CN113543066B - 感通导指一体化交互与多目标应急组网方法及系统 - Google Patents

感通导指一体化交互与多目标应急组网方法及系统 Download PDF

Info

Publication number
CN113543066B
CN113543066B CN202110631951.9A CN202110631951A CN113543066B CN 113543066 B CN113543066 B CN 113543066B CN 202110631951 A CN202110631951 A CN 202110631951A CN 113543066 B CN113543066 B CN 113543066B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
target
energy consumption
task
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
CN202110631951.9A
Other languages
English (en)
Other versions
CN113543066A (zh
Inventor
王莉
费爱国
徐连明
张平
魏青
付玮琦
于欣宇
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110631951.9A priority Critical patent/CN113543066B/zh
Publication of CN113543066A publication Critical patent/CN113543066A/zh
Application granted granted Critical
Publication of CN113543066B publication Critical patent/CN113543066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • 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
    • 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
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

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)
  • Traffic Control Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种感通导指一体化交互与多目标应急组网方法与系统，方法包括：根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网。本发明针对无人机网络部署中的感知、通信、导航网络分立建设，实现在有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决了当前网络弹性不足及分立建设的问题。

Description

感通导指一体化交互与多目标应急组网方法及系统
技术领域
本发明涉及无人机通信技术领域，尤其涉及一种感通导指一体化交互与多目标应急组网方法及系统。
背景技术
在大多数灾后场景中，传统的地面无线基础设施往往不可用或严重损坏，使应急通信地区的用户无法相互通信或与外部通信，需要快速部署无线网络，并向目标地区的用户提供业务支持，实现快速指挥响应。
近年来，无人机通信以其覆盖范围大、实时数据传输能力强、资金成本低、部署时间快等优点受到了学术界和业界研究人员的广泛关注。一方面，无人机可以作为空中移动基站为用户提供通信覆盖和数据收集，另一方面，通过多架无人机协作，可以为由于卫星信号遮挡而无法定位的地面用户提供定位支持。然而，由于无人机有限续航能力限制了其任务执行能力，将对网络整体性能产生较大影响。当前，部分文献针对无人机的信道模型、移动模型和能量消耗进行了相关探索，通过优化无人机功率、无人机位置部署来来最大化无人机能量效率、最大化网络容量等。然而，大部分工作主要针对单一业务场景，例如对用户提供通信接入、感知数据采集、对地面用户定位等进行讨论。与此同时，在瞬息万变的应急态势下，应急现场指挥救援人员往往面临多个任务，在不同救援阶段等任务优先级有所不同。同时，不同优先级任务与特定的应急场景密切相关，针对服务对象、应用场景、处置阶段等所需的资源差异大。然而，由于当前多维资源调度与互联互通的应急指挥网络标准缺乏，且应急通信场景中数据质量差异大，态势展现可读性差，降低了应急组网的弹性和鲁棒性。如何面向感知、通信及导航业务的差异化需求，在资源(例如无人机数量、通信资源等)有限情况下，通过高效决策和精准指挥，对形成多维资源与指挥任务融合的应急通信指挥网络标准，实现互联互通有重要作用。
如何在感知、通信及定位业务共存情况下，联合考虑多种类型业务需求，实现有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决当前网络弹性不足、分立建设的问题，仍然亟待研究。
发明内容
本发明提供的感通导指一体化交互与多目标应急组网方法及系统，用于解决现有技术中存在的上述问题，实现在有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决了当前网络弹性不足及分立建设的问题。
本发明提供的一种感通导指一体化交互与多目标应急组网方法，包括：
根据待组网的目标区域内无人机的目标任务角色，确定处于所述目标任务角色的目标无人机的任务能耗；
根据所述目标无人机的任务能耗、所述目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定所述目标区域内待求解的所述目标优化问题；
求解所述目标优化问题，以对所述目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对所述目标区域内的无人机进行组网；
其中，所述目标任务角色包括通信任务角色、感知任务角色和定位任务角色；
所述目标无人机包括属于所述通信任务角色的所述通信无人机、所述属于感知任务角色的所述感知无人机和属于所述定位任务角色的所述定位无人机；
所述飞行能耗是根据预设权重系数、目标无人机的推动能耗、目标无人机的速度和目标无人机位置的初始值确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述感通导指一体化交互与多目标应急组网方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述感通导指一体化交互与多目标应急组网方法的步骤。
本发明提供的感通导指一体化交互与多目标应急组网方法及系统，针对无人机网络部署中的感知、通信、导航网络分立建设，实现在有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决了当前网络弹性不足及分立建设的问题。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的感通导指一体化交互与多目标应急组网方法的流程示意图；
图2是本发明提供的应用场景示意图；
图3是本发明提供的感通导指一体化交互与多目标应急组网部署示例示意图；
图4是本发明提供的无人机的任务能耗随无人机速度、用户功率及无人机总带宽的变化示意图；
图5是本发明提供的无人机的任务能耗总能耗随无人机速率及通信用户数量的变化示意图；
图6是本发明提供的无人机的任务能耗随通信用户数量及网格划分粒度的变化变化示意图；
图7是本发明提供的感通导指一体化交互与多目标应急组网系统的结构示意图；
图8是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明提出了感通导指一体化交互与多目标应急组网方法与系统，从网络层面、节点层面和决策层面展开了讨论。在网络层面，应急事件处理面临着看不清传不出定不准的问题，这是因为当前感知通信导航网络分立建设，构建单一应急网络难以同时满足多种功能需求，网络拓扑难以扩展，缺乏恶劣环境下可靠敏捷的组网能力，也就是网络敏捷可靠失谐；在节点层面，当前单节点能力受限固化角色单一，多节点缺乏灵活有效的资源协同，难以满足未来4k超清视频回传、AI计算等多种大存储实时化的应用需求，也就是节点多能供需失配；在决策层面，决策模型依赖大算力支持，自主性差弹性弱，复杂环境下难以提供智能服务，无法根据场景认知对网络进行调整，也就是决策精准时效失衡。
