CN112511978A - 一种用于收集森林防火监控数据的无人机部署方法 - Google Patents

一种用于收集森林防火监控数据的无人机部署方法 Download PDF

Info

Publication number
CN112511978A
CN112511978A CN202011390555.3A CN202011390555A CN112511978A CN 112511978 A CN112511978 A CN 112511978A CN 202011390555 A CN202011390555 A CN 202011390555A CN 112511978 A CN112511978 A CN 112511978A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
unmanned
ground sensor
deployment
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.)
Granted
Application number
CN202011390555.3A
Other languages
English (en)
Other versions
CN112511978B (zh
Inventor
翟春婕
王新猛
吴育宝
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 Forest Police College
Original Assignee
Nanjing Forest Police College
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 Forest Police College filed Critical Nanjing Forest Police College
Priority to CN202011390555.3A priority Critical patent/CN112511978B/zh
Publication of CN112511978A publication Critical patent/CN112511978A/zh
Application granted granted Critical
Publication of CN112511978B publication Critical patent/CN112511978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种用于收集森林防火监控数据的无人机部署方法，具体包括以下步骤：（1）构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点；（2）构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题；（3）构建基于博弈论的优化模型，将步骤（2）中的问题建模为无人机为参与者的非合作博弈模型；（4）采用分布式学习算法迭代得到无人机的部署策略，直到步骤（2）中的优化问题达到最优，旋翼无人机最终位置被确定。本发明在保证传感器节点QoS的前提下，达到整个系统中无人机与地面传感器节点之间最大的和速率。

