CN113253763A - 一种无人机数据收集的轨迹确定方法、系统及装置 - Google Patents

一种无人机数据收集的轨迹确定方法、系统及装置 Download PDF

Info

Publication number
CN113253763A
CN113253763A CN202110719277.XA CN202110719277A CN113253763A CN 113253763 A CN113253763 A CN 113253763A CN 202110719277 A CN202110719277 A CN 202110719277A CN 113253763 A CN113253763 A CN 113253763A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
current
determining
hovering
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
CN202110719277.XA
Other languages
English (en)
Other versions
CN113253763B (zh
Inventor
廖卓凡
马银宝
何施茗
张经宇
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 CN202110719277.XA priority Critical patent/CN113253763B/zh
Publication of CN113253763A publication Critical patent/CN113253763A/zh
Application granted granted Critical
Publication of CN113253763B publication Critical patent/CN113253763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种无人机数据收集的轨迹确定方法，利用所有传感器节点的位置信息，采用聚类分簇分组，并利用路径寻优算法确定无人机飞行轨迹，比较每个聚类分簇分组情况下无人机飞行轨迹的最大信息年龄，将最大信息年龄最小的无人机飞行轨迹确定为最优无人机飞行轨迹。该过程中以系统中所有传感器节点的信息年龄作为评定标准，选择聚类分簇和路径寻优算法建立一个二阶段的迭代算法来进行无人机轨迹确定最优飞行轨迹，能够最大程度上降低系统的信息年龄。相应的，本申请还公开了一种无人机数据收集的轨迹确定系统及装置，具有相同的有益效果。

Description

一种无人机数据收集的轨迹确定方法、系统及装置
技术领域
本发明涉及物联网领域，特别涉及一种无人机数据收集的轨迹确定方法、系统及装置。
背景技术
伴随着数字化的发展，预计到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。物联网（Internet of Things，IoT）最重要的应用之一便是利用分布式的传感器收集信息。在静态网络中，这些传感器产生的消息通常以多跳的方式传递到目的地，这种传递方式占用大量网络带宽并产生大量的能量消耗，数据传输性能较差。为了解决这个问题，基于无人机的信息收集方式成为新的研究方向。
近年来，针对无人机辅助数据采集的研究多从机动性管理和资源分配方面考虑，以系统吞吐量最大或个体节点的信息延迟最小为目标，未考虑过系统整体所有信息在传递、收集上的耗时，无法保证系统整体的节点信息新鲜度。
因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种无人机数据收集的轨迹确定方法、系统及装置。其具体方案如下：
一种无人机数据收集的轨迹确定方法，包括：
获取所有传感器节点的位置信息；
利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹；
其中，所述利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹的过程包括：
初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
按照当前聚类值，根据所有所述传感器节点的位置信息，对所有所述传感器节点进行聚类分簇，得到聚类分簇后的多组所述传感器节点；
确定每组所述传感器节点对应的无人机悬停点位置；
根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
计算当前无人机飞行轨迹下每个所述传感器节点的信息年龄，并确定当前最大信息年龄；
判断当前最大信息年龄是否小于当前最优信息年龄，若是，更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹；
对当前聚类值加一。
优选的，所述确定每组所述传感器节点对应的无人机悬停点位置的过程，还包括：
根据上行速率确定所述无人机悬停点位置中的悬停高度。
优选的，所述确定每组所述传感器节点对应的无人机悬停点位置之后，还包括：
判断同一组的所述传感器节点之间的欧氏距离是否满足无人机通讯要求，若是，则进行所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的步骤，若否，则进行所述对当前聚类值加一的步骤。
优选的，所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的过程，包括：
根据所有所述无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹。
优选的，所述根据所有所述无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹的过程，包括：
初始化每个所述无人机悬停点位置的信息素浓度；
根据每个所述无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个所述无人机悬停点位置之间是否存在禁飞区，确定每个所述无人机悬停点位置的启发函数值；