在感知、通信、导航以及指挥一体化应急场景中，需要面向不同业务的组网需求，选择适配的量化指标，以进行高效精准的资源分配，从而提高资源利用效率。具体的，在感知业务方面，感知能力包括数据采集率、感知覆盖范围、感知完备性和准确性等；在通信业务方面，通信能力包括通信覆盖能力、通信传输能力、安全防护能力等，其中通信传输能力可以从通信容量、覆盖范围、传输时延、传输能耗等不同性能指标进行量化；在导航业务方面，可以考虑从定位方式、定位精度、定位频度等角度考虑以网络协同定位为主的多元导航能力量化方案，其中定位方式包含了TOA(Time of arrival)、TDOA(Time difference ofarrival)、TWR(Two-way ranging)等基于测量时间获取节点间距离、RSSI(Receivedsignal strength indication)基于信号强度获取节点间距离、AOA(Angle of arrival)获取节点间的角度、PDOA(Phase difference of arrival)获取节点间信号传播的相位信息。不同定位方法具有各自的优劣势和使用场景；在指挥业务方面，应急突发事件可分为事前、事发、事中、事后等多个阶段，应急设备包括无人机、车辆、地面传感器等多类终端，应急指挥对不同应急救援阶段、不同服务对象提出了差异化资源需求。在具体应急场景中，感知、通信、导航及指挥业务所考虑的性能指标仍需和应急场景相结合，全面化考虑场景特征，从而对精准快速决策提供支持。
基于以上讨论，针对当前感知、通信、导航网络分立建设，指挥不精准等问题，本发明提出一种感通导指一体化交互与多目标应急组网系统。首先基于感知、通信及定位多任务并发的网络，结合空空视距及空地非视距通信链路特点，分析感知、通信及导航业务的通信场景及差异化通信需求，然后联合考虑节点位置、视距或非视距通信条件、信道状态信息、有限资源约束等，在满足用户通导需求、网络互连以及有限资源约束下，以最小化无人机部署总能耗为目标建立优化问题。最后利用匹配理论、凸优化以及粒子群算法等，通过联合优化无人机-用户匹配关系、无人机位置及资源调度策略，在构建感通导融合的无人机自组网下最小化网络整体能耗，实现复杂环境下应急通信网络的指挥决策。通过解决上述问题，面向现场感知、通信、导航能力需求，实现多目标网络动态自组重构、灵活的节点协同多能配置及自主的决策弹性智能增强，为现场应急救援人员提供新型智能应急指挥通信网络支撑。
需要说明的是，考虑在一般天气情况下，无人机可以主动抵消空气气流流速，以执行任务的情况。在极端大风情况下，由于无人机飞行稳定性和悬停受到影响，需考虑借助其他技术实现应急通信网络。
具体实现如下：
图1是本发明提供的感通导指一体化交互与多目标应急组网方法的流程示意图，如图1所示，方法包括：
S1、根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；
S2、根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；
S3、求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
S4、根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网；
其中，目标任务角色包括通信任务角色、感知任务角色和定位任务角色；目标无人机包括属于通信任务角色的通信无人机、属于感知任务角色的感知无人机和属于定位任务角色的定位无人机；飞行能耗是根据预设权重系数、目标无人机的推动能耗、目标无人机的速度和目标无人机位置的初始值确定的。需要说明的是，上述方法的执行主体可以是计算机设备。
可选地，本发明提供的感通导指一体化交互与多目标应急组网方法可以应用于如图2所示的应用场景，定义共有M架无人机，其集合表示为每架无人机可以同时作为多种目标任务角色(包括感知、通信及导航无人机三种任务角色)，因此第m架无人机的状态矢量为/>其中/>分别代表无人机的执行感知(Sensing)、通信(Communication)或导航(定位)(Positioning)任务，/>的值为1或0，其中值为1表示无人机执行对应目标任务角色，否则为0。
在目标区域内，用户集合为需要感知、通信及导航任务的用户随机分布，其中需要感知、通信及导航任务的用户集合分别为/>对应数量为US,UC,UP。值得注意的是，每个用户可能属于多个集合，即每个用户可能请求多项任务。定义在感知、通信及导航任务中无人机与地面节点通信最小信干噪比需求分别为/>考虑三维笛卡尔(cartesian)坐标系，地面用户u的坐标表示为qu＝[xu,yu,0]，无人机m的坐标表示为sm＝[xm,ym,zm]。
根据待组网的目标区域内无人机的目标任务角色，获取处于目标任务角色的目标无人机的任务能耗，并根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题。
通过确定无人机调度策略其中分别表示通信、感知及定位任务中无人机与用户的协作关系，即无人机调度策略；定义无人机功率矩阵P＝{PC,PS,PP}，其中分别表示提供通信服务的无人机与用户间发射功率、无人机间发射功率；定义无人机频谱分配矩阵B＝[Bm]1×M；其中，无人机资源分配方案包括无人机功率分配矩阵及无人机匹配分配矩阵；定义无人机位置矩阵/>以最小化执行感知、通信及导航任务的无人机能耗为目标，目标优化问题可以建模为：
飞行能耗是根据预设权重系数、目标无人机的推动能耗、目标无人机的速度和目标无人机位置的初始值确定的。
求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化，并根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网。
本发明提供的感通导指一体化交互与多目标应急组网方法，针对无人机网络部署中的感知、通信、导航网络分立建设，实现在有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决了当前网络弹性不足及分立建设的问题。
进一步地，在一个实施例中，步骤S1可以具体包括：
S11、根据目标悬停能耗、预设悬停权重系数、通信无人机的第一传输文件容量、第一数据速率和第一传输功率，确定通信无人机的第一任务能耗；
S12、根据目标悬停能耗、预设悬停权重系数、感知无人机的第二传输文件容量和第二数据速率，确定感知无人机的第二任务能耗；
S13、根据定位无人机中主站无人机的任务能耗和定位无人机中副站无人机的任务能耗，确定定位无人机的第三任务能耗；
S14、根据第一任务能耗、第二任务能耗和第三任务能耗，确定任务能耗；
其中，目标悬停能耗是根据无人机电动机速度乘数、无人机的高度和无人机处于预设高度的初始悬停能耗确定的；主站无人机的任务能耗是根据主站无人机的目标悬停能耗、定位无人机的第三传输文件容量、定位无人机的第三数据速率和预设悬停权重系数确定的；副站无人机的任务能耗是根据副站无人机的目标悬停能耗、定位无人机的第三传输文件容量、定位无人机的第三数据速率、副站无人机的第二传输功率和预设悬停权重系数确定的。
可选地，在无人机能量消耗包括三部分：(1)支持无人机飞行到部署位置的推动能耗(propulsion energy)(2)支持内容传输的通信能耗以及(3)执行任务时的悬停能耗。
具有速度V的旋翼无人机的推动能耗可以表示为：
其中P0,P1,U,vr以及A是与无人机重量、机翼面积、空气密度等相关的常数参数。此外，无人机悬停功耗与无人机悬停高度有关。结合EP表达式，无人机的目标悬停能耗可以表示为：
其中P0+P1表示在无人机高度为z0时的初始悬停能耗,Γ＞0为电动机速度乘数，zm表示无人机m的高度。因此与低高度相比，无人机高度较高时尽管具有较好的视距通信能力，但保持悬停需更大功率。
在通信业务中，无人机m可以同时服务多个用户。无人机的第一传输功耗可以表示为给定传输的第一传输文件容量C0，通信无人机m的服务由最小速率用户的传输时间确定，因此，其悬停及传输总能耗即第一任务能耗可以表示为：
其中，表示通信任务数据速率即第一数据速率，/>表示无人机m服务的通信用户集合，/>表示与无人机悬停能耗相关的预设悬停权重系数，用于衡量悬停能耗与通信能耗间的数量级关系。此时无人机的悬停能耗由数据速率最小的用户所决定。
在感知业务中，无人机的传输功耗为0。给定感知的第二传输文件容量为C1，此时由于用户通过不同时隙将内容传输给无人机，因此感知无人机m的第二任务能耗为：
其中，表示地面用户-无人机间感知业务数据速率即第二数据速率，/>表示无人机m服务的感知用户集合。