Description

一种用于收集森林防火监控数据的无人机部署方法
技术领域
本发明属于森林防火监控场景下无线通信技术领域，具体涉及用于收集森林防火监控数据的无人机部署方法。
背景技术
森林草原防火是林业部门的一项常规且重要的工作，火灾发生对国家和牧民带来了不可估量的损失。1997年夏季被称为“世纪灾难”的印度尼西亚森林大火持续了几个月，烧毁森林30多万公顷，直接经济损失达1250万美元，印尼本国受害者多达2000万，烟雾造成大范围的呼吸道疾病，患者多达5万人以上。2019年我国共发生森林火灾2345起，受害森林面积高达13505公顷，共出动了2.5万人的国家森林消防队伍、12万人的地方专业森林消防队伍以及百余架应急航空救援力量。特别是进入到秋冬季，受高温大风干雷暴等极端天气影响，防火工作依然形势严峻。因此，为了有效降低火情和管控火灾发生的风险，需要对森林草原进行全天候的监控。各地相关部门投入使用森林草原防火综合信息管理平台，推进建设“天空地”一体化监测体系，使用互联网+森林草原防火督查系统，实现对森林草原地区全覆盖、全天候、全要素的防火监控。一般需要在森林区域内安装大量传感器节点，收集相关信息，用于信息平台分析和预测火灾的发生。然而，偏远地区的基础设施成本高昂，无法使用地面通信设施。随着无人机技术的发展，特别是旋翼无人机，安装多旋翼无人机通信基站，可以迅速建立起新的通信链路，无人机飞到相关区域协助收集传感器节点的数据，保障传感器节点数据的及时传输。
与部署地面基站相比，无人机可以在没有基础设施覆盖或传统地面基站较难支持的场景，如车森林防火监控数据传输系统，提供更可靠的无线传输。因此，利用无人机进行辅助通信十分有必要。针对森林防火监控数据传输的需求，设计一种无人机作为移动基站的通信方案，可以根据通信的需求，灵活部署或撤离，从而降低运营成本。如何保证传感器节点QoS的前提下确定无人机的最优部署位置非常具有挑战性的。本发明设计了一种分布式算法以指导多个无人机的位置部署，在保证传感器节点QoS的前提下，最大化数据传输的和速率。
发明内容
本发明为解决特殊环境例如受限于通信基础设施成本或者森林草原等通信能力受限的特殊区域而导致了地面传感器终端无法通信的情况，提出用于收集森林防火监控数据的无人机部署方法。
发明内容：本发明提出用于收集森林防火监控数据的无人机部署方法，具体包括以下步骤：
(1)构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点；
(2)构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题；
(3)构建基于博弈论的优化模型，将步骤(2)中的问题建模为无人机为参与者的非合作博弈模型；
(4)采用分布式学习算法迭代得到无人机的部署策略，直到步骤(2)中的优化问题达到最优，旋翼无人机最终位置被确定。
进一步地，步骤(2)所述优化函数为：
Figure BDA0002812592640000031
其中，
Figure BDA0002812592640000032
为K个地面传感器节点的集合，
Figure BDA0002812592640000033
为M个无人机基站的集合，
Figure BDA00028125926400000315
表示地面传感节点所部署的区域，
Figure BDA00028125926400000316
表示Ω被平均划分为N个小区域中的一个，ρ表示Ω内关于安置的传感器节点的密度函数，ρ(n)是小区域n内存在传感器节点的比例，即满足约束
Figure BDA0002812592640000034
和
Figure BDA00028125926400000317
，定义函数Γn(·)用于衡量随着距离的增大通信性能的减弱情况，即
Figure BDA0002812592640000035
Figure BDA0002812592640000036
Figure BDA0002812592640000037
表示在区域n内传感器节点的最小QoS要求，mk表示与地面传感器节点k相关联的无人机m，
Figure BDA0002812592640000038
Figure BDA0002812592640000039
其中
Figure BDA00028125926400000310
Figure BDA00028125926400000311
为传感器节点的位置，wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。令
Figure BDA00028125926400000318
为从地面传感器节点k到无人机mk的发射功率，μ0是参考距离d0＝1m的信道增益，
Figure BDA00028125926400000312
是收到节点k数据的噪声，那么节点k和无人机m之间的信道增益为
Figure BDA00028125926400000313
和无人机收到节点k的信噪比为
Figure BDA00028125926400000314
进一步地，所述步骤(3)包括以下步骤：
(31)每个无人机的高度固定，并在一定的区域内飞行找到最好的位置，对于无人机m飞行区域投影到地面的区域被均分为个
Figure BDA0002812592640000041
小区域，其中
Figure BDA0002812592640000042
表示所有小区域的集合和
Figure BDA0002812592640000043
表示小区域n的中心位置，那么无人机m的动作策略集合
Figure BDA0002812592640000044
无人机m的行动策略为
Figure BDA0002812592640000045
