CN113253763B - 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 PDFInfo
- Publication number
- CN113253763B CN113253763B CN202110719277.XA CN202110719277A CN113253763B CN 113253763 B CN113253763 B CN 113253763B CN 202110719277 A CN202110719277 A CN 202110719277A CN 113253763 B CN113253763 B CN 113253763B
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013480 data collection Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims description 41
- 239000003016 pheromone Substances 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000725 suspension Substances 0.000 description 23
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
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:
其中,为所述启发函数值,为距离因子,为当前无人机悬停点位置和下一无人机悬停点位置的欧氏距离,为当前无人机悬停点位置和当前蚁群算法轨迹终点的欧氏距离,为权衡因子;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,则取值为1,否则取值为0;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表示,其中和为二维地图的坐标,该坐标通常选择经纬度的形式表示,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到终点按照飞行路径对N个传感器节点收集信息。设为一组悬停点,每个无人机悬停点位置的坐标用表示,其中和为二维地图的坐标,该坐标通常选择经纬度的形式表示,为三维空间内悬停点的高度。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。
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的关系表示如下:
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,包括停留在第k悬停点的数据收集时间,和无人机从第k个悬停点到第k+1个悬停点的移动时间,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的时间,第k组中每个传感器节点的信息年龄可表示为。于是本实施例中求取最优信息年龄的问题可以阐述为:
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:
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。
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,选用对初始信息素进行衰减,因此初始信息素可表示为:
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:
其中,为启发函数值,为距离因子,为当前无人机悬停点位置和下一无人机悬停点位置的欧氏距离,为当前无人机悬停点位置和当前蚁群算法轨迹终点的欧氏距离,为权衡因子;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,则取值为1,否则取值为0;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:
其中,为未经过的悬停点的集合,表示各个路径上的信息素,初始为一个较小的常数,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,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,越大,蚂蚁选择之前走过的路径的可能性就越大;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,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:
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:
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:
其中,为所述启发函数值,为距离因子,为当前无人机悬停点位置和下一无人机悬停点位置的欧氏距离,为当前无人机悬停点位置和当前蚁群算法轨迹终点的欧氏距离,为权衡因子;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,则取值为1,否则取值为0;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 (7)
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;
其中,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:
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;
其中,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:
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。
5.根据权利要求1至4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。
6.一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;
其中,所述路径寻优单元具体包括:
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;
其中,所述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:
7.一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5任一项所述无人机数据收集的轨迹确定方法的步骤。
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 CN113253763A (zh) | 2021-08-13 |
CN113253763B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063610B (zh) * | 2021-09-16 | 2024-07-19 | 长沙理工大学 | 一种基于最短距离的无人机监测巡航和轨迹规划方法 |
Citations (8)
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 |
-
2021
- 2021-06-28 CN CN202110719277.XA patent/CN113253763B/zh active Active
Patent Citations (8)
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 |
---|---|
CN113253763A (zh) | 2021-08-13 |
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 | |
CN109547938B (zh) | 无线传感器网络中无人机的轨迹规划方法 | |
CN111176807A (zh) | 一种多星协同任务规划方法 | |
CN113268077A (zh) | 无人机能耗最小化设计方法及装置 | |
Venkataramanan et al. | LWBA: Lévy-walk bat algorithm based data prediction for precision agriculture in wireless sensor networks | |
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 | |
CN111367315B (zh) | 一种应用于无人机收集信息的轨迹规划方法及装置 | |
CN113253763B (zh) | 一种无人机数据收集的轨迹确定方法、系统及装置 | |
CN109186619A (zh) | 一种基于实时路况的智能导航算法 | |
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 | |
Li et al. | Online velocity control and data capture of drones for the internet of things: An onboard deep reinforcement learning approach | |
CN112130586B (zh) | 一种基于资源树的分布式异构无人机联盟构成方法 | |
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 | |
CN114727359A (zh) | 一种无人机辅助的灾后分簇式矿井物联网数据采集方法 | |
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 | |
Zhou et al. | Intelligent sensing scheduling for mobile target tracking wireless sensor networks | |
CN114353872A (zh) | 一种机房温度的预测方法及装置 | |
CN110808911B (zh) | 基于蚁群信息素的组网通信路由方法 | |
Han et al. | A trajectory planning algorithm for data collection in UAV-aided wireless sensor networks | |
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 | |
Yadav et al. | A hybrid approach based on ACO and firefly algorithm for routing in FANETs | |
CN114637330A (zh) | 一种最小化信息年龄的无人机路径动态规划方法 | |
Sankari et al. | Squirrel search algorithm based support vector machine for congestion control in WSN-IoT |
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 |