在定位业务中，给节点定位的无人机可以分为主站无人机和副站无人机。在第一阶段，地面节点向定位无人机广播信号，所有无人机获得测距信息；在第二阶段，副站无人机基于频分多址FDMA将测距信息及自身位置信息发送给主站无人机，无人机实现对目标节点的位置估计。给定定位无人机集合主站无人机k的任务能耗为：
副站无人机的任务能耗为：
为便于描述，定义二元变量表示给用户定位的无人机是否为主站无人机，即当时，表示该无人机为主站无人机，否则为0。因此无人机提供定位服务的第三任务能耗可以表示为：
值得注意的是，当为每个用户确定定位无人机组后，为已知参数。在确定无人机服务的用户对象及业务后，根据无人机的目标业务角色，所有无人机的总功耗可以表示为：
其中，表示无人机m是否执行通信、感知或定位任务，/>表示权重系数以均衡无人机执行任务能耗与飞行能耗间的数量级关系。
本发明提供的感通导指一体化交互与多目标应急组网方法，结合感知、通信及定位业务的通信场景的差异化通信要求，确定不同通信场景下的无人机执行任务能耗，为后续面向感通导耦合的应用场景构建最小化无人机部署方案奠定了基础。
进一步地，在一个实施例中，第一数据速率、第二数据速率和第三速度速率通过如下方式获取：
步骤A、根据分配给无人机的信道带宽和目标通信业务用户的第一信干噪比，确定第一数据速率；
步骤B、根据信道带宽和目标感知业务用户的第二信干噪比，确定所述第二数据速率；
步骤C、根据信道带宽和目标定位业务用户的第三信干噪比，确定第三数据速率；
其中，目标通信业务用户是由通信无人机所服务的用户确定的；第一信干噪比不小于预设通信信噪比阈值；目标感知业务用户是由感知无人机所服务的用户确定的；第二信干噪比不小于预设感知信噪比阈值；目标定位业务用户是由定位无人机所服务的用户确定的；第三信干噪比不小于预设定位信噪比阈值；第一信干噪比是根据通信无人机与目标通信业务用户的第一传输功率、用户的信道功率增益和预设噪声方差确定的；第二信干噪比是根据目标感知业务用户的传输功率、信道功率增益和预设噪声方差确定的；第三信干噪比是根据目标定位业务用户的传输功率、信道功率增益和预设噪声方差确定的；信道功率增益是根据无人机与用户的大尺度信道功率增益和小尺度信道衰落系数确定的。
可选地，在通信任务中，定义无人机m服务的通信业务用户集合为且利用非正交频分多址NOMA协议，当/>时，将集合/>中的用户按信道功率增益强度从小到大排序，使/>根据NOMA原理，强用户能够利用SIC技术避免弱用户的干扰，即信道功率增益排名第u的用户可以首先解码并移除所有排在其前面用户的信号，然后在将排在其后的用户信号当作干扰的情况下解码自己的信号。因此，第u个用户的接收第一信干噪比可以表示为：
其中，pm,u代表通信无人机m与目标通信业务用户u的第一传输功率，σ2代表预设噪声方差。
此时，通信无人机与用户间的第一数据速率可以表示为其中Bm表示分配给无人机m的信道带宽。
在通信业务中，用户信干噪比增益需大于预设通信信噪比阈值定义二元变量表示无人机m为用户u提供通信接入，则有：
在感知任务中，无人机采集地面节点信息。用户通过时分多址多接入技术占用信道，每个用户的传输功率为固定常数pU，信道带宽为分配给无人机的带宽Bm,则无人机侧用户上行链路信干噪比可表示为：
其中|hu,m|2表示信道功率增益系数。此时用户-无人机间第二数据速率可以表示为
在感知任务中，要求无人机侧接收到的用户发送信号的信噪比大于预设感知信干噪比阈值定义二元变量/>表示无人机m为用户u提供数据感知，则有：
基于该定义，可以得到无人机m所服务的感知业务用户集合为
在导航任务中，采用基于到达时间差(Time Difference of Arrival，TDOA)定位方法，通过无人机所接收到的信号的到达时间差来确定待定位节点(发射端)的位置。为了确定地面节点的二维坐标，需至少有三架不同位置的无人机进行协同定位。
为了无人机能够接收到地面用户所发送的广播信号进行测距，每个用户的传输功率为固定常数pU，此时需大于等于预设定位信噪比阈值即此时用户-无人机间第三数据速率可以表示为/>定义二元变量/>表示无人机m为是否能用户u提供定位业务，则有：
因此，能为节点u定位的候选无人机集合为基于TDOA原理，为定位地面用户二维坐标，至少需要三架无人机参与定位。给定无人机主站/>首先，由于副站无无人机需给主站无人机发送位置信息，因此需信干噪比大于给定阈值，即：
其中，pm,k表示无人机m到无人机k的发射功率，且无人机m,k间数据速率为此时，能与无人机k通信的候选无人机集合表示为其次，要求与无人机k协作的副站无人机在几何上不共线，即：
定义二元变量表示无人机m是否能与无人机k进行协作定位，可以得到：
此时，可以为用户定位的无人机子组可以有多种情况，以第架无人机为主站，寻找可以与其构成定位无人机组的其他无人机，则可以定义与无人机k关联的无人机子组可以表示为：
当该无人机子组中无人机数量大于等于预设值如3，即存在时，则能为节点u定位。定义Iu,k表示第k组无人机是否能满足定位需求，可以表示为：
其中，表示不大于x的整数。
当Iu,k＝1时，可以根据该组中的无人机坐标，对目标节点进行定位。给定用户u的定位无人机组其中k指示定位无人机主站，以得到求解目标位置的定位方程为：
根据TDOA定位方法原理，可根据不同无人机的信号到达时间差，计算出不同无人机距离待定位目标的距离差。具体的，无人机作为主接收站，其他无人机接收站接收到待定位节点发射的信号后，将测量信息统一汇总到主站无人机，由主站无人机进行时差计算，可以得到：
其中c表示光速，Dm,k和tm,k分别为实际测得的第m架无人机基站与主站无人机k到目标节点距离差值和时差，ΔDm,k为第m架无人机基站与主站无人机k在不含测量误差情况下得到的距离差值，nm,k为实际时差测量误差。将公式(16)表示为向量形式为：
z＝h(qu)+e，， (18)
其中
无人机m与用户u间距离表示为dm,u＝||sm-qu||，通信信道增益建模为其中，βm,u表示大尺度信道功率增益，gm,u表示小尺度衰落系数。具体的，其中β0表示在参考距离为d0时的大尺度信道功率增益，α表示信道衰落系数。由于无人机与用户间存在视距分量，小尺度衰落系数gm,u被建模为Rician衰落模型，表示为：
其中对应视距分量，满足/>表示非视距信道分量，且各无人机-用户通信链路间分布独立；Km,u≥0表示无人机与用户间通信链路的瑞利Rician因子，表示视距分量与非视距分量的功率比值。定义表示无人机与用户间的仰角，则Rician因子与仰角密切相关，表示为Km,u＝A1exp(A2θm,u)，其中A1,A2表示与环境相关的常数。
需要说明的是，旋翼无人机属于低空平台(Low Altitude Platforms,LAP)的一种，是准静态(quasi-stationary)低空平台。与高空平台(High Altitude Platforms)相反，LAP高度低于平流层，更容易部署并具有覆盖优势。此外，由于本发明专利假设无人机执行任务时处于的悬停状态为低速准静态，即准静态LAP，因此不考虑无人机旋翼可能带来的多普勒效应。
同样的，无人机m和无人机n间距离可以表示为dm,n＝||sm-sn||，通信信道增益建模为其中βm,n表示大尺度平均信道功率增益，gm,n表示小尺度衰落系数。具体的，/>由于无人机与无人机间存在视距分量，小尺度衰落系数gm,n被建模为Rician衰落模型，表示为：
其中对应视距分量，满足/>表示非视距信道分量，/>且各无人机-用户通信链路间分布独立；Km,n≥0表示无人机与用户间通信链路的Rician因子，表示视距分量与非视距分量的功率比值。定义/>表示无人机m与无人机n间仰角，则Rician因子表示为Km,n＝A1exp(A2θm,n)。
本发明提供的感通导指一体化交互与多目标应急组网方法，能够满足通信、感知和导航不同任务的部署需求，实现复杂环境下如应急通信网络的弹性部署，同时在满足多业务对感知、通信和导航资源的差异化需求情况下降低无人机能耗及部署成本。
进一步地，在一个实施例中，步骤S2中目标约束条件通过如下方式获取：
确定目标区域内包括至少一架通信无人机、至少一架感知无人机和至少一组定位无人机的第一约束条件；
确定目标区域内的每架无人机服务的用户数量不超过预设用户数量阈值的第二约束条件；
确定目标区域内的所有通信无人机的第一传输功率之和不大于预设功率阈值、通信无人机的第一传输功率不小于目标感知业务用户的传输功率且不大于无人机的最大传输功率、定位无人机与协作无人机之间的发射功率不大于最大传输功率和信道带宽不大于预设信道带宽阈值的第三约束条件；
确定目标区域内的目标定位业务用户的定位误差不大于预设误差阈值的第四约束条件；
确定目标区域内的无人机位置的三维坐标不小于预设三维坐标最小值且不大于预设三维坐标最大值、无人机之间的安全距离不小于预设安全距离阈值的第五约束条件；