a＝(a1，a2，…，aM)为所有无人机的行动选择，
Figure BDA0002812592640000046
为所有无人机可能选择的动作空间；
(32)将每个无人机视为博弈参与者，将优化问题建模为有QoS约束的非合作博弈模型：
Figure BDA0002812592640000047
其中，
Figure BDA0002812592640000048
是无人机集合，
Figure BDA0002812592640000049
是参与者k的策略空间，uk是参与者k的效用函数，效用函数如下：
Figure BDA00028125926400000410
其中
Figure BDA00028125926400000411
情况1是小区域n的中心位置到无人机k的所有可能飞行到位置之间最小距离大于n和其他无人机之间的距离，情况2是情况1的相对应情况且mn，0表示n内的地面传感器节点关联到一个离n非常远的虚拟无人机。
所述步骤(4)包括以下步骤：
(41)初始化：在迭代t＝0时，根据无人机的数目M把地面传感器节点聚类为相同数目的区域并标记相同的集合
Figure BDA00028125926400000412
确定聚类后
Figure BDA00028125926400000413
小区域的均分集合
Figure BDA00028125926400000414
基于此设置所有无人机的初始位置和无人机
Figure BDA00028125926400000415
的位置选择概率矢量
Figure BDA00028125926400000416
(42)对于每次迭代t＝1，2，…循环，直到任意无人机
Figure BDA0002812592640000051
不改变其动作策略，即存在
Figure BDA0002812592640000052
(43)更新无人机的部署策略：无人机
Figure BDA0002812592640000053
依据目前的位置选择概率矢量pk(t)确定部署位置ak(t)；
(44)计算无人机的效用函数：每个无人机
Figure BDA0002812592640000054
根据其确定的部署位置，计算无人机的效用函数uk(t)；
(45)更新位置选择策略：每个无人机
Figure BDA0002812592640000055
使用以下规则更新其在下一次迭代中的位置选择概率矢量：
Figure BDA0002812592640000056
其中，b是步长，
Figure BDA0002812592640000057
是归一化的效用值，即
Figure BDA0002812592640000058
(46)结束循环。
有益效果：本发明提出了一种用于收集森林防火监控数据的无人机部署方法，即在森林地区部署多架无人机来为地面传感器节点提供通信服务，构建以最大化地面传感器节点和无人机之间通信的和速率为目标的优化函数，将每个无人机视为参与者通过博弈论进行建模，然后采用一种分布式算法优化无人机的部署策略，在保证传感器节点QoS的前提下，达到整个系统中无人机与地面传感器节点之间最大的和速率。
附图说明
图1为构建无人机辅助通信收集节点数据的上行链路系统模型图；
图2为无人机部署策略优化算法流程图；
图3为某个无人机的位置选择概率趋势图；
图4为算法收敛行为与不同切分节点安装区域大小的关系；
图5为算法收敛行为与不同切分飞行区域大小的关系。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
本实施例提供一种用于收集森林防火监控数据的无人机部署方法，具体包括以下步骤：
步骤1：构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点，无人机能够低空静止飞行，且飞行高度被预先指定了不同的值，这样就防止了避免之间碰撞。
如图1所示，构建地面传感器节点接入空中无人机基站的上行链路通信系统，无人机基站
Figure BDA0002812592640000061
个，
Figure BDA0002812592640000062
表示无人机集合。对于无人机
Figure BDA0002812592640000063
wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。地面传感器节点是K个，
Figure BDA0002812592640000064
表示节点集合。对于节点
Figure BDA0002812592640000065
位置用
Figure BDA0002812592640000066
表示。节点k和无人机m之间的信道增益为
Figure BDA0002812592640000067
其中μ0是参考距离d0＝1m的信道增益，
Figure BDA0002812592640000068
是收到节点k数据的噪声。每台无人机都有一个信号覆盖范围，且这里固定飞行高度将信号覆盖范围垂直覆盖到地面上，便于分析范围内的地面传感器节点与无人机之间的关系，在信号范围内的地面传感器节点可以通过上行通信链路上传收集的数据到无人机基站。
步骤2：构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题。
以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标，以满足传感器节点的QoS为约束条件，建立以无人机部署位置为设计变量的数学优化模型，即：
Figure BDA0002812592640000071
其中，
Figure BDA0002812592640000072
