CN113776531A - 无线自供电通信网络的多无人机自主导航及任务分配算法 - Google Patents

无线自供电通信网络的多无人机自主导航及任务分配算法 Download PDF

Info

Publication number
CN113776531A
CN113776531A CN202110825683.4A CN202110825683A CN113776531A CN 113776531 A CN113776531 A CN 113776531A CN 202110825683 A CN202110825683 A CN 202110825683A CN 113776531 A CN113776531 A CN 113776531A
Authority
CN
China
Prior art keywords
unmanned aerial
determining
aerial vehicle
algorithm
network
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.)
Pending
Application number
CN202110825683.4A
Other languages
English (en)
Inventor
胡杰
李雨婷
于秦
杨鲲
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.)
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
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 University of Electronic Science and Technology of China, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical University of Electronic Science and Technology of China
Priority to CN202110825683.4A priority Critical patent/CN113776531A/zh
Publication of CN113776531A publication Critical patent/CN113776531A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H04W16/22—Traffic simulation tools or models

Abstract

本发明公开了一种无线自供电通信网络的多无人机自主导航及任务分配算法，通过联合设计用户调度、各个无人机的飞行轨迹、飞行速度、通信模式，以及无人机之间的任务分配和轨迹优化，达到在规定飞行时间内完成多无人机无碰撞的导航任务，并最大限度地提高系统用户平均上行传输数据量的目的。其中，通过将优化问题建模为马尔科夫过程，并提出一种基于共享神经网络的异步多智能体深度强化学习算法，对优化问题进行求解，逐步训练神经网络，最终实现系统上行总数据量最大化的目标。