根据每个所述无人机悬停点位置的信息素浓度和启发函数值，确定其转移概率；
利用所有所述转移概率确定当前蚁群算法轨迹，并同时局部更新每个所述无人机悬停点位置的信息素浓度；
判断当前蚁群算法轨迹是否最优，若是，将当前无人机飞行轨迹更新为当前蚁群算法轨迹，并全部更新所有所述无人机悬停点位置的信息素浓度。
优选的，所述根据每个所述无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个所述无人机悬停点位置之间是否存在禁飞区，确定每个所述无人机悬停点位置的启发函数值的过程，包括：
按照启发函数公式确定每个所述无人机悬停点位置的启发函数值，所述启发函数公式具体为：
Figure 539133DEST_PATH_IMAGE001
；
其中，
Figure 5887DEST_PATH_IMAGE002
；
其中，
Figure 854894DEST_PATH_IMAGE003
为所述启发函数值，
Figure 183239DEST_PATH_IMAGE004
为距离因子，
Figure 699670DEST_PATH_IMAGE005
为当前无人机悬停点位置
Figure 275008DEST_PATH_IMAGE006
和下一无人机悬停点位置
Figure 627623DEST_PATH_IMAGE007
的欧氏距离，
Figure 8926DEST_PATH_IMAGE008
为当前无人机悬停点位置
Figure 114285DEST_PATH_IMAGE006
和当前蚁群算法轨迹终点
Figure 876836DEST_PATH_IMAGE009
的欧氏距离，
Figure 497173DEST_PATH_IMAGE010
为权衡因子；
Figure 885429DEST_PATH_IMAGE011
为剩余能量因子，若无人机的当前飞行能耗支持该无人机完成剩余所述无人机悬停点位置的蚁群算法轨迹，则
Figure 864536DEST_PATH_IMAGE011
取值为1，否则取值为0；
Figure 781677DEST_PATH_IMAGE012
为避障因子，若当前无人机悬停点位置与下一无人机悬停点位置之间存在禁飞区，则
Figure 154889DEST_PATH_IMAGE012
取值为1，否则取值为0。
优选的，所述传感器节点的位置信息包括：
所述传感器节点的经纬度和/或高度。
优选的，所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的过程，包括：
根据所有所述无人机悬停点位置，利用路径寻优算法确定多条不重叠的无人机飞行轨迹。
相应的，本申请还公开了一种无人机数据收集的轨迹确定系统，包括：
数据获取模块，用于获取所有传感器节点的位置信息；
信息分析模块，用于利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹；
其中，所述信息分析模块包括：
控制单元，用于初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
分簇单元，用于按照当前聚类值，根据所有所述传感器节点的位置信息，对所有所述传感器节点进行聚类分簇，得到聚类分簇后的多组所述传感器节点；
位置确定单元，用于确定每组所述传感器节点对应的无人机悬停点位置；
路径寻优单元，用于根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
信息年龄单元，用于计算当前无人机飞行轨迹下每个所述传感器节点的信息年龄，并确定当前最大信息年龄，触发所述控制单元对当前聚类值加一；
数据更新单元，用于判断当前最大信息年龄是否小于当前最优信息年龄，若是，更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹。
相应的，本申请还公开了一种无人机数据收集的轨迹确定装置，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文任一项所述无人机数据收集的轨迹确定方法的步骤。
本申请公开了一种无人机数据收集的轨迹确定方法，利用所有传感器节点的位置信息，采用聚类分簇分组，并利用路径寻优算法确定无人机飞行轨迹，比较每个聚类分簇分组情况下无人机飞行轨迹的最大信息年龄，将最大信息年龄最小的无人机飞行轨迹确定为最优无人机飞行轨迹。该过程中以系统中所有传感器节点的信息年龄作为评定标准，选择聚类分簇和路径寻优算法进行无人机轨迹建立一个二阶段的迭代算法来确定最优飞行轨迹，能够最大程度上降低系统的信息年龄。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种无人机数据收集的轨迹确定方法的步骤流程图；
图2为本发明实施例中一种物联网网络的结构分布图；
图3为本发明实施例中一种无人机数据收集的轨迹确定方法的子步骤流程图；
图4为本发明实施例中一种无人机数据收集的轨迹确定系统的结构分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
近年来，针对无人机辅助数据采集的研究多从机动性管理和资源分配方面考虑，以系统吞吐量最大或个体节点的信息延迟最小为目标，未考虑过系统整体所有信息在传递、收集上的耗时，无法保证系统整体的节点信息新鲜度。
本申请公开了一种无人机数据收集的轨迹确定方法，利用所有传感器节点的位置信息，采用聚类分簇分组，并利用路径寻优算法确定无人机飞行轨迹，比较每个聚类分簇分组情况下无人机飞行轨迹的最大信息年龄，将最大信息年龄最小的无人机飞行轨迹确定为最优无人机飞行轨迹。该过程中以系统中所有传感器节点的信息年龄作为评定标准，选择聚类分簇和路径寻优算法建立一个二阶段的迭代算法来进行无人机轨迹确定最优飞行轨迹，能够最大程度上降低系统的信息年龄。
本发明实施例公开了一种无人机数据收集的轨迹确定方法，参见图1所示，包括：
S1：获取所有传感器节点的位置信息；