为K个地面传感器节点的集合，
Figure BDA0002812592640000073
为M个无人机基站的集合，
Figure BDA0002812592640000074
表示地面传感节点所部署的区域，
Figure BDA0002812592640000075
表示Ω被平均划分为N个小区域中的一个，ρ表示Ω内关于安置的传感器节点的密度函数，ρ(n)是小区域n内存在传感器节点的比例，即满足约束
Figure BDA0002812592640000076
和
Figure BDA0002812592640000077
定义函数Γn(·)用于衡量随着距离的增大通信性能的减弱情况，即
Figure BDA0002812592640000078
Figure BDA0002812592640000079
表示在区域n内传感器节点的最小QoS要求，mk表示与地面传感器节点k相关联的无人机m，
Figure BDA00028125926400000710
Figure BDA00028125926400000711
其中
Figure BDA00028125926400000712
Figure BDA00028125926400000713
为传感器节点的位置，wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。令
Figure BDA00028125926400000813
为从地面传感器节点k到无人机mk的发射功率，μ0是参考距离d0＝1m的信道增益，
Figure BDA0002812592640000081
是收到节点k数据的噪声，那么节点k和无人机m之间的信道增益为：
Figure BDA0002812592640000082
无人机收到节点k的信噪比为：
Figure BDA0002812592640000083
步骤3：构建基于博弈论的优化模型，将步骤(2)中的问题建模为无人机为参与者的非合作博弈模型。
如图1所示，每个无人机的高度固定，并在一定的区域内飞行找到最好的位置，对于无人机m飞行区域投影到地面的区域被均分为个
Figure BDA0002812592640000084
小区域，其中
Figure BDA0002812592640000085
表示所有小区域的集合和
Figure BDA0002812592640000086
表示小区域n的中心位置，那么无人机m的动作策略集合
Figure BDA0002812592640000087
无人机m的行动策略为
Figure BDA0002812592640000088
为所有无人机的行动选择，
Figure BDA0002812592640000089
为所有无人机可能选择的动作空间；
将每个无人机视为博弈参与者，将优化问题建模为有QoS约束的非合作博弈模型：
Figure BDA00028125926400000810
其中，
Figure BDA00028125926400000811
是无人机集合，
Figure BDA00028125926400000812
是参与者k的策略空间，uk是参与者k的效用函数，效用函数如下：
Figure BDA0002812592640000091
其中
Figure BDA0002812592640000092
情况1是小区域n的中心位置到无人机k的所有可能飞行到位置之间最小距离大于n和其他无人机之间的距离，情况2是情况1的相对应情况且mn，0表示n内的地面传感器节点关联到一个离n非常远的虚拟无人机。
Figure BDA0002812592640000093
的势函数被定义为
Figure BDA0002812592640000094
其与优化目标的关系如下：当N→∞时，
Figure BDA0002812592640000095
Figure BDA0002812592640000096
博弈模型
Figure BDA0002812592640000097
可视为一个非合作的博弈过程
Figure BDA0002812592640000098
若φ(a)是
Figure BDA0002812592640000099
的势函数，然后φ(a)能够被重写成如下形式。
Figure BDA00028125926400000910
假设一个任意参与者k单方面改变其行动策略从ak到a′k，则有下列关系：
φ(a′k，a-k)-φ(a)＝uk(a′k，a-k)-uk(a)
上面的等式表明，单方改变策略偏差导致的任何单个参与者效用函数的变化都会与导致势函数的变化量完全相同。所以，
Figure BDA00028125926400000911
是一个含有势函数φ(a)的势博弈。
步骤4：采用如图2所示的分布式学习算法迭代得到无人机的部署策略，直到步骤(2)中的优化问题达到最优，旋翼无人机最终位置被确定。
(1)初始化：在迭代t＝0时，根据无人机的数目M把地面传感器节点聚类为相同数目的区域并标记相同的集合
Figure BDA0002812592640000101
确定聚类后
Figure BDA0002812592640000102
小区域的均分集合
Figure BDA0002812592640000103
基于此设置所有无人机的初始位置和无人机
Figure BDA0002812592640000104
的位置选择概率矢量
Figure BDA0002812592640000105
(2)对于每次迭代t＝1，2，…循环，直到任意无人机
Figure BDA0002812592640000106
不改变其动作策略，即存在pk，l＞0.99，
Figure BDA0002812592640000107
