-aided data collection in self organized IoT network for social augmented reality
CN115441925B (zh) 一种基于空地通信网络的无线计算系统
CN113747397B (zh) 一种无人机辅助行进车辆通信系统优化方法

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