其中，传感器节点的位置信息包括：传感器节点的经纬度和/或高度。可以理解的是，经纬度决定了传感器节点在地图上的二维坐标，但由于本实施例中无人机在三维空间运动，其高度可调，因此在确定无人机的轨迹时考虑传感器节点的高度，能够进一步提高优化无人机飞行轨迹。
具体的，传感器节点可分布于自然环境和/或城市环境中，可传递的信息包括当地空气湿度、气温、树木的生长状况、生物群的巡游信息等。
S2：利用所有传感器节点的位置信息，确定最优无人机飞行轨迹；
可以理解的是，最优无人机飞行轨迹可以是一条无人机飞行轨迹，由一个无人机实现所有传感器节点的信息收集，也可以是多条不重复的无人机飞行轨迹，由多个无人机同时进行传感器节点的信息收集，提高信息收集速度。
其中，步骤S2利用所有传感器节点的位置信息，确定最优无人机飞行轨迹的过程包括：
S21：初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
S22：按照当前聚类值，根据所有传感器节点的位置信息，对所有传感器节点进行聚类分簇，得到聚类分簇后的多组传感器节点；
S23：确定每组传感器节点对应的无人机悬停点位置；
S24：根据所有无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
S25：计算当前无人机飞行轨迹下每个传感器节点的信息年龄，并确定当前最大信息年龄；
S26：判断当前最大信息年龄是否小于当前最优信息年龄，若是，进入步骤S27，若否，跳过步骤S27进入步骤S28；
S27：更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹；
S28：对当前聚类值加一。
可以理解的是，本实施例中在规划无人机数据收集的飞行轨迹时，反复执行聚类分簇和路径寻优的步骤，最后确定出所有的聚类分簇中最优信息年龄最小的无人机飞行路径作为最优无人机飞行路径。
以图2中的物联网网络系统为例，在这个物联网网络中，N个传感器节点随机分布在一块特定的区域，第n个传感器节点的坐标用
Figure 831990DEST_PATH_IMAGE013
表示，其中
Figure 646362DEST_PATH_IMAGE014
和
Figure 265562DEST_PATH_IMAGE015
为二维地图的坐标，该坐标通常选择经纬度的形式表示，
Figure 611224DEST_PATH_IMAGE016
为三维空间内第n个传感器节点的高度。首先假设所有传感器节点具有相同的高度，之后再将计算结果推广到不同高度的一般情况。
具体的，本实施例中一台旋翼无人机从起点
Figure 75703DEST_PATH_IMAGE017
到终点
Figure 10161DEST_PATH_IMAGE018
按照飞行路径对N个传感器节点收集信息。设
Figure 347733DEST_PATH_IMAGE019
为一组悬停点，每个无人机悬停点位置的坐标用
Figure 367641DEST_PATH_IMAGE020
表示，其中
Figure 635812DEST_PATH_IMAGE021
和
Figure 690355DEST_PATH_IMAGE022
为二维地图的坐标，该坐标通常选择经纬度的形式表示，
Figure 930319DEST_PATH_IMAGE023
为三维空间内悬停点
Figure 703103DEST_PATH_IMAGE024
的高度。当无人机位于悬停点，对应的该组传感器节点可与无人机建立连接，进行数据的传输。
按照图2的物联网网络系统，无人机从起点
Figure 509385DEST_PATH_IMAGE017
出发，按照某一路径遍历所有的悬停点P后到达终点
Figure 965905DEST_PATH_IMAGE018
，该路径表示为
Figure 832230DEST_PATH_IMAGE025
，其中
Figure 826731DEST_PATH_IMAGE026
和
Figure 249753DEST_PATH_IMAGE027
分别为起点
Figure 278889DEST_PATH_IMAGE017
和终点
Figure 598006DEST_PATH_IMAGE018
。
通常，每个传感器节点会将感知信息数据打包成一个带有时间戳的数据包后上传给无人机，当无人机悬停在某个无人机悬停点位置，即可与对应的传感器节点建立通信连接并收集数据包。通常要求一个传感器节点只关联一个无人机悬停点位置，因此第n个传感器节点和悬停点
Figure 345382DEST_PATH_IMAGE024
的关系表示如下：
Figure 493467DEST_PATH_IMAGE028
；
因此，对于任意的传感器节点，可得出
Figure 650211DEST_PATH_IMAGE029
的结论。这里使用
Figure 858338DEST_PATH_IMAGE030
来表示飞行路径中悬停点
Figure 827431DEST_PATH_IMAGE024
所关联的一组传感器节点的集合，意味着所有的传感器节点通过聚类分簇被分成了K（1≤K≤N）组。
本实施例试图将最大信息年龄最小的无人机飞行轨迹确定为最优无人机飞行轨迹，无人机从第k个悬停点到第k+1个悬停点所需要的时间
Figure 592256DEST_PATH_IMAGE031
，包括停留在第k悬停点的数据收集时间
Figure 64826DEST_PATH_IMAGE032
，和无人机从第k个悬停点到第k+1个悬停点的移动时间
Figure 709434DEST_PATH_IMAGE033
，因此第k组的传感器节点的信息年龄的定义为该组传感器节点的数据离开传感器节点后到达终点
Figure 713293DEST_PATH_IMAGE018
的时间，第k组中每个传感器节点的信息年龄
Figure 468760DEST_PATH_IMAGE034
可表示为
Figure 326994DEST_PATH_IMAGE035
。于是本实施例中求取最优信息年龄的问题可以阐述为：
Figure 876924DEST_PATH_IMAGE036
；
s.t. C1：
Figure 102500DEST_PATH_IMAGE037