(3)步骤1：更新无人机的部署策略。无人机
Figure BDA0002812592640000108
依据目前的位置选择概率矢量pk(t)确定部署位置ak(t)。
(4)步骤2：计算无人机的效用函数。每个无人机
Figure BDA0002812592640000109
根据其确定的部署位置，计算无人机的效用函数uk(t)。
(5)步骤3：更新位置选择策略。每个无人机
Figure BDA00028125926400001010
使用以下规则更新其在下一次迭代中的位置选择概率矢量：
Figure BDA00028125926400001011
其中，b是步长，
Figure BDA00028125926400001012
是归一化的效用值，即
Figure BDA00028125926400001013
(6)结束循环。
为了证明算法的收敛性，将步骤3中的更新规则写为
Figure BDA00028125926400001014
其中，Ik，t表示第t选择策略对应序号的元素为1的
Figure BDA00028125926400001015
维单位向量。若将所有参与者的策略选择概率矢量表示为
Figure BDA00028125926400001016
得到博弈
Figure BDA00028125926400001017
中所有参与者的策略选择概率矢量更新规则：
Figure BDA0002812592640000111
其中，f(·)是步骤3中的更新规则，
Figure BDA0002812592640000112
Figure BDA0002812592640000113
获得如下引理1：当迭代步长值b充分小时，序列{pt}将收敛到如下常微分方程的解
Figure BDA0002812592640000114
其初始状态为
Figure BDA0002812592640000115
条件期望函数
Figure BDA0002812592640000116
接下来证明如下引理2：当迭代步长值b充分小时，所提算法可收敛到常微分方程
Figure BDA0002812592640000117
的稳定点。
令hk，m(m，p-k)表示当参与者k采用纯策略m而其他参与者采用概率策略p-k＝(p-1，…，pk-1，pk+1，…，p-M)时，参与者k概率的期望回报函数，即
Figure BDA0002812592640000118
常微分方程
Figure BDA0002812592640000119
重写为：
Figure BDA00028125926400001110
Figure BDA00028125926400001111
根据
Figure BDA00028125926400001112
上式重写为：
Figure BDA0002812592640000121
因此，H(p)的偏差为
Figure BDA0002812592640000122
其中
Figure BDA0002812592640000123
Figure BDA0002812592640000124
若
Figure BDA0002812592640000125
上式推导为
Figure BDA0002812592640000126
根据上面的推导结果得到下面结果：若
Figure BDA0002812592640000131
则
Figure BDA0002812592640000132
即
Figure BDA0002812592640000133
p是
Figure BDA0002812592640000134
的固定点。
所以，{pt}收敛到
Figure BDA0002812592640000135
的稳定点。
由于博弈
Figure BDA0002812592640000136
的所有纯策略纳什均衡点与常微分方程
Figure BDA0002812592640000137
的稳定点重合，得到如下定理：当迭代步长值b充分小时，所提算法可收敛到博弈
Figure BDA00028125926400001310
的纯策略纳什均衡点。因此，算法的收敛性得到了证明。
在MATLAB仿真中，假设地面森林区域是一个1000m×1000m的矩形空间，这一区域被均匀的分为了50m×50m的单元，同时地面拥有K＝20个地面传感器节点等待与无人机基站链接通信，在空中部署了4台无人机用于接收地面传感器节点传输的信号，且他们的飞行高度各不相同，分别为[90m，91m，92m，93m]这样有效避免了无人机相互碰撞，无人机做水平面的位移飞行，这样就构成了支持无人机通信的上行链路系统。设每个传感器节点传输功率设置为0.4W，μ0被定义为
Figure BDA0002812592640000138
系统中心频率点为f＝1GHz，对于每个无人机收到终端信号中噪声功率谱密度为
Figure BDA0002812592640000139
把地面节点聚成4类，每一类的上方部署一台无人机通信，无人机所能移动的区域被设定为朝四个方向各移动6个单位。
仿真之后的结果：某个无人机的位置选择概率趋势图如图3所示；
算法收敛行为与不同切分节点安装区域大小的关系如图4所示；
算法收敛行为与不同切分飞行区域大小的关系如图5所示。
本实施例在森林地区部署多架无人机来为地面传感器节点提供通信服务，构建以最大化地面传感器节点和无人机之间通信的和速率为目标的优化函数，将每个无人机视为参与者通过博弈论进行建模，然后采用一种分布式算法优化无人机的部署策略，在保证传感器节点QoS的前提下，达到整个系统中无人机与地面传感器节点之间最大的和速率。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (4)