根据第一约束条件至第五约束条件，确定目标约束条件；
其中，每组定位无人机包括的无人机个数大于等于预设值；协作无人机是根据协作定位无人机进行定位的无人机确定的；定位误差是根据卡拉美罗下界的迹确定的。
可选地，确定目标区域内包括至少一架通信无人机、至少一架感知无人机和至少一组定位无人机，以得到目标优化问题的第一约束条件如公式(21)至(23)所示：
确定目标区域内的每架无人机服务的用户数量不超过预设用户数量阈值Nmax的第二约束条件，具体如公式(24)所示：
确定目标区域内的所有通信无人机的第一传输功率之和不大于预设功率阈值Ptotal、通信无人机的第一传输功率不小于目标感知业务用户的传输功率且不大于无人机的最大传输功率Pmax、定位无人机与协作无人机之间的发射功率pm,n不大于最大传输功率Pmax和信道带宽不大于预设信道带宽阈值Btotal的第三约束条件，具体如公式(25)至(28)所示：
确定目标区域内的目标定位业务用户的定位误差Ju不大于预设误差阈值Jmax的第四约束条件，具体如公式(29)所示：
确定目标区域内的无人机位置的三维坐标(xm,ym,zm)不小于预设三维坐标最小值(Xmin,Ymin,Zmin)且不大于预设三维坐标最大值(Xmax,Ymax,Zmax)、无人机之间的安全距离不小于预设安全距离阈值d0的第五约束条件，具体如公式(30)至(33)所示：
在定位问题中，本发明利用克拉美罗下界(Cramer-Rao Lower Bound，,CRLB)来衡量目标区域内的定位性能。当各基站时间测量误差相互独立，服从均值为零，标准差为σm的高斯分布，即时，第m架无人机与主站k的实际时差测量误差nm,k的分布为/>基于TDOA测量方法，在给定定位用户位置参量qu的条件下，
经TDOA的测量计算，所得TDOA测量向量z的概率密度函数为：
其中R表示任意两个定位基站间时间误差的协方差矩阵，可以表示为：
R＝cov(e·eT). (35)
当取值为常数/>时，则/>
根据CRLB的定义，定位用户u的CRLB可以表示为：
根据可推导得到：CRLB(u)＝(QTR-1Q)-1, (37)
其中，
因此目标定位业务用户u的定位误差Ju可以用CRLB的迹表示为：
Ju＝tr(CRLB(u)). (39)
本发明提供的感通导指一体化交互与多目标应急组网方法，基于构建的目标约束条件，能够加快求解目标优化问题的收敛速度及收敛准确度。
进一步地，在一个实施例中，步骤S3可以具体包括：
S31、根据目标业务用户的候选无人机网格集合，对无人机位置、无人机资源分配方案和无人机调度策略进行初始化，并对无人机位置、无人机资源分配方案和无人机调度策略进行迭代优化；
S32、根据上一次迭代过程的上一无人机位置和上一次迭过程中的上一无人机资源分配方案，求解第一子优化问题，以对当前迭代过程中的当前无人机调度策略进行优化；
S33、根据优化后的当前无人机调度策略和上一无人机位置，求解第二子优化问题，以对当前迭代过程中的当前无人机资源分配方案进行优化；
S34、根据优化后的当前无人机调度策略和优化后的当前无人机资源分配方案，求解第三子优化问题，以对当前迭代过程中的当前无人机位置进行优化；
S35、若达到预设迭代次数阈值或当前迭代过程后的目标无人机的任务能耗与前一迭代过程后的目标无人机的任务能耗的差值不大于预设收敛变量，则停止优化；
其中，候选无人机网格集合是根据目标区域的用户位置和无人机的网格集合确定的；无人机的网格集合是根据目标区域的部署精度，将目标区域网格化后确定的；目标任务用户包括由所述通信无人机服务的目标通信业务用户、由感知无人机服务的目标感知业务用户和由定位无人机服务的目标定位业务用户；无人机资源分配方案包括无人机功率分配方案和无人机频谱分配方案；无人机调度策略是根据无人机的目标任务角色确定的；目标优化问题包括第一子优化问题、第二子优化问题和第三子优化问题。
可选地，基于上述讨论，目标优化问题是非凸非线性优化问题。由于该问题中优化变量随着无人机数量或所服务的用户数增加而增加，因此算法收敛速度慢、效果差。此外，由于该优化问题包含对整数决策变量/>和连续决策变量(P,B)的联合优化，求解具有挑战性。
为了求解该问题，本发明专利将问题拆分为三个子优化问题：第一子优化问题无人机-用户关联优化，在给定功率及频谱分配方案及无人机位置情况下(即{P,B,S})，优化无人机-用户协作关系/>即无人机调度策略；第二子优化问题/>无人机资源优化：在给定无人机位置和无人机-用户协作关系(即/>)，优化无人机资源分配方案{P,B}；第三子优化问题/>无人机位置优化：在给定资源分配及无人机-用户协作关系(即/>)，优化无人机位置S。
初始化无人机位置时，为不同目标业务用户随机选择无人机位置，无人机使用最大功率进行传输，且无人机间平分频谱。
对无人机位置、无人机资源分配方案和无人机调度策略进行迭代优化，具体地：
步骤1、根据部署精度δ0，将目标区域网格化，每个网格代表无人机的可部署位置；
步骤2、基于用户位置，为不同目标业务用户随机产生候选无人机网格集合；
步骤3、基于候选无人机部署网格集合，初始化{P(0),B(0),S(0)}，其中利用贪婪算法初始化无人机位置S(0)，平分频谱资源及每架无人机使用的最大传输功率；
步骤4、预设收敛变量0＜τ＜1，迭代次数q＝0；
步骤5、根据上一次迭代如q过程中的{P(q),B(q),S(q)}，求解问题得到无人机-用户关联矩阵即当前迭代过程中的当前无人机调度策略/>
步骤6、根据当前无人机调度策略及上一次迭代过程中的无人机位置求解问题/>更新当前迭代过程中的当前无人机资源分配方案{P(q+1),B(q+1)}；
步骤7、根据当前无人机调度策略和当前无人机资源分配方案求解问题/>更新当前迭代过程中的当前无人机位置S(q+1)；
步骤8、根据计算目标优化问题/>设置q＝q+1；
步骤9、重复步骤5至8，直到或q＞qmax，停止优化。
本发明提供的感通导指一体化交互与多目标应急组网方法，通过将非凸非线性的目标优化问题转化为凸优化问题，能够加快求解目标优化问题，进而加快了感通导指一体化交互与多目标应急组网的部署速度。
进一步地，在一个实施例中，步骤S32可以具体包括：
S321、根据上一无人机位置、上一次迭过程中的上一无人机资源分配方案，确定第一子优化问题的第一优化目标和第一优化目标所遵循的第一优化目标约束条件；
S322、根据目标区域内的无人机与目标通信业务用户间的第一距离和无人机与目标感知业务用户间的第二距离，确定无人机与用户间的第一二分图；
S323、基于层次化匹配算法，分别确定无人机与目标通信业务用户及目标感知业务用户的最大匹配，并获取每架无人机所服务的用户数；
S324、基于第一二分图中的第一无人机集合和部署的感通无人机集合，确定服务的用户数量小于预设用户数量阈值的第二无人机集合；
S325、根据第二无人机集合，确定协同定位的无人机子组，并将无人机子组映射为定位点集，以获取目标定位业务用户与定位点集间的第二二分图；
S326、根据层次化匹配算法和第二二分图，求解第一优化目标，确定当前无人机调度策略；
其中，第一优化目标约束条件包括第一约束条件和第二约束条件；感通无人机集合包括所有感知无人机组成的集合和所有通信无人机组成的集合。
进一步地，在一个实施例中，步骤S33可以具体包括：
S330、根据上一无人机位置和当前无人机调度策略，确定第二子优化问题所属的目标场景；
S331、若确定属于第一目标场景，则根据第一任务能耗、第二任务能耗和飞行能耗，确定第二子优化问题的第二优化目标；
S332、确定第二优化目标所遵循的第二优化目标约束条件；
S333、根据连续凸逼近算法求解第二优化目标，确定当前人机资源分配方案；
S334、若确定属于第二目标场景，则根据第二任务能耗、飞行能耗和第三任务能耗，确定第二子优化问题的第三优化目标；
S335、确定第三优化目标的第三优化目标约束条件；
S336、根据凸优化算法求解第三优化目标，确定当人机资源分配方案；
S337、若确定属于第三目标场景，则根据第一任务能耗、飞行能耗和第三任务能耗，确定第二子优化问题的第四优化目标；
S338、确定第四优化目标的第四优化目标约束条件；
S339、求解第四优化目标，获取当前无人机资源分配方案；
其中，目标场景包括第一目标场景、第二目标场景和第三目标场景；第二优化目标约束条件包括第一信干噪比不小于预设通信信噪比阈值、分配给目标感知业务用户的传输功率符合NOMA功率分配原理和所有通信无人机的第一传输功率之和不大于预设功率阈值；第三优化目标约束条件包括第二传输功率不大于无人机的最大传输功率和第三信干噪比不小于预设定位信噪比阈值；第四优化目标约束条件包括第一约束条件和第二优化目标约束条件。
进一步地，在一个实施例中，步骤S34可以具体包括：