；
C2：
Figure 396078DEST_PATH_IMAGE038
；
其中，C1表示每个传感器节点只能对应一个悬停点，C2表示无人机的能耗限制。
观察该问题，可以看出最大信息年龄可以看作数据收集时间和无人机飞行时间的和。为此，本实施例将该问题拆成两个子问题来解决：一是传感器节点的聚簇问题，及通过对所有传感器节点进行聚类分簇，确定每组传感器节点的一个最佳无人机悬停点，以减少数据的收集时间；二是确定无人机飞行轨迹，减少无人机飞行时间，进一步降低数据的信息年龄。针对这两个子问题，本实施例提出了一个二阶段迭代算法，具体流程如步骤S21-S28所示。
该过程中以系统中所有传感器节点的信息年龄作为评定标准，选择聚类分簇和路径寻优算法建立一个二阶段的迭代算法来进行无人机轨迹确定最优飞行轨迹，能够最大程度上降低系统的信息年龄。
本发明实施例公开了一种具体的无人机数据收集的轨迹确定方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
步骤S23确定每组传感器节点对应的无人机悬停点位置的过程，还包括：
根据上行速率确定无人机悬停点位置中的悬停高度。
可以理解的是，无人机运行于三维空间中，悬停点位置除了二维地图上的经纬度外，悬停高度也属于可以控制的参数，且悬停高度的大小在能否进行信息采集和飞行轨迹耗时方面均需要考虑。
为了减小数据的收集时间，按照最大化上行速率优化无人机悬停点位置的高度。其中，无人机的上行速率为悬停高度的一元函数，因此可构建出如下目标：
Figure 108819DEST_PATH_IMAGE039
；
s.t. C3：
Figure 843033DEST_PATH_IMAGE040
；
其中
Figure 274014DEST_PATH_IMAGE041
为无人机的上行速率，可根据公知常识计算，
Figure 168021DEST_PATH_IMAGE042
和
Figure 486001DEST_PATH_IMAGE043
分别为每个悬停点的最大允许高度和最小允许高度，C3表示每个悬停点的高度限制。
具体的，步骤S23确定每组传感器节点对应的无人机悬停点位置之后，还包括：
判断同一组的传感器节点之间的欧氏距离是否满足无人机通讯要求，若是，则进行根据所有无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的步骤，若否，则进行对当前聚类值加一的步骤。
可以理解的是，无人机的通信范围存在上限，因此要求同一组传感器节点之间的距离可同时接入一架无人机中。假设无人机的最大通信半径为
Figure 377733DEST_PATH_IMAGE044
，则对于同族的两个传感器节点
Figure 827169DEST_PATH_IMAGE045
和
Figure 478862DEST_PATH_IMAGE046
需满足以下无人机通讯要求：
Figure 166195DEST_PATH_IMAGE047
其中
Figure 494408DEST_PATH_IMAGE048
表示两个传感器节点
Figure 368823DEST_PATH_IMAGE045
和
Figure 558627DEST_PATH_IMAGE046
的欧氏距离，
Figure 897205DEST_PATH_IMAGE049
表示该无人机悬停点位置的高度。
本发明实施例公开了一种具体的无人机数据收集的轨迹确定方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的，本实施例中根据所有无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的过程，包括：
根据所有无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹。
可以理解的是，除了蚁群算法，还可以选择其他路径寻优的算法，此处不作限制。
具体的，参见图3所示，根据所有无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹的过程，包括：
S31：初始化每个无人机悬停点位置的信息素浓度；
传统蚁群算法的初始信息素均匀分布，这样蚂蚁在开始阶段选择其他任意悬停点的概率相同，因此在算法执行的初始阶段，航迹搜索具有一定盲目性，会消耗大量时间。本实施例考虑了每个悬停点与起点的距离因素，为了提高蚂蚁在初期的搜索效率，选用
Figure 396319DEST_PATH_IMAGE050
对初始信息素进行衰减，因此初始信息素
Figure 511692DEST_PATH_IMAGE051
可表示为：
Figure 754455DEST_PATH_IMAGE052
；
其中，
Figure 416380DEST_PATH_IMAGE053
代表悬停点
Figure 633866DEST_PATH_IMAGE024
到起点
Figure 482873DEST_PATH_IMAGE017
的欧氏距离，
Figure 263748DEST_PATH_IMAGE054
为固定的信息素常数。
S32：根据每个无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个无人机悬停点位置之间是否存在禁飞区，确定每个无人机悬停点位置的启发函数值；
按照启发函数公式确定每个无人机悬停点位置的启发函数值，启发函数公式具体为：
Figure 327650DEST_PATH_IMAGE001
；
其中，
Figure 168567DEST_PATH_IMAGE002
；
其中，
Figure 504870DEST_PATH_IMAGE003
为启发函数值，
Figure 823856DEST_PATH_IMAGE004
为距离因子，
Figure 945527DEST_PATH_IMAGE005
为当前无人机悬停点位置
Figure 754083DEST_PATH_IMAGE006
和下一无人机悬停点位置
Figure 577683DEST_PATH_IMAGE007
的欧氏距离，