1.一种用于收集森林防火监控数据的无人机部署方法，其特征在于，包括以下步骤：
(1)构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点；
(2)构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题；
(3)构建基于博弈论的优化模型，将步骤(2)中的问题建模为无人机为参与者的非合作博弈模型；
(4)采用分布式学习算法迭代得到无人机的部署策略，直到步骤(2)中的优化问题达到最优，旋翼无人机最终位置被确定。
2.根据权利要求1所述一种用于收集森林防火监控数据的无人机部署方法，其特征在于，
步骤(2)所述的优化目标为：
Figure FDA0002812592630000011
其中，
Figure FDA0002812592630000012
为K个地面传感器节点的集合，
Figure FDA0002812592630000013
Figure FDA0002812592630000014
为M个无人机基站的集合，
Figure FDA0002812592630000015
表示地面传感节点所部署的区域，
Figure FDA0002812592630000016
表示Ω被平均划分为N个小区域中的一个，ρ表示Ω内关于安置的传感器节点的密度函数，ρ(n)是小区域n内存在传感器节点的比例，即满足约束ρ(n)≥0，
Figure FDA0002812592630000017
和
Figure FDA0002812592630000018
定义函数Γn(·)用于衡量随着距离的增大通信性能的减弱情况，即
Figure FDA0002812592630000019
Figure FDA00028125926300000110
表示在区域n内传感器节点的最小QoS要求，mk表示与地面传感器节点k相关联的无人机m，
Figure FDA0002812592630000021
其中
Figure FDA0002812592630000022
Figure FDA0002812592630000023
为传感器节点的位置，wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度；令
Figure FDA0002812592630000024
为从地面传感器节点k到无人机mk的发射功率，μ0是参考距离d0＝1m的信道增益，
Figure FDA0002812592630000025
是收到节点k数据的噪声，那么节点k和无人机m之间的信道增益为：
Figure FDA0002812592630000026
无人机收到节点k的信噪比为：
Figure FDA0002812592630000027
3.根据权利要求1所述的一种用于收集森林防火监控数据的无人机部署方法，其特征在于，所述步骤(3)包括以下步骤：
(31)每个无人机的高度固定，并在一定的区域内飞行找到最好的位置，对于无人机m飞行区域投影到地面的区域被均分为个
Figure FDA0002812592630000028
小区域，其中
Figure FDA0002812592630000029
表示所有小区域的集合和
Figure FDA00028125926300000210
表示小区域n的中心位置，那么无人机m的动作策略集合
Figure FDA00028125926300000211
无人机m的行动策略为
Figure FDA00028125926300000212
a＝(a1，a2，…，aM)为所有无人机的行动选择，
Figure FDA00028125926300000213
为所有无人机可能选择的动作空间；
(32)将每个无人机视为博弈参与者，将优化问题建模为有QoS约束的非合作博弈模型：
Figure FDA0002812592630000031
其中，
Figure FDA0002812592630000032
是无人机集合，
Figure FDA0002812592630000033
是参与者k的策略空间，uk是参与者k的效用函数，效用函数如下：
Figure FDA0002812592630000034
其中
Figure FDA0002812592630000035
情况1是小区域n的中心位置到无人机k的所有可能飞行到位置之间最小距离大于n和其他无人机之间的距离，情况2是情况1的相对应情况且mn，0表示n内的地面传感器节点关联到一个离n非常远的虚拟无人机。
4.根据权利要求1所述的一种用于收集森林防火监控数据的无人机部署方法，其特征在于，所述步骤(4)包括以下步骤：
(41)初始化：在迭代t＝0时，根据无人机的数目M把地面传感器节点聚类为相同数目的区域并标记相同的集合
Figure FDA0002812592630000036
确定聚类后
Figure FDA0002812592630000037
小区域的均分集合
Figure FDA0002812592630000038
基于此设置所有无人机的初始位置和无人机
Figure FDA0002812592630000039
的位置选择概率矢量
Figure FDA00028125926300000310
(42)对于每次迭代t＝1，2，…循环，直到任意无人机
Figure FDA00028125926300000311
不改变其动作策略，即存在pk，l＞0.99，
Figure FDA00028125926300000312
(43)更新无人机的部署策略：无人机
Figure FDA00028125926300000313
依据目前的位置选择概率矢量pk(t)确定部署位置ak(t)；
(44)计算无人机的效用函数：每个无人机
Figure FDA00028125926300000314
根据其确定的部署位置，计算无人机的效用函数uk(t)；
(45)更新位置选择策略：每个无人机
Figure FDA0002812592630000041
使用以下规则更新其在下一次迭代中的位置选择概率矢量：
Figure FDA0002812592630000042
其中，b是步长，
Figure FDA0002812592630000043
是归一化的效用值，即
Figure FDA0002812592630000044
(46)结束循环。
CN202011390555.3A 2020-12-02 2020-12-02 一种用于收集森林防火监控数据的无人机部署方法 Active CN112511978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011390555.3A CN112511978B (zh) 2020-12-02 2020-12-02 一种用于收集森林防火监控数据的无人机部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011390555.3A CN112511978B (zh) 2020-12-02 2020-12-02 一种用于收集森林防火监控数据的无人机部署方法