S340、根据优化后的当前无人机调度策略和优化后的当前无人机资源分配方案，确定第三子优化问题的第五优化目标和第五优化目标所遵循的第五优化目标约束条件；
S341、基于粒子群算法求解第五优化目标，并根据预设惯性因子、预设学习因子、预设随机数、预设位置加速常数、上一次迭代过程中的粒子速度和上一次迭代过程中的粒子位置，对当前迭代过程中粒子位置进行更新；
S342、若达到粒子群算法的最大迭代次数或更新后的粒子的适应度值大于预设适应度阈值时，则停止对粒子位置更新，并将最后一次迭代的粒子位置作为当前无人机位置；
其中，第五优化目标约束条件包括所述第四约束条件；粒子的适应度值是根据预设最大能耗、第三子优化问题、安全距离约束和定位误差约束确定的；安全距离约束是根据预设第一惩罚因子和第四约束条件确定的；定位误差约束是根据预设第二惩罚因子和第五约束条件确定的。
可选地，在给定无人机位置以及无人机资源分配方案情况下，确定的第一优化目标，具体如公式(40)所示：
其中，第一优化目标所遵循的第一优化目标约束条件包括上述第一约束条件和第二约束条件。
第一优化目标约束条件表明了不同目标业务用户对所服务的无人机的数量要求，并限制了每架无人机所服务的最大用户数量。需要说明的是，由于定位用户需要多架无人机协同，且无人机间需满足通信及几何位置需求，相较于感知和通信的无人机-用户关联更为复杂。为求解该问题，提出一种层次化匹配(Hierarchical matching)算法。在通信及感知用户与无人机关联优化层：在无人机资源分配方案及无人机位置确定的情况下，该能耗最小化问题等同于最小化无人机-用户间距离问题。根据无人机与通信及感知用户间的第一距离和第二距离，建立无人机与用户间的第一二分图其中/>ε1由无人机与用户间距离加权。
利用层次化匹配算法得到无人机与通信及感知用户的最大匹配，即AC,AS，并可以得到每架无人机所服务的用户数；在定位用户及无人机关联优化层，基于第一无人机集合以及部署的通信感知无人机集合/>确定服务用户数小于最大服务用户数Nmax的第二无人机集合/>构建能够协同定位的无人机子组/>通过将无人机子组映射为定位点集/>并建立定位用户与定位点集间的第二二分图/>其中/>然后利用层次化匹配算法得到无人机定位子组与定位用户的匹配即无人机调度策略AP。
根据以上讨论，在不同目标任务角色中，无人机有不同能耗。为简化问题求解，考虑为每架无人机公平分配频谱资源，即将总带宽Btotal均匀地分配给执行任务的无人机集合即Bm＝Btotal/|M′|。针对无人机功率分配，则将根据不同任务耦合情况下的无人机功率优化问题进行讨论，具体包括三种目标场景及其对应的优化问题，第二优化子问题/>通信-感知耦合无人机功率优化；第三优化子问题/>通信-定位耦合无人机功率优化；第四优化子问题/>感知-定位耦合无人机功率优化。
需要说明的是，由于感知无人机不需要传输能耗，通信-感知-定位耦合无人机功率分配问题与子问题一致。在单一业务场景中，通信无人机功率优化或定位无人机功率优化分别与子问题/>或子问题/>一致。由于无人机具有不同角色，将基于其执行任务角色对不同优化子问题进行功率优化。接下来将对不同优化子问题中的优化目标进行详细说明。
第一目标场景：
根据第一任务能耗、第二任务能耗和飞行能耗，确定第二子优化问题的第二优化目标，具体如公式(41)-(42)所示：
其中，χm表示无人机m与功率无关的飞行能耗与悬停能耗，优化变量为
基于上述讨论，该优化子问题的第二优化目标为：
确定第二优化目标约束条件包括第一信干噪比不小于预设通信信噪比阈值分配给目标感知业务用户的传输功率符合NOMA功率分配原理和所有通信无人机的第一传输功率之和不大于预设功率阈值，具体如下：
/>
由于该问题目标为非凸的，为求解该问题，可利用凸优化理论中的连续凸逼近算法进行求解，确定无人机资源分配方案。
第二目标场景：
在感知-耦合业务中，无人机通过不同时隙为感知业务用户和定位业务用户提供服务。值得注意的是，根据该无人机为定位主站或副站，能耗最小化问题有两种情况。然而，由于主站无人机的能耗主要由副站无人机所决定，此时将以副站无人机为对象进行功率优化。因此，感知-定位耦合无人机能耗最小化问题可以表示为：
其中表示与无人机m功率无关的常数，优化变量为/>结合定位功率及信噪比约束，该优化问题的第四优化目标及第三优化目标约束条件可以表示为：
s.t.,pm,k≤Pmax, (48)
由于第三优化目标为关于优化变量pm,k的分式，可以利用凸优化算法如Dinkelbach算法迭代求解，或者利用MATLAB工具辅助求解。根据求解得到的副站无人机功率，可以进一步根据执行任务时间计算得到主站无人机的能耗，最终得到无人机资源分配方案。
第三目标场景：
如前所述，定位无人机分为主定位无人机(主站无人机)和副定位无人机(副站无人机)，其中主站无人机仅需从副站无人机接收定位信息，因此没有通信能耗，且悬停能耗受到副站无人机的功率影响。接下来将对副站无人机的功率优化问题进行讨论。同样的，以副站无人机为研究对象，该能耗最小化可以表示为：
其中χm表示与无人机m功率无关的常数，优化变量为基于上述讨论，该优化问题的第四优化目标可以建模为：
其中，第四优化目标约束条件包括上述第一约束条件和第二优化目标约束条件。
由于中无人机执行通信任务时的发送功率与执行定位时的发送功率不耦合，因此可拆分为两个子问题并行求解，其求解思路与/>和/>相同，通过求解第四优化目标，获取无人机资源分配方案。
根据优化后的当前无人机调度策略和优化后的当前无人机资源分配方案，确定第三子优化问题的第五优化目标，具体如下：
其中，第五优化目标所遵循的第五优化目标约束条件包括上述第四约束条件。
由于第五优化目标约束条件的非凸性和非连续，采用粒子群算法实现无人机优化部署。具体描述如下：
首先由于目标区域可部署范围较大，将目标区域网格化，网格间隔为δ0。
假设粒子初始化规模为K，然后随机选择M′(N≤M′≤M)个网格作为无人机的位置组成，即每个粒子长度为M′，其中第k个粒子的第m位表示无人机m的部署网格，可以映射为无人机的三维坐标，即ok,m＝[xm,ym,zm]。同时，粒子更新速度可以表示为V＝[v1,…,vK]。通过计算每个粒子的适应度函数(fitness function)来确定局部最优解并判断全局最优解/>同时，由于优化问题/>中具有第五优化目标约束条件，将其耦合到优化目标中，此时第k个粒子的适应度函数定义为：/>
其中Emax表示预设最大能耗，κ1,κ2表示约束条件的第一惩罚因子和第二惩罚因子。通过利用约束条件来构造惩罚函数，从而将带约束的优化问题转化为无约束优化问题。当值越大，则适应度值越大，粒子越优。
此外，在第q次迭代时，第k个粒子位置更新和粒子更新分别表示为：
其中ρ表示预设惯性因子，c1,c2表示预设位置加速常数，表示区间[0,1]内均匀分布的预设随机数。在达到最大迭代次数Tmax次或更新后的粒子的适应度值大于预设适应度阈值时，算法终止，输出无人机位置S*。
在实际的仿真中，无人机可部署范围为[0,500m]×[0,500m]×[50m,150m]的三维空间。有不同目标业务用户随机分布在目标区域内，派遣无人机满足所有用户业务需求。用户的传输功率为[100mW,200mW]。无人机推动能耗及悬停能耗参数设置如表1所示。
表1
图3显示了本发明提出的感通导指一体化交互与多目标应急组网方法部署示例。图3中，圆圈和三角形分表代表用户位置和无人机部署位置，其中空心圆、实心圆及五边形分别代表感知用户、通信用户及定位用户，三角、十字、圆形及菱形分别代表无人机执行定位无人机、通信无人机、感知无人机及感通无人机。可以看到，三架无人机构成定位无人机子组可以对两个定位用户进行服务，而无人机可以兼顾服务感知用户和通信用户。与传统的感通导分立网络相比，所提出的感通导耦合无人机部署方案可减少无人机部署数量，从而降低网络能耗。
图4显示总能耗与无人机速度、用户传输功率pU以及总带宽Btotal的变化情况。从图4可以看到，随着无人机速度的增加，总能耗首先减少，然后升高。这是因为当无人机速度首先增加时，无人机飞行到部署位置的时间减少，因此总能耗减少。然而，当无人机速度继续增加时，结合无人机推动功率的表达式，无人机速度所带来的时间减少量小于其推动功率的增加量，从而使得总能耗增加。从理论上来说，结合无人机推动能耗的表达式，部署无人机飞行能耗可以表示为：
其中||sm||表示无人机m的飞行距离，V表示无人机速度。由于该无人机飞行能耗表达式太复杂难以直接求导，可以利用MATLAB工具对f(V)关于V求偏导得到f′(V)，并找到f′(V)＝0时V的取值，从而获得能耗最小值。可以得到当f′(V)＝0时，无人机飞行速度约为13.65m/s，与图4中仿真结果基本接近。