Description

无线自供电通信网络的多无人机自主导航及任务分配算法
技术领域
本发明属于无人机供能通信网络技术领域，具体涉及一种无线自 供电通信网络的多无人机自主导航及任务分配算法。
背景技术
当前，随着无线通信技术的创新，物联网系统吸引了越来越多的 研究关注。一方面，地面上的物联网设备具有信息指令需求，以实现 各种无基础设施的物联网服务。另一方面，物联网设备通常受能源限 制。传统上，无线终端由电池供电，必须手动更换电池或为电池充电， 以延长网络寿命。它通常会带来高昂的成本和不便，更不用说是危险 的环境(例如在有毒的环境中)。因此，无人机辅助通信的无线传能 网络(WPCN)被用于解决此类问题。
UAV可以用作空中基站，以增强各种情况下通信网络的覆盖范围 和性能，例如应急通信和偏远地区的网络访问。将无人机用作空中基 站具有许多好处。首先，由于无人机海拔较高，与地面基站相比，它 们具有更高的视线(LoS)链接到地面用户的机会。其次，无人机能 够向地面网络覆盖较差的区域提供快速，可靠和经济高效的网络访问， 可以为地面用户建立通信链路以传递数据包。
然而在目前的已有文献中，通常都是基于地面设备位置已知的情 况下，未考虑过无人机对于地面传感器设备位置未知的情况。并且已 有文献大多是针对单无人机的场景。然而，由于通信范围有限，以及 无人机具有有限的能量资源，对于大区域场景时，单个无人机无法一 直覆盖整个区域或长时间保持飞行。因此，需要部署多个无人机以确 保在合理的时间内覆盖每个区域。
发明内容
为了克服现有技术的不足，本发明提供一种无线自供电通信网络 的多无人机自主导航及任务分配算法，用以实现在大规模无线传网络 中，对于地面设备无先验知识的场景下，多无人机任务分配及调度问 题以达到地面设备的平均上传数据量最优。
本发明解决其技术问题所采用的技术方案是：
一种无线自供电通信网络的多无人机自主导航及任务分配算法， 包括以下步骤：
步骤S1、确定网络模型、通信方式及信道模型；
步骤S2、对下行无线功率传输和上行无线信息传输进行建模， 并确定优化目标表达式及其约束条件；
步骤S3、分析优化问题，将优化问题建模为马尔科夫过程；
步骤S4、确定网络通信协议及无人机飞行决策模型；
步骤S5、定义每个无人机的神经网络输入状态，输出动作，奖 励函数以及公共神经网络的输入输出；
步骤S6、根据异步多智能体深度强化学习算法求解优化问题。
进一步地，所述步骤S1具体包括以下分步骤：
步骤S11、确定网络模型；
步骤S12、确定通信方式；
步骤S13、确定信道模型。
进一步地，所述步骤S11的网络模型是由多个无人机及多个地面 无源设备组成的。
进一步地，所述步骤S12确定通信方式为：无线自供电通信网络 的无人机通过射频链路向地面无源设备传输能量，地面设备通过收割 的能量向无人机发送数据。
进一步地，所述步骤S2具体包括以下分步骤：
步骤S21、对于下行无线功率传输，确定地面设备所收割到的能 量，得到能量约束条件；
步骤S22、对于上行无线信息传输，当无人机选择某一地面设备 进行通信时，确定上行传输数据量，得到服务质量约束条件；
步骤S23、对于无人机集群，确保无人机之间的飞行距离小于安 全距离，不会有碰撞发生，得到多无人机距离约束条件；
步骤S24、对于动态任务分配，为了完成网络整体数据量优化目 标，保证同一个传感器不会同时处在多个无人机的任务列表中，得到 无人机任务列表约束条件；
步骤S25、确定优化目标表达式及其约束条件。
进一步地，所述步骤S5具体包括以下分步骤：
步骤S51、确定输入到异步深度强化学习算法中的网络状态集合；
步骤S52、确定从异步深度强化学习算法中输出的无人机动作集 合；
步骤S53、确定共享神经网络的输入参数和输出参数；
步骤S54、确定异步深度强化学习算法中的奖励机制。
进一步地，所述步骤S6具体包括以下分步骤：
步骤S61、更新时间序列t＝1，重置虚拟智能体的梯度更新量 dω′u←0；
步骤S62、从虚拟智能体的公共神经网络同步参数到本智能体的 神经网络ω′u＝ω；
步骤S63、tstart＝t，初始化状态su(t)；
步骤S64、根据ε-greedy贪婪策略选出并执行动作au(t)得到奖励 ru(t)和新状态su(t+1)，t←t+1；
步骤S65、如果su(t)是终止飞行状态，或t-tstart＝tlocal，则进入步 骤S66，否则回到步骤S64；
步骤S66、计算最后一个时间序列位置su(t)的Qu(s,t)：
Figure RE-GDA0003334671250000041
其中
Figure RE-GDA0003334671250000042
步骤S67、对于i∈(t-1,t-2,...,tstart)：计算每个时刻的Qu(s,i)： Qu(s,i)＝ru(i)+γQu(s,i+1)；计算每个智能体的本地梯度更新：
Figure RE-GDA0003334671250000043
步骤S68、更新全局神经网络的模型参数：ω←ω-βdω′u；
步骤S69、如果T＞Tmax，则算法结束，否则进入步骤S62。
本发明的有益效果是：本发明通过联合设计无线自供电通信网络 中多个无人机的飞行轨迹、地面设备的选择以及与地面设备的通信模 式，同时考虑到无人机对于地面设备位置不具备先验知识以及无人机 之间任务分配和防碰撞的问题。本发明不仅实现了对地面多个无源设 备的能量供应，同时还兼顾了在保证地面设备公平性的前提下，使得 所有设备的平均数据量最大化。
附图说明
图1为本发明的无线自供电通信网络的多无人机自主导航及任 务分配算法流程图；
图2为本发明的无线自供电通信网络模型示意图；
图3为本发明异步深度强化学习算法模型示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
参照图1至图3，一种无线自供电通信网络的多无人机自主导航 及任务分配算法，具体包括以下步骤：
步骤S1、确定网络模型、通信方式及信道模型。
该步骤具体包括以下分步骤：