Publications (2)

Publication Number Publication Date
CN112511978A true CN112511978A (zh) 2021-03-16
CN112511978B CN112511978B (zh) 2024-01-30

Family

ID=74969142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011390555.3A Active CN112511978B (zh) 2020-12-02 2020-12-02 一种用于收集森林防火监控数据的无人机部署方法

Country Status (1)

Country Link
CN (1) CN112511978B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113747389A (zh) * 2021-09-03 2021-12-03 成都中科微信息技术研究院有限公司 基于分布式oam模态复用的大容量上行数据传输方法
CN114071394A (zh) * 2021-11-10 2022-02-18 西安精科华盾应急救援装备有限公司 森林火灾密集阵感知模块的播撒部署方法
CN114501307A (zh) * 2021-12-31 2022-05-13 杭州电子科技大学 基于改进纳什均衡策略的无人机回程传输控制方法
CN115083130A (zh) * 2022-08-24 2022-09-20 深圳市博容能源有限公司 长效分布式应急监测报警系统及方法
CN117912254A (zh) * 2024-03-19 2024-04-19 山东高速股份有限公司 一种高速公路空地检测协同布设方法、设备及介质
CN117912254B (zh) * 2024-03-19 2024-05-31 山东高速股份有限公司 一种高速公路空地检测协同布设方法、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080167064A1 (en) * 2006-12-11 2008-07-10 Yeheskel Bar-Ness Method and system for decentralized power control of a multi-antenna access point using game theory
US9622133B1 (en) * 2015-10-23 2017-04-11 The Florida International University Board Of Trustees Interference and mobility management in UAV-assisted wireless networks
CN110147758A (zh) * 2019-05-17 2019-08-20 电子科技大学成都学院 一种基于深度学习的森林防火方法
CN111800185A (zh) * 2020-07-06 2020-10-20 中国人民解放军陆军工程大学 一种无人机辅助通信中的分布式空地联合部署方法
CN112333767A (zh) * 2020-11-16 2021-02-05 南京邮电大学 一种在灾后地区部署无人机应急通信系统的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080167064A1 (en) * 2006-12-11 2008-07-10 Yeheskel Bar-Ness Method and system for decentralized power control of a multi-antenna access point using game theory
US9622133B1 (en) * 2015-10-23 2017-04-11 The Florida International University Board Of Trustees Interference and mobility management in UAV-assisted wireless networks
CN110147758A (zh) * 2019-05-17 2019-08-20 电子科技大学成都学院 一种基于深度学习的森林防火方法
CN111800185A (zh) * 2020-07-06 2020-10-20 中国人民解放军陆军工程大学 一种无人机辅助通信中的分布式空地联合部署方法
CN112333767A (zh) * 2020-11-16 2021-02-05 南京邮电大学 一种在灾后地区部署无人机应急通信系统的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZIYANG CHEN: "Obstacle Avoidance Strategy for Quadrotor UAV based on Improved Particle Swarm optimization Algorithm", 《2019 CHINESE CONTROL CONFERENCE》 *
唐树祝;游鹏;闫大伟;雍少为;: "基于改进NSGA2的临近空间通信网络优化设计", no. 14 *
宗汝;高新波;彭建华;: "临近空间平台自组织网络优化部署的博弈算法", 西安电子科技大学学报, no. 05 *
王海晖: "森林和村镇结合部火灾现场调查和分析途径", 《森林防火》 *
董超;沈?;屈毓锛;: "基于无人机的边缘智能计算研究综述", no. 03 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113747389A (zh) * 2021-09-03 2021-12-03 成都中科微信息技术研究院有限公司 基于分布式oam模态复用的大容量上行数据传输方法
CN113747389B (zh) * 2021-09-03 2024-04-30 成都中科微信息技术研究院有限公司 基于分布式oam模态复用的大容量上行数据传输方法
CN114071394A (zh) * 2021-11-10 2022-02-18 西安精科华盾应急救援装备有限公司 森林火灾密集阵感知模块的播撒部署方法
CN114501307A (zh) * 2021-12-31 2022-05-13 杭州电子科技大学 基于改进纳什均衡策略的无人机回程传输控制方法
CN114501307B (zh) * 2021-12-31 2024-03-29 杭州电子科技大学 基于改进纳什均衡策略的无人机回程传输控制方法
CN115083130A (zh) * 2022-08-24 2022-09-20 深圳市博容能源有限公司 长效分布式应急监测报警系统及方法
CN115083130B (zh) * 2022-08-24 2022-11-15 深圳市博容能源有限公司 长效分布式应急监测报警系统及方法
CN117912254A (zh) * 2024-03-19 2024-04-19 山东高速股份有限公司 一种高速公路空地检测协同布设方法、设备及介质
CN117912254B (zh) * 2024-03-19 2024-05-31 山东高速股份有限公司 一种高速公路空地检测协同布设方法、设备及介质