Figure 448162DEST_PATH_IMAGE008
为当前无人机悬停点位置
Figure 939186DEST_PATH_IMAGE006
和当前蚁群算法轨迹终点
Figure 918644DEST_PATH_IMAGE009
的欧氏距离，
Figure 980272DEST_PATH_IMAGE010
为权衡因子；
Figure 641060DEST_PATH_IMAGE011
为剩余能量因子，若无人机的当前飞行能耗支持该无人机完成剩余无人机悬停点位置的蚁群算法轨迹，则
Figure 783328DEST_PATH_IMAGE011
取值为1，否则取值为0；
Figure 887682DEST_PATH_IMAGE012
为避障因子，若当前无人机悬停点位置与下一无人机悬停点位置之间存在禁飞区，则
Figure 685874DEST_PATH_IMAGE012
取值为1，否则取值为0。
S33：根据每个无人机悬停点位置的信息素浓度和启发函数值，确定其转移概率；
具体的，从悬停点i到悬停点j的转移概率为：
Figure 150353DEST_PATH_IMAGE055
；
其中，
Figure 350390DEST_PATH_IMAGE056
为未经过的悬停点的集合，
Figure 625645DEST_PATH_IMAGE057
表示各个路径上的信息素，初始为一个较小的常数，
Figure 442291DEST_PATH_IMAGE058
为启发式函数，反映了任意从悬停点 i 向悬停点 j 移动的期望程度，
Figure 538159DEST_PATH_IMAGE059
为信息启发式因子，反映了蚂蚁运动过程中积累的信息量在指导蚁群搜索中的相对重要程度，
Figure 327124DEST_PATH_IMAGE059
越大，蚂蚁选择之前走过的路径的可能性就越大；
Figure 22547DEST_PATH_IMAGE060
为期望启发式因子，也即上文中的启发函数值，反映了启发式信息在指导蚁群搜索中的相对重要程度，
Figure 795331DEST_PATH_IMAGE060
越大，蚂蚁就越容易选择局部较短的路径。蚁群算法的转移概率由信息素和局部启发式函数构成，二者将航迹长度作为评判标准。
S34：利用所有转移概率确定当前蚁群算法轨迹，并同时局部更新每个无人机悬停点位置的信息素浓度；
每一个蚂蚁的个体经过一个悬停点后，对该悬停点的信息素进行衰减，保证其他个体有更大的机率访问其他悬停点，避免算法陷入局部最优。局部信息素的更新公式可以表示为：
Figure 414662DEST_PATH_IMAGE061
，
其中，
Figure 58133DEST_PATH_IMAGE062
为局部信息素的衰减系数。
S35：判断当前蚁群算法轨迹是否最优；
S36：若是，将当前无人机飞行轨迹更新为当前蚁群算法轨迹，并全部更新所有无人机悬停点位置的信息素浓度。
全局信息素的更新规则如下：
Figure 737507DEST_PATH_IMAGE063
；
其中，
Figure 732008DEST_PATH_IMAGE064
为全局信息素的衰减系数，
Figure 607560DEST_PATH_IMAGE065
表示所有蚂蚁在路径上所有悬停点的信息素增量，其计算公式如下：
Figure 105538DEST_PATH_IMAGE066
；
其中，
Figure 159076DEST_PATH_IMAGE067
表示第x只蚂蚁在悬停点i到悬停点j上的信息素，当该蚂蚁在最优轨迹上，取值为
Figure 437610DEST_PATH_IMAGE068
，否则取值为0。
其中Q为信息素常数，表示蚂蚁遍历一次所有节点所释放的信息素总量，LF为一次迭代结束后的最优路径的长度。
相应的，本申请实施例还公开了一种无人机数据收集的轨迹确定系统，参见图4所示，包括：
数据获取模块1，用于获取所有传感器节点的位置信息；
信息分析模块2，用于利用所有传感器节点的位置信息，确定最优无人机飞行轨迹；
其中，信息分析模块2包括：
控制单元21，用于初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
分簇单元22，用于按照当前聚类值，根据所有传感器节点的位置信息，对所有传感器节点进行聚类分簇，得到聚类分簇后的多组传感器节点；
位置确定单元23，用于确定每组传感器节点对应的无人机悬停点位置；
路径寻优单元24，用于根据所有无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
信息年龄单元25，用于计算当前无人机飞行轨迹下每个所述传感器节点的信息年龄，并确定当前最大信息年龄，触发所述控制单元21对当前聚类值加一；
数据更新单元26，用于判断当前最大信息年龄是否小于当前最优信息年龄，若是，更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹。
该过程中以系统中所有传感器节点的信息年龄作为评定标准，选择聚类分簇和路径寻优算法建立一个二阶段的迭代算法来进行无人机轨迹确定最优飞行轨迹，能够最大程度上降低系统的信息年龄。
在一些具体的实施例中，位置确定单元23还用于：
根据上行速率确定所述无人机悬停点位置中的悬停高度。
在一些具体的实施例中，所述位置确定单元23还用于：
判断同一组的所述传感器节点之间的欧氏距离是否满足无人机通讯要求，若是，则触发路径寻优单元24，若否，则触发控制单元21进行所述对当前聚类值加一的步骤。
在一些具体的实施例中，路径寻优单元24具体用于：
根据所有所述无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹。
在一些具体的实施例中，路径寻优单元24具体包括：
初始化子单元，用于初始化每个所述无人机悬停点位置的信息素浓度；
启发函数子单元，用于根据每个所述无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个所述无人机悬停点位置之间是否存在禁飞区，确定每个所述无人机悬停点位置的启发函数值；