步骤S11、确定网络模型。
假设WPCN网络中有U架无人机作为空中基站，多架无人机同 时从起点出发，遍历整个无线传感网络。地面有K个传感器设备， 第K个传感器设备的坐标为
Figure BDA0003173696590000051
为了简化网络模型，假设所 有无人机的飞行高度不变，固定为H。其中，第u架无人机在t时刻 的二维平面的坐标为
Figure BDA0003173696590000052
飞行速度为vu(t)，U 架无人机的载波信号发射功率都固定为PUAV，信道噪声功率为σ2。在t时刻，第u架无人机与第k个传感器设备间的距离为
Figure BDA0003173696590000061
其中||·||表示一对向量之间的欧氏距离。传感器设备的能量转换效率系数为η，信号发射功率为Ptr。基于无人机的 通信网络模型如图2所示。
步骤S12、确定通信方式。
整个WPCN网络采用“先收割后传输”的协议，即地面传感设 备会先从无人机下行射频链路收割到足够的能量后，再通过上行链路 向无人机传输数据。每架无人机都有向地面设备广播能量或者从地面 设备收集数据的任务。假设无人机总工作时间为T，在每一时刻t， 无人机会确定操作模式，即任务模式，用ρuk(t)∈{0,1}来表示。为了规 划任务分配问题，将无人机覆盖范围内的传感器列表规定为无人机的 任务列表
Figure BDA0003173696590000062
表示下行传输模式，此时无 人机会向它覆盖范围内的所有传感器设备广播能量；
Figure BDA0003173696590000063
表示数据收集模式，此时无人机u会选择通信范围 内的传感器设备k接收上传数据，注意无人机在数据收集模式时只允 许一个设备上传。
步骤S13、确定信道模型。
假设无人机与地面传感器设备之间为Los信道，路径损耗指数为 2，传感器k与无人机u在t时刻的信道增益为
Figure BDA0003173696590000064
β0表示参考距离为1米时的信道增 益。
步骤S2、对下行无线功率传输和上行无线信息传输进行建模， 并确定优化目标表达式及其约束条件。
该步骤具体包括以下分步骤：
步骤S21、对于下行无线功率传输，传感器k在t时刻所收割到 的能量为
Figure BDA0003173696590000071
其中η为传感器设备的能 量转换效率系数。根据传感器k的电池电量是否超过传感器信号发射 功率Ptr，将传感器剩余的电池电量离散化为高低电平ek(t)∈{0,1}。
步骤S22、对于上行传输模式，假设传感器k被选中向无人机u 传输数据，则t时刻传感器k的吞吐量为
Figure BDA0003173696590000072
其中B为系统带 宽，
Figure BDA0003173696590000073
为参考信噪比(SNR)，传感器k的累积传输数据量为rk。
步骤S23、对于无人机集群，确保无人机之间的飞行距离小于安 全距离，不会有碰撞发生。假设无人机u1与无人机u2之间的距离为
Figure BDA0003173696590000074
则得到多无人机的飞行距离约束条件
Figure BDA0003173696590000075
其中Rsec为无人机之间的安全距离。
步骤S24、对于动态任务分配，因为优化目标是确保传感器公平 指数的前提下最大化整个网络的平均数据量。当传感器k同时属于两 架无人机任务列表时，这表明两架无人机覆盖范围有重叠，则有可能 会导致两架无人机一直覆盖相同的传感器，则剩余传感器一直未被选 中通信，则会使得网络效率和传感器公平指数降低。因此得到无人 机任务列表约束条件
Figure BDA0003173696590000076
此约束 条件也可写成
Figure BDA0003173696590000081
步骤S25、确定优化目标表达式及其约束条件。
系统平均数据量最大化的目标问题列为：
Figure BDA0003173696590000082
Figure BDA0003173696590000083
Figure BDA0003173696590000084
Figure BDA0003173696590000085
Figure BDA0003173696590000086
Figure BDA0003173696590000087
Figure BDA0003173696590000088
Figure BDA0003173696590000089
Figure BDA00031736965900000810
其中(a)表示无人机通信模式的约束，即在同一时刻无人机只能选 择上行或下行传输模式；(b)表示动态任务约束，即两架无人机不能 一直覆盖相同的传感器；(c)表示在最后时刻无人机必须飞回起始点； (d)表示传感器的电池电量约束，必须大于信号发射功率；(e)表示每 个传感器设备的最低上传数据量约束，也相当于约束无人机必须遍历 所有的传感器，其中rQoS表示规定的传感器最低上传数据量；(f)表示 传感器上行传输数据的能量约束，其中
Figure BDA00031736965900000811
表示传感器k上行传输数 据的时间；(g)表示无人机之间的通信距离约束；(h)表示预测无人机 是否能在规定时间内飞回起始点，其中
Figure BDA00031736965900000812
表示无人机u的平均飞行速度，τ表示无人机已经飞行的时间。
步骤S3、分析优化问题，将优化问题建模为马尔科夫过程。
马尔科夫过程由4元组S,A,R,P定义，其中S是状态集；A是动 作集，R是采取动作时的报酬，P表示从一种状态到另一种状态的转 移概率。具体来说，无人机作为智能体观察环境并获得状态st∈S。无 人机在t时刻选择在动作at∈A，然后根据观察和下一个状态st+1获得 回报rt∈R。
步骤S4、确定网络通信协议及无人机飞行决策模型。
首先，由于无人机对于传感器位置无先验知识的问题，我们为无 人机定义了一个覆盖区域，无人机只会与覆盖范围内的传感器设备进 行通信。无人机的覆盖范围为