Also Published As

Publication number Publication date
CN112511978B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN112511978A (zh) 一种用于收集森林防火监控数据的无人机部署方法
US20210165405A1 (en) Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same
CN110543185B (zh) 一种基于最小化信息年龄的无人机数据收集方法
CN112333767B (zh) 一种在灾后地区部署无人机应急通信系统的方法
CN109547938B (zh) 无线传感器网络中无人机的轨迹规划方法
CN109916372B (zh) 信道状态信息不准确下的无人机基站最佳高度计算方法
CN113543068B (zh) 一种基于层次化分簇的林区无人机网络部署方法与系统
Almalki et al. Deployment of an aerial platform system for rapid restoration of communications links after a disaster: a machine learning approach
CN109960279B (zh) 一种基于启发式算法的无人机盘旋半径优化方法
Esrafilian et al. Simultaneous user association and placement in multi-UAV enabled wireless networks
Cho et al. Performance comparison of heuristic algorithms for UAV deployment with low power consumption
US20230171617A1 (en) Operation of sectorized communications from aerospace platforms using reinforcement learning
Sae et al. Coverage aspects of temporary LAP network
US11234141B2 (en) Parameter selection for network communication links using reinforcement learning
Esrafilian et al. UAV-relay placement with unknown user locations and channel parameters
CN116980852A (zh) 一种多无人机辅助mec系统部署卸载策略联合优化方法
Newton et al. Analysis of topology algorithms for commercial airborne networks
Zhang et al. Large-scale cellular coverage simulation and analyses for follow-me UAV data relay
US20220361002A1 (en) Systems and methods for transportable cellular networks
Mehmood et al. An Intelligent Cluster-Based Communication System for Multi-Unmanned Aerial Vehicles for Searching and Rescuing
CN114173304B (zh) 一种三维无人机通信网络吞吐量和时延的权衡方法
CN115347941A (zh) 一种大型高空全网应急通信无人机对地覆盖方法
Almarhabi et al. LoRa and High-Altitude Platforms: Path Loss, Link Budget and Optimum Altitude
Luo et al. Aoi minimizing of wireless rechargeable sensor network based on trajectory optimization of laser-charged UAV
Ryu et al. Energy efficient deployment of aerial base stations for mobile users in multi-hop UAV networks

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