转移概率子单元，用于根据每个所述无人机悬停点位置的信息素浓度和启发函数值，确定其转移概率；
轨迹子单元，用于利用所有所述转移概率确定当前蚁群算法轨迹，并同时局部更新每个所述无人机悬停点位置的信息素浓度；
判断子单元，用于判断当前蚁群算法轨迹是否最优，若是，将当前无人机飞行轨迹更新为当前蚁群算法轨迹，并全部更新所有所述无人机悬停点位置的信息素浓度。
在一些具体的实施例中，启发函数子单元具体用于：
按照启发函数公式确定每个所述无人机悬停点位置的启发函数值，所述启发函数公式具体为：
Figure 851274DEST_PATH_IMAGE001
；
其中，
Figure 217140DEST_PATH_IMAGE002
；
其中，
Figure 690847DEST_PATH_IMAGE003
为所述启发函数值，
Figure 456677DEST_PATH_IMAGE004
为距离因子，
Figure 424764DEST_PATH_IMAGE005
为当前无人机悬停点位置
Figure 162913DEST_PATH_IMAGE006
和下一无人机悬停点位置
Figure 541942DEST_PATH_IMAGE007
的欧氏距离，
Figure 998331DEST_PATH_IMAGE008
为当前无人机悬停点位置
Figure 301268DEST_PATH_IMAGE006
和当前蚁群算法轨迹终点
Figure 159502DEST_PATH_IMAGE009
的欧氏距离，
Figure 443853DEST_PATH_IMAGE010
为权衡因子；
Figure 138271DEST_PATH_IMAGE011
为剩余能量因子，若无人机的当前飞行能耗支持该无人机完成剩余所述无人机悬停点位置的蚁群算法轨迹，则
Figure 697428DEST_PATH_IMAGE011
取值为1，否则取值为0；
Figure 206907DEST_PATH_IMAGE012
为避障因子，若当前无人机悬停点位置与下一无人机悬停点位置之间存在禁飞区，则
Figure 681400DEST_PATH_IMAGE012
取值为1，否则取值为0。
在一些具体的实施例中，所述传感器节点的位置信息包括：
所述传感器节点的经纬度和/或高度。
在一些具体的实施例中，路径寻优单元24用于：
根据所有所述无人机悬停点位置，利用路径寻优算法确定多条不重叠的无人机飞行轨迹。
相应的，本申请实施例还公开了一种无人机数据收集的轨迹确定装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上文任一项无人机数据收集的轨迹确定方法的步骤。
其中，具体有关无人机数据收集的轨迹确定方法的细节，可以参照上文实施例中的相关描述，此处不再赘述。
其中，本实施例中无人机数据收集的轨迹确定装置具有与上文实施例中无人机数据收集的轨迹确定方法相同的技术效果，此处不再赘述。
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无人机数据收集的轨迹确定方法、系统及装置进行了详细介绍，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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种无人机数据收集的轨迹确定方法，其特征在于，包括：
获取所有传感器节点的位置信息；
利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹；
其中，所述利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹的过程包括：
初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
按照当前聚类值，根据所有所述传感器节点的位置信息，对所有所述传感器节点进行聚类分簇，得到聚类分簇后的多组所述传感器节点；
确定每组所述传感器节点对应的无人机悬停点位置；
根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
计算当前无人机飞行轨迹下每个所述传感器节点的信息年龄，并确定当前最大信息年龄；
判断当前最大信息年龄是否小于当前最优信息年龄，若是，更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹；
对当前聚类值加一。
2.根据权利要求1所述轨迹确定方法，其特征在于，所述确定每组所述传感器节点对应的无人机悬停点位置的过程，还包括：
根据上行速率确定所述无人机悬停点位置中的悬停高度。
3.根据权利要求2所述轨迹确定方法，其特征在于，所述确定每组所述传感器节点对应的无人机悬停点位置之后，还包括：
判断同一组的所述传感器节点之间的欧氏距离是否满足无人机通讯要求，若是，则进行所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的步骤，若否，则进行所述对当前聚类值加一的步骤。
4.根据权利要求1所述轨迹确定方法，其特征在于，所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的过程，包括：
根据所有所述无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹。
5.根据权利要求4所述轨迹确定方法，其特征在于，所述根据所有所述无人机悬停点位置，利用蚁群算法确定无人机飞行轨迹的过程，包括：
初始化每个所述无人机悬停点位置的信息素浓度；
根据每个所述无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个所述无人机悬停点位置之间是否存在禁飞区，确定每个所述无人机悬停点位置的启发函数值；
根据每个所述无人机悬停点位置的信息素浓度和启发函数值，确定其转移概率；
利用所有所述转移概率确定当前蚁群算法轨迹，并同时局部更新每个所述无人机悬停点位置的信息素浓度；