Figure BDA0003173696590000091
其中h为无人机 对地飞行高度，φ为无人机天线波束宽度。在每个时隙，无人机会根 据网络状态通过算法来自主选择是采取下行或是上行传输模式。具体来说，当无人机处于下行WPT模式时，会向覆盖区域中的所有传感 器广播能量。在时隙结束时，接收到能量的传感器将向UAV发送短 信标消息报告自己的状态变量。若无人机处于上行WIT模式时，将 根据之前下行模式接收到的一些传感器的状态信息，确定相应的动作。
步骤S5、定义每个无人机的神经网络输入状态，输出动作，奖 励函数以及公共神经网络的输入输出。
深度强化学习算法可以获取最佳策略π，以最大化长期预期累积 奖励。通常的，当把单智能体深度强化学习算法扩充到多智能体场景 时，一般是通过状态共享的方式或者MADDPG算法。然而通过状态 共享的方式时，无人机之间需要通过通信链路共享各自的状态信息， 但在有些情况下，处于安全性的考虑，防窃听的情况下，无人机之间 不可直接交换状态信息。因此，我们提出异步多智能体深度强化学习 算法来解决多智能体的场景。除了每个无人机作为智能体以外，额外 新增了一个虚拟智能体，用来集中处理所有无人机的神经网络参数， 每个智能体和环境交互到一定量的数据后，就计算在自己的神经网络 损失函数的梯度，但是这些梯度却并不更新自己的神经网络，而是去 更新公共的神经网络。也就是多个智能体会独立的使用累积的梯度分 别更新公共部分的神经网络模型参数。每隔一段时间，智能体会将自 己的神经网络的参数更新为公共神经网络的参数，从而指导后面的环 境交互。每个智能体里的网络模型主要是用于和环境交互使用的，同 时，通过虚拟智能体进行神经网络的统一训练可以保证无人机之间不 是分离地单独在工作，而是从网络整体性能出发去协调地选择最佳动 作。
该步骤具体包括以下分步骤：
步骤S51、定义每架无人机所观测到的状态为
Figure BDA0003173696590000101
包括无人机当前位置qu(t)，覆盖范围 内传感器的电池电量等级ek(t)，数据量大小rk以及传感器与无人机之 间的信道增益hk(t)。由于每架无人机只能观测到自己覆盖范围内传感器的状态，因此每架无人机相当于是POMDP，即部分可观测的马尔 科夫过程。
步骤S52、定义无人机输出动作
Figure RE-GDA0003334671250000102
包括无人机通信模式ρu(t)，选择哪一个传感器设备k进行通信，转 向角αu(t)∈{0°,45°,90°,135°,180°,225°,270°,325°}，以及飞行速度 vu(t)∈{0m/s,5m/s,10m/s}。
步骤S53、定义奖励函数。由于每个无人机对于整体优化目标贡 献不同，为每架无人机定了两部分奖励函数，即公共奖励函数和单独 奖励函数。在训练期间，网络平均上传数据量对于每架无人机来说是 相同的，因此将整个网络的性能作为公共奖励函数；而每架无人机覆 盖范围内的平均数据量和碰撞概率各不相同。
无人机u的奖励函数为：
Figure BDA0003173696590000111
其中
Figure BDA0003173696590000112
表示公平指数，用于防止有传感器设备未被访问到；
Figure BDA0003173696590000113
表示网络平均数据量的变化量；
Figure BDA0003173696590000114
K’表示无人机u覆盖范围内传感器的集合，即无人机u的任务列表； pu(t)表示每架无人机的惩罚因子，当约束条件中的任一约束，例如 不满足
Figure BDA0003173696590000115
时，将执行相应的惩罚pu(t)。
步骤S54、定义公共神经网络的输入输出。
如图3所示，虚拟智能体上的公共神经网络的输入为单个无人机 智能体的神经网络参数ω′u,u∈U，公共神经网络接收到所有无人机的 神经网络参数后，会根据整体网络的性能去训练，从而得到训练后的 参数返回给单个智能体。
步骤S6、根据异步多智能体深度强化学习算法求解优化问题。 每个无人机智能体上的具体算法实施如下。
整体网络输入：虚拟智能体的神经网络结构，对应参数ω，单个 智能体的神经网络结构，对应参数ω′u，全局共享的迭代轮数T，全局 最大迭代次数Tmax，单个智能体内单次迭代时间序列最大长度tlocal，步 长β，衰减因子γ。
单个无人机智能体输入：虚拟智能体的神经网络参数ω。
步骤S61、更新时间序列t＝1，重置虚拟智能体的梯度更新量 dω′u←0；
步骤S62、从虚拟智能体的公共神经网络同步参数到本智能体的 神经网络ω′u＝ω；
步骤S63、tstart＝t，初始化状态su(t)；
步骤S64、根据ε-greedy贪婪策略选出并执行动作au(t)得到奖励 ru(t)和新状态su(t+1)，t←t+1
步骤S65、如果su(t)是终止飞行状态，或t-tstart＝tlocal，则进入步 骤S66，否则回到步骤S64；
步骤S66、计算最后一个时间序列位置su(t)的Qu(s,t)：
Figure RE-GDA0003334671250000121
其中
Figure RE-GDA0003334671250000122
步骤S67、对于i∈(t-1,t-2,...,tstart)：计算每个时刻的Qu(s,i)： Qu(s,i)＝ru(i)+γQu(s,i+1)；计算每个智能体的本地梯度更新：
Figure RE-GDA0003334671250000123
步骤S68、更新全局神经网络的模型参数：ω←ω-βdω′u；
步骤S69、如果T＞Tmax，则算法结束，否则进入步骤S62。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域 的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变 化，均仍属于本发明创造涵盖的范围之内。