同时，当分配给无人机的总带宽固定时，用户发射功率越大，总能耗越小，这是因为较大的用户发射功率允许无人机飞行距离较短，从而降低能耗。此外，当分配给无人机的总带宽由10MHz增加到20MHz时，由于数据传输时间减少，无人机执行任务时间减少，从而降低总能耗。
图5将本发明提供的感通导指一体化交互与多目标应急组网方法(感通导SCL组网)与非感通导耦合方案(non-SCL)进行了比较。在non-SCL方案中，无人机只能为单一业务用户提供服务，即前述定义的无人机的部署角色矢量存在仅单独服务通信用户、仅单独服务感知用户以及仅单独服务定位用户三种情况，则rm＝{(1,0,0)，(0,1,0)，(0,0,1)}。在图5的仿真结果中，与图4的仿真结果相似，系统总能耗随着无人机速度的增加先降低，后增加。同时，随着通信用户数量(UC)增加，由于需要部署更多无人机，系统总能耗增加。当通信用户数为6，无人机飞行速度为20m/s时，相比于non-SCL方案，本发明专利所提出的SCL方案能够降低系统总能耗约23.08％。
图6比较了本发明提出的感通导指一体化交互与多目标应急组网方法(SCL组网)与non-SCL方案的能耗随着通信用户数量(UC)和部署区域网格部署精度(δ0)的变化情况。整体而言，随着用户数量的增加，两种方案的总能耗均增加，这是由于需要部署更多无人机来服务用户。同时当在无人机部署阶段对网格划分粒度更细时，即δ0为40m时，网络总能耗越小，这是因为无人机部署的位置更加准确。相比于non-SCL方案，本发明专利所提出的SCL方案总能耗更小。
本发明提供的感通导指一体化交互与多目标应急组网方法，针对不同的优化子问题，选择合适的优化算法进行求解，加快了求解目标优化问题的收敛速度，进而提高了感通导指一体化交互与多目标应急组网的部署速度。下面对本发明提供的感通导指一体化交互与多目标应急组网系统进行描述，下文描述的感通导指一体化交互与多目标应急组网系统与上文描述的感通导指一体化交互与多目标应急组网方法可相互对应参照。
图7是本发明提供的感通导指一体化交互与多目标应急组网系统的结构示意图，如图7所示，包括：数据确定模块710、问题确定模块711、问题求解模块712和组网构建模块713；
数据确定模块710，用于根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；
问题确定模块711，用于根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；
问题求解模块712，用于求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
组网构建模块713，用于根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网；
其中，目标任务角色包括通信任务角色、感知任务角色和定位任务角色；目标无人机包括属于通信任务角色的通信无人机、属于感知任务角色的感知无人机和属于定位任务角色的所述定位无人机；飞行能耗是根据预设权重系数、目标无人机的推动能耗、目标无人机的速度和目标无人机位置的初始值确定的。
本发明提供的感通导指一体化交互与多目标应急组网系统，针对无人机网络部署中的感知、通信、导航网络分立建设，实现在有限资源约束下的感通导耦合感通导指一体化交互与多目标应急组网部署，解决了当前网络弹性不足及分立建设的问题。
图8是本发明提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communication interface)811、存储器(memory)812和总线(bus)813，其中，处理器810，通信接口811，存储器812通过总线813完成相互间的通信。处理器810可以调用存储器812中的逻辑指令，以执行如下方法：
根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；
根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；
求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的感通导指一体化交互与多目标应急组网方法，例如包括：
根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；
根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；
求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的感通导指一体化交互与多目标应急组网方法，例如包括：
根据待组网的目标区域内无人机的目标任务角色，确定处于目标任务角色的目标无人机的任务能耗；
根据目标无人机的任务能耗、目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定目标区域内待求解的目标优化问题；
求解目标优化问题，以对目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对目标区域内的无人机进行组网。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种感通导指一体化交互与多目标应急组网方法，其特征在于，包括：
根据待组网的目标区域内无人机的目标任务角色，确定处于所述目标任务角色的目标无人机的任务能耗；
根据所述目标无人机的任务能耗、所述目标无人机的飞行能耗和目标优化问题所遵循的目标约束条件，确定所述目标区域内待求解的所述目标优化问题，所述目标优化问题是最小化执行感知任务、通信任务及导航任务的无人机的能耗为目标建模的；
求解所述目标优化问题，以对所述目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化；
根据优化后的无人机位置、优化后的无人机资源分配方案和优化后的无人机调度策略，对所述目标区域内的无人机进行组网；
其中，所述目标任务角色包括通信任务角色、感知任务角色和定位任务角色；
所述目标无人机包括属于所述通信任务角色的通信无人机、属于感知任务角色的感知无人机和属于所述定位任务角色的定位无人机；
所述飞行能耗是根据预设权重系数、目标无人机的推动能耗、目标无人机的速度和目标无人机位置的初始值确定的。
2.根据权利要求1所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述根据待组网的目标区域内无人机的目标任务角色，确定处于所述目标任务角色的目标无人机的任务能耗，包括：
根据目标悬停能耗、预设悬停权重系数、通信无人机的第一传输文件容量、第一数据速率和第一传输功率，确定所述通信无人机的第一任务能耗；
根据所述目标悬停能耗、所述预设悬停权重系数、感知无人机的第二传输文件容量和第二数据速率，确定所述感知无人机的第二任务能耗；
根据定位无人机中主站无人机的任务能耗和所述定位无人机中副站无人机的任务能耗，确定所述定位无人机的第三任务能耗，所述副站无人机为基于频分多址发送测距信息及自身位置信息的定位无人机，所述主站无人机为接收所述副站无人机发送的测距信息及自身位置信息的定位无人机；
根据所述第一任务能耗、所述第二任务能耗和所述第三任务能耗，确定所述任务能耗；
其中，所述目标悬停能耗是根据无人机电动机速度乘数、无人机的高度和无人机处于预设高度的初始悬停能耗确定的；
所述主站无人机的任务能耗是根据主站无人机的目标悬停能耗、定位无人机的第三传输文件容量、定位无人机的第三数据速率和所述预设悬停权重系数确定的；
所述副站无人机的任务能耗是根据副站无人机的目标悬停能耗、定位无人机的第三传输文件容量、定位无人机的第三数据速率、副站无人机的第二传输功率和所述预设悬停权重系数确定的。
3.根据权利要求2所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述第一数据速率、所述第二数据速率和所述第三数据速率通过如下方式获取：
根据分配给无人机的信道带宽和目标通信业务用户的第一信干噪比，确定所述第一数据速率；
根据所述信道带宽和目标感知业务用户的第二信干噪比，确定所述第二数据速率；
根据所述信道带宽和目标定位业务用户的第三信干噪比，确定所述第三数据速率；
其中，所述目标通信业务用户是由所述通信无人机所服务的用户确定的；
所述第一信干噪比不小于预设通信信干噪比阈值，所述通信信干噪比为通信任务中的信干噪比；
所述目标感知业务用户是由所述感知无人机所服务的用户确定的；
所述第二信干噪比不小于预设感知信干噪比阈值，所述感知信干噪比为感知任务中的信干噪比；