判断当前蚁群算法轨迹是否最优，若是，将当前无人机飞行轨迹更新为当前蚁群算法轨迹，并全部更新所有所述无人机悬停点位置的信息素浓度。
6.根据权利要求5所述轨迹确定方法，其特征在于，所述根据每个所述无人机悬停点位置之间的距离关系、和/或无人机的飞行能耗、和/或每个所述无人机悬停点位置之间是否存在禁飞区，确定每个所述无人机悬停点位置的启发函数值的过程，包括：
按照启发函数公式确定每个所述无人机悬停点位置的启发函数值，所述启发函数公式具体为：
Figure 121890DEST_PATH_IMAGE001
；
其中，
Figure 90108DEST_PATH_IMAGE002
；
其中，
Figure 1432DEST_PATH_IMAGE003
为所述启发函数值，
Figure 844623DEST_PATH_IMAGE004
为距离因子，
Figure 393678DEST_PATH_IMAGE005
为当前无人机悬停点位置
Figure 765754DEST_PATH_IMAGE006
和下一无人机悬停点位置
Figure 164374DEST_PATH_IMAGE007
的欧氏距离，
Figure 47142DEST_PATH_IMAGE008
为当前无人机悬停点位置
Figure 949239DEST_PATH_IMAGE006
和当前蚁群算法轨迹终点
Figure 757795DEST_PATH_IMAGE009
的欧氏距离，
Figure 378132DEST_PATH_IMAGE010
为权衡因子；
Figure 810730DEST_PATH_IMAGE011
为剩余能量因子，若无人机的当前飞行能耗支持该无人机完成剩余所述无人机悬停点位置的蚁群算法轨迹，则
Figure 567333DEST_PATH_IMAGE011
取值为1，否则取值为0；
Figure 546791DEST_PATH_IMAGE012
为避障因子，若当前无人机悬停点位置与下一无人机悬停点位置之间存在禁飞区，则
Figure 654424DEST_PATH_IMAGE012
取值为1，否则取值为0。
7.根据权利要求1所述轨迹确定方法，其特征在于，所述传感器节点的位置信息包括：
所述传感器节点的经纬度和/或高度。
8.根据权利要求1至7任一项所述轨迹确定方法，其特征在于，所述根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹的过程，包括：
根据所有所述无人机悬停点位置，利用路径寻优算法确定多条不重叠的无人机飞行轨迹。
9.一种无人机数据收集的轨迹确定系统，其特征在于，包括：
数据获取模块，用于获取所有传感器节点的位置信息；
信息分析模块，用于利用所有所述传感器节点的位置信息，确定最优无人机飞行轨迹；
其中，所述信息分析模块包括：
控制单元，用于初始化聚类值并循环以下步骤，直至当前聚类值大于最大聚类值：
分簇单元，用于按照当前聚类值，根据所有所述传感器节点的位置信息，对所有所述传感器节点进行聚类分簇，得到聚类分簇后的多组所述传感器节点；
位置确定单元，用于确定每组所述传感器节点对应的无人机悬停点位置；
路径寻优单元，用于根据所有所述无人机悬停点位置，利用路径寻优算法确定无人机飞行轨迹；
信息年龄单元，用于计算当前无人机飞行轨迹下每个所述传感器节点的信息年龄，并确定当前最大信息年龄，触发所述控制单元对当前聚类值加一；
数据更新单元，用于判断当前最大信息年龄是否小于当前最优信息年龄，若是，更新当前最优信息年龄为当前最大信息年龄，并更新当前最优无人机飞行轨迹为当前最大信息年龄对应的无人机飞行轨迹。
10.一种无人机数据收集的轨迹确定装置，其特征在于，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8任一项所述无人机数据收集的轨迹确定方法的步骤。
CN202110719277.XA 2021-06-28 2021-06-28 一种无人机数据收集的轨迹确定方法、系统及装置 Active CN113253763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110719277.XA CN113253763B (zh) 2021-06-28 2021-06-28 一种无人机数据收集的轨迹确定方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110719277.XA CN113253763B (zh) 2021-06-28 2021-06-28 一种无人机数据收集的轨迹确定方法、系统及装置

Publications (2)

Publication Number Publication Date
CN113253763A true CN113253763A (zh) 2021-08-13
CN113253763B CN113253763B (zh) 2021-09-24

Family

ID=77189836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110719277.XA Active CN113253763B (zh) 2021-06-28 2021-06-28 一种无人机数据收集的轨迹确定方法、系统及装置

Country Status (1)

Country Link
CN (1) CN113253763B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417456A (zh) * 2019-07-24 2019-11-05 北京交通大学 基于无人机的信息采集方法
CN110543185A (zh) * 2019-07-19 2019-12-06 宁波大学 一种基于最小化信息年龄的无人机数据收集方法
CN110856264A (zh) * 2019-11-08 2020-02-28 山东大学 一种在传感器网络中最优化信息年龄的分布式调度方法
CN111711923A (zh) * 2020-06-30 2020-09-25 江南大学 一种基于uav的无线传感器网络节点定位方法
CN111932136A (zh) * 2020-08-13 2020-11-13 榆林学院 一种河流水生态环境监测系统
CN112243239A (zh) * 2020-12-21 2021-01-19 长沙理工大学 一种基于立交桥的无人机部署方法及相关装置
CN112333634A (zh) * 2020-11-19 2021-02-05 江南大学 一种基于uav的混合节点定位方法
CN112423234A (zh) * 2020-11-20 2021-02-26 华侨大学 基于强化学习的无人机辅助物联网抗敌意干扰方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543185A (zh) * 2019-07-19 2019-12-06 宁波大学 一种基于最小化信息年龄的无人机数据收集方法
CN110417456A (zh) * 2019-07-24 2019-11-05 北京交通大学 基于无人机的信息采集方法
CN110856264A (zh) * 2019-11-08 2020-02-28 山东大学 一种在传感器网络中最优化信息年龄的分布式调度方法
CN111711923A (zh) * 2020-06-30 2020-09-25 江南大学 一种基于uav的无线传感器网络节点定位方法
CN111932136A (zh) * 2020-08-13 2020-11-13 榆林学院 一种河流水生态环境监测系统
CN112333634A (zh) * 2020-11-19 2021-02-05 江南大学 一种基于uav的混合节点定位方法
CN112423234A (zh) * 2020-11-20 2021-02-26 华侨大学 基于强化学习的无人机辅助物联网抗敌意干扰方法和系统
CN112243239A (zh) * 2020-12-21 2021-01-19 长沙理工大学 一种基于立交桥的无人机部署方法及相关装置

Also Published As

Publication number Publication date
CN113253763B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN110543185B (zh) 一种基于最小化信息年龄的无人机数据收集方法
CN113190039B (zh) 一种基于分层深度强化学习的无人机采集路径规划方法
CN113131985B (zh) 一种基于信息年龄最优路径规划的多无人机数据收集方法
CN109547938B (zh) 无线传感器网络中无人机的轨迹规划方法
CN113268077A (zh) 无人机能耗最小化设计方法及装置
CN109857143B (zh) 一种吞吐量最大化的无人机轨迹规划方法
Venkataramanan et al. LWBA: Lévy-walk bat algorithm based data prediction for precision agriculture in wireless sensor networks
US20210157283A1 (en) Adaptively controlling groups of automated machines
CN111367315B (zh) 一种应用于无人机收集信息的轨迹规划方法及装置
CN112511250A (zh) 一种基于drl的多无人机空中基站动态部署方法及系统
Li et al. Online velocity control and data capture of drones for the internet of things: An onboard deep reinforcement learning approach
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
Wei et al. High-performance UAV crowdsensing: A deep reinforcement learning approach
US11928867B2 (en) Group of neural networks ensuring integrity
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
Chao et al. Path optimization of mobile sink node in wireless sensor network water monitoring system
CN117556979B (zh) 基于群体智能搜索的无人机平台与载荷一体化设计方法
Zhou et al. Intelligent sensing scheduling for mobile target tracking wireless sensor networks
CN113253763B (zh) 一种无人机数据收集的轨迹确定方法、系统及装置
CN112130586B (zh) 一种基于资源树的分布式异构无人机联盟构成方法
Shi et al. Age of information optimization with heterogeneous uavs based on deep reinforcement learning
CN113382060A (zh) 一种物联网数据收集中的无人机轨迹优化方法及系统
CN116321237A (zh) 一种基于深度强化学习的无人机辅助车联网数据收集方法
Han et al. A trajectory planning algorithm for data collection in UAV-aided wireless sensor networks
Yadav et al. A hybrid approach based on ACO and firefly algorithm for routing in FANETs

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