所述目标定位业务用户是由所述定位无人机所服务的用户确定的；
所述第三信干噪比不小于预设定位信干噪比阈值，所述定位信干噪比为定位任务中的信干噪比；
所述第一信干噪比是根据通信无人机与目标通信业务用户的第一传输功率、用户的信道功率增益和预设噪声方差确定的；
所述第二信干噪比是根据目标感知业务用户的传输功率、所述信道功率增益和所述预设噪声方差确定的；
所述第三信干噪比是根据目标定位业务用户的传输功率、所述信道功率增益和所述预设噪声方差确定的；
所述信道功率增益是根据无人机与用户的大尺度信道功率增益和小尺度信道衰落系数确定的。
4.根据权利要求3所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述目标约束条件通过如下方式获取：
确定所述目标区域内包括至少一架通信无人机、至少一架感知无人机和至少一组定位无人机的第一约束条件；
确定所述目标区域内的每架无人机服务的用户数量不超过预设用户数量阈值的第二约束条件；
确定所述目标区域内的所有通信无人机的第一传输功率之和不大于预设功率阈值、所述通信无人机的第一传输功率不小于所述目标感知业务用户的传输功率且不大于无人机的最大传输功率、定位无人机与协作无人机之间的发射功率不大于所述最大传输功率和所述信道带宽不大于预设信道带宽阈值的第三约束条件；
确定所述目标区域内的目标定位业务用户的定位误差不大于预设误差阈值的第四约束条件；
确定所述目标区域内的无人机位置的三维坐标不小于预设三维坐标最小值且不大于预设三维坐标最大值、无人机之间的安全距离不小于预设安全距离阈值的第五约束条件；
根据所述第一约束条件至所述第五约束条件，确定所述目标约束条件；
其中，每组定位无人机包括的无人机个数大于等于预设值；
所述协作无人机是根据协作所述定位无人机进行定位的无人机确定的；
所述定位误差是根据卡拉美罗下界的迹确定的。
5.根据权利要求4所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述求解所述目标优化问题，以对所述目标区域的无人机位置、无人机资源分配方案和无人机调度策略进行优化，包括：
根据目标业务用户的候选无人机网格集合，对所述无人机位置、所述无人机资源分配方案和所述无人机调度策略进行初始化，并对所述无人机位置、所述无人机资源分配方案和所述无人机调度策略进行迭代优化；
根据上一次迭代过程的上一无人机位置和上一次迭过程中的上一无人机资源分配方案，求解第一子优化问题，以对当前迭代过程中的当前无人机调度策略进行优化；
根据优化后的当前无人机调度策略和所述上一无人机位置，求解第二子优化问题，以对当前迭代过程中的当前无人机资源分配方案进行优化；
根据所述优化后的当前无人机调度策略和优化后的当前无人机资源分配方案，求解第三子优化问题，以对当前迭代过程中的当前无人机位置进行优化；
若达到预设迭代次数阈值或当前迭代过程后的目标无人机的任务能耗与前一迭代过程后的目标无人机的任务能耗的差值不大于预设收敛变量，则停止优化；
其中，所述候选无人机网格集合是根据所述目标区域的用户位置和无人机的网格集合确定的；
所述无人机的网格集合是根据所述目标区域的部署精度，将所述目标区域网格化后确定的；
所述目标任务用户包括由所述通信无人机服务的目标通信业务用户、由所述感知无人机服务的目标感知业务用户和由所述定位无人机服务的目标定位业务用户；
所述无人机资源分配方案包括无人机功率分配方案和无人机频谱分配方案；
所述无人机调度策略是根据无人机的所述目标任务角色确定的；
所述目标优化问题包括所述第一子优化问题、所述第二子优化问题和所述第三子优化问题。
6.根据权利要求5所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述求解第一子优化问题，包括：
根据所述上一无人机位置、所述上一次迭过程中的上一无人机资源分配方案，确定所述第一子优化问题的第一优化目标和所述第一优化目标所遵循的第一优化目标约束条件；
根据所述目标区域内的无人机与所述目标通信业务用户间的第一距离和无人机与所述目标感知业务用户间的第二距离，确定无人机与用户间的第一二分图；
基于层次化匹配算法，分别确定无人机与所述目标通信业务用户及所述目标感知业务用户的最大匹配，并获取每架无人机所服务的用户数；
基于所述第一二分图中的第一无人机集合和部署的感通无人机集合，确定服务的用户数量小于预设用户数量阈值的第二无人机集合；
根据所述第二无人机集合，确定协同定位的无人机子组，并将所述无人机子组映射为定位点集，以获取目标定位业务用户与定位点集间的第二二分图；
根据所述层次化匹配算法和所述第二二分图，求解所述第一优化目标，确定所述当前无人机调度策略；
其中，所述第一优化目标约束条件包括所述第一约束条件和所述第二约束条件；
所述感通无人机集合包括所有所述感知无人机组成的集合和所有所述通信无人机组成的集合。
7.根据权利要求5所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述求解第二子优化问题，包括：
根据所述上一无人机位置和所述当前无人机调度策略，确定所述第二子优化问题所属的目标场景；
若确定属于第一目标场景，则根据所述第一任务能耗、所述第二任务能耗和所述飞行能耗，确定所述第二子优化问题的第二优化目标；
确定所述第二优化目标所遵循的第二优化目标约束条件；
根据连续凸逼近算法求解所述第二优化目标，确定当前无人机资源分配方案；
若确定属于第二目标场景，则根据所述第二任务能耗、所述飞行能耗和所述第三任务能耗，确定所述第二子优化问题的第三优化目标；
确定所述第三优化目标的第三优化目标约束条件；
根据凸优化算法求解所述第三优化目标，确定所述当前无人机资源分配方案；
若确定属于第三目标场景，则根据所述第一任务能耗、所述飞行能耗和所述第三任务能耗，确定所述第二子优化问题的第四优化目标；
确定所述第四优化目标的第四优化目标约束条件；
求解所述第四优化目标，获取所述当前无人机资源分配方案；
其中，所述目标场景包括所述第一目标场景、所述第二目标场景和所述第三目标场景；
所述第二优化目标约束条件包括所述第一信干噪比不小于预设通信信噪比阈值、分配给所述目标感知业务用户的传输功率符合NOMA功率分配原理和所述所有通信无人机的第一传输功率之和不大于预设功率阈值；
所述第三优化目标约束条件包括所述第二传输功率不大于所述无人机的最大传输功率和所述第三信干噪比不小于预设定位信噪比阈值；
所述第四优化目标约束条件包括所述第一约束条件和所述第二优化目标约束条件。
8.根据权利要求5所述的感通导指一体化交互与多目标应急组网方法，其特征在于，所述求解第三子优化问题，包括：
根据所述优化后的当前无人机调度策略和优化后的当前无人机资源分配方案，确定所述第三子优化问题的第五优化目标和所述第五优化目标所遵循的第五优化目标约束条件；
基于粒子群算法求解所述第五优化目标，并根据预设惯性因子、预设学习因子、预设随机数、预设位置加速常数、上一次迭代过程中的粒子速度和上一次迭代过程中的粒子位置，对当前迭代过程中粒子位置进行更新；
若达到所述粒子群算法的最大迭代次数或更新后的粒子的适应度值大于预设适应度阈值时，则停止对粒子位置更新，并将最后一次迭代的粒子位置作为所述当前无人机位置；
其中，所述第五优化目标约束条件包括所述第四约束条件；
所述粒子的适应度值是根据预设最大能耗、所述第三子优化问题、安全距离约束和定位误差约束确定的；
所述安全距离约束是根据预设安全距离阈值，第m架无人机的三维坐标和第n架无人机的三维坐标确定的；
所述定位误差约束是根据目标区域内的目标定位业务用户的定位误差和预设误差阈值确定的。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述感通导指一体化交互与多目标应急组网方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至8任一项所述感通导指一体化交互与多目标应急组网方法的步骤。
CN202110631951.9A 2021-06-07 2021-06-07 感通导指一体化交互与多目标应急组网方法及系统 Active CN113543066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631951.9A CN113543066B (zh) 2021-06-07 2021-06-07 感通导指一体化交互与多目标应急组网方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631951.9A CN113543066B (zh) 2021-06-07 2021-06-07 感通导指一体化交互与多目标应急组网方法及系统

Publications (2)

Publication Number Publication Date
CN113543066A CN113543066A (zh) 2021-10-22
CN113543066B true CN113543066B (zh) 2023-11-03

Family

ID=78095282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631951.9A Active CN113543066B (zh) 2021-06-07 2021-06-07 感通导指一体化交互与多目标应急组网方法及系统

Country Status (1)

Country Link
CN (1) CN113543066B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422363B (zh) * 2022-01-11 2023-04-21 北京科技大学 一种无人机搭载ris辅助通信系统容量优化方法及装置
CN114727407B (zh) * 2022-05-12 2022-08-26 中国科学院自动化研究所 一种资源分配方法、装置及设备
CN115037638B (zh) * 2022-06-14 2023-10-20 北京邮电大学 低能耗和高时效性的无人机网络数据采集与传输控制方法
CN115941413B (zh) * 2022-10-19 2024-03-26 西安空间无线电技术研究所 一种高功率通导融合导航信号生成与接收方法
CN115755987B (zh) * 2023-01-09 2023-06-30 南京邮电大学 一种面向灾难数据采集的多无人机协同调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105204631A (zh) * 2015-09-10 2015-12-30 中国人民解放军装甲兵工程学院 一种虚拟地理环境角色建模方法和多角色协同操作方法
CN105792309A (zh) * 2016-02-26 2016-07-20 江苏省新通智能交通科技发展有限公司 面向节能的基于博弈论QoS感知无人机群通信路由方法
WO2016210432A1 (en) * 2015-06-26 2016-12-29 Apollo Robotic Systems Incorporated Robotic apparatus, systems, and related methods
WO2018208087A1 (ko) * 2017-05-10 2018-11-15 엘지전자 주식회사 무선 통신 시스템에서 상향링크 신호를 전송하기 위한 방법 및 이를 위한 장치
CN110703803A (zh) * 2019-11-06 2020-01-17 中国人民解放军国防科技大学 一种无人机群飞行控制的方法、无人机、系统及介质
CN111506104A (zh) * 2020-04-03 2020-08-07 北京邮电大学 一种规划无人机位置的方法及装置
CN111970711A (zh) * 2020-08-12 2020-11-20 北京邮电大学 一种空间边界约束下的无人机动态部署方法
CN112911534A (zh) * 2021-01-29 2021-06-04 大连理工大学 高能效无人机绿色数据采集系统设计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7633894B2 (en) * 2002-09-05 2009-12-15 The Regents Of The University Of California Scheduling methods for wireless networks
US10311739B2 (en) * 2015-01-13 2019-06-04 Guangzhou Xaircraft Technology Co., Ltd Scheduling method and system for unmanned aerial vehicle, and unmanned aerial vehicle
CN114679762A (zh) * 2016-12-30 2022-06-28 英特尔公司 用于无线电通信的方法和设备
US10660111B2 (en) * 2018-03-19 2020-05-19 Verizon Patent And Licensing Inc. Network resource allocation for unmanned aerial vehicles

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016210432A1 (en) * 2015-06-26 2016-12-29 Apollo Robotic Systems Incorporated Robotic apparatus, systems, and related methods
CN105204631A (zh) * 2015-09-10 2015-12-30 中国人民解放军装甲兵工程学院 一种虚拟地理环境角色建模方法和多角色协同操作方法
CN105792309A (zh) * 2016-02-26 2016-07-20 江苏省新通智能交通科技发展有限公司 面向节能的基于博弈论QoS感知无人机群通信路由方法
WO2018208087A1 (ko) * 2017-05-10 2018-11-15 엘지전자 주식회사 무선 통신 시스템에서 상향링크 신호를 전송하기 위한 방법 및 이를 위한 장치
CN110703803A (zh) * 2019-11-06 2020-01-17 中国人民解放军国防科技大学 一种无人机群飞行控制的方法、无人机、系统及介质
CN111506104A (zh) * 2020-04-03 2020-08-07 北京邮电大学 一种规划无人机位置的方法及装置
CN111970711A (zh) * 2020-08-12 2020-11-20 北京邮电大学 一种空间边界约束下的无人机动态部署方法
CN112911534A (zh) * 2021-01-29 2021-06-04 大连理工大学 高能效无人机绿色数据采集系统设计方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
WANG Li.Design of Human Body Posture Detection System Based on MPU9250 and MS5611*.电子器件.2019,全文. *
Wanyi Li.Minimizing Packet Expiration Loss With Path Planning in UAV-Assisted Data Sensing.IEEE Wireless Communications Letters ( Volume: 8, Issue: 6, December 2019).2019,全文. *
周锐;张平.浅谈基于问题的创新性研究与教学.电气电子教学学报.2009,(第S2期),全文. *
季石宇;唐良瑞;李淑贤;杜施默.基于用户体验质量和系统能耗的异构网络联合接入选择和功率分配策略.电信科学.2017,(第11期),全文. *
淡战平.大规模无线网络的导频功率分配研究.电子测量与仪器学报.2019,(第12期),全文. *
董超;沈赟;屈毓锛.基于无人机的边缘智能计算研究综述.智能科学与技术学报.2020,(第03期),全文. *
贺子健;艾元;闫实;彭木根.无人机通信网络的容量与覆盖性能.电信科学.2017,(第10期),全文. *

Also Published As

Publication number Publication date
CN113543066A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113543066B (zh) 感通导指一体化交互与多目标应急组网方法及系统
You et al. Hybrid offline-online design for UAV-enabled data harvesting in probabilistic LoS channels
You et al. 3D trajectory optimization in Rician fading for UAV-enabled data harvesting
Mozaffari et al. A tutorial on UAVs for wireless networks: Applications, challenges, and open problems
CN110730031B (zh) 一种用于多载波通信的无人机轨迹与资源分配联合优化方法
Sekander et al. Statistical performance modeling of solar and wind-powered UAV communications
Chung et al. Placement and routing optimization for automated inspection with unmanned aerial vehicles: A study in offshore wind farm
Huang et al. Deployment of heterogeneous UAV base stations for optimal quality of coverage
CN110543185A (zh) 一种基于最小化信息年龄的无人机数据收集方法
Masroor et al. Resource management in UAV-assisted wireless networks: An optimization perspective
CN109936619A (zh) 一种基于雾计算的空间信息网络架构、方法和可读存储介质
US20170302368A1 (en) Predicting Signal Quality in a Rotating Beam Platform
US20200309895A1 (en) Ultra-wideband assisted precise positioning system and method
CN107491591B (zh) 快速生成敏捷成像卫星对地观测需求筹划的方法
CN114142908B (zh) 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN108040368A (zh) 一种基于块坐标下降的无人机时频资源分配方法
CN111381499A (zh) 基于三维空间射频地图学习的网联飞行器自适应控制方法
CN113784314A (zh) 一种智能反射表面辅助下的无人机数据与能量传输方法
CN111007460B (zh) 直升机协同定位方法
Yu et al. 3D deployment of Multi-UAV for energy-saving: A game-based learning approach
Li et al. Channel knowledge map (CKM)-assisted multi-UAV wireless network: CKM construction and UAV placement
Sun et al. UAV-Net+: Effective and energy-efficient UAV network deployment for extending cell tower coverage with dynamic demands
Almarhabi et al. LoRa and High-Altitude Platforms: Path Loss, Link Budget and Optimum Altitude
Bi et al. Physical Environment Map Aided 3D Deployment Optimization for UAV-Assisted Integrated Localization and Communication in Urban Areas
Jin et al. The research of slot adaptive 4d network clustering algorithm based on uav autonomous formation and reconfiguration

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