Claims (7)

1.一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，包括以下步骤：
步骤S1、确定网络模型、通信方式及信道模型；
步骤S2、对下行无线功率传输和上行无线信息传输进行建模，并确定优化目标表达式及其约束条件；
步骤S3、分析优化问题，将优化问题建模为马尔科夫过程；
步骤S4、确定网络通信协议及无人机飞行决策模型；
步骤S5、定义每个无人机的神经网络输入状态，输出动作，奖励函数以及公共神经网络的输入输出；
步骤S6、根据异步多智能体深度强化学习算法求解优化问题。
2.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S1具体包括以下分步骤：
步骤S11、确定网络模型；
步骤S12、确定通信方式；
步骤S13、确定信道模型。
3.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S11的网络模型是由多个无人机及多个地面无源设备组成的。
4.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S12确定通信方式为：无线自供电通信网络的无人机通过射频链路向地面无源设备传输能量，地面设备通过收割的能量向无人机发送数据。
5.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S2具体包括以下分步骤：
步骤S21、对于下行无线功率传输，确定地面设备所收割到的能量，得到能量约束条件；
步骤S22、对于上行无线信息传输，当无人机选择某一地面设备进行通信时，确定上行传输数据量，得到服务质量约束条件；
步骤S23、对于无人机集群，确保无人机之间的飞行距离小于安全距离，不会有碰撞发生，得到多无人机距离约束条件；
步骤S24、对于动态任务分配，为了完成网络整体数据量优化目标，保证同一个传感器不会同时处在多个无人机的任务列表中，得到无人机任务列表约束条件；
步骤S25、确定优化目标表达式及其约束条件。
6.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S5具体包括以下分步骤：
步骤S51、确定输入到异步深度强化学习算法中的网络状态集合；
步骤S52、确定从异步深度强化学习算法中输出的无人机动作集合；
步骤S53、确定共享神经网络的输入参数和输出参数；
步骤S54、确定异步深度强化学习算法中的奖励机制。
7.根据权利要求1所述的一种无线自供电通信网络的多无人机自主导航及任务分配算法，其特征在于，所述步骤S6具体包括以下分步骤：
步骤S61、更新时间序列t＝1，重置虚拟智能体的梯度更新量dω′u←0；
步骤S62、从虚拟智能体的公共神经网络同步参数到本智能体的神经网络ω′u＝ω；
步骤S63、tstart＝t，初始化状态su(t)；
步骤S64、根据ε-greedy贪婪策略选出并执行动作au(t)得到奖励ru(t)和新状态su(t+1)，t←t+1；
步骤S65、如果su(t)是终止飞行状态，或t-tstart＝tlocal，则进入步骤S66，否则回到步骤S64；
步骤S66、计算最后一个时间序列位置su(t)的Qu(s,t)：
Figure RE-FDA0003334671240000031
其中
Figure RE-FDA0003334671240000032
步骤S67、对于i∈(t-1,t-2,...,tstart)：计算每个时刻的Qu(s,i)：Qu(s,i)＝ru(i)+γQu(s,i+1)；计算每个智能体的本地梯度更新：
Figure RE-FDA0003334671240000033
步骤S68、更新全局神经网络的模型参数：ω←ω-βdω′u；
步骤S69、如果T＞Tmax，则算法结束，否则进入步骤S62。
CN202110825683.4A 2021-07-21 2021-07-21 无线自供电通信网络的多无人机自主导航及任务分配算法 Pending CN113776531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110825683.4A CN113776531A (zh) 2021-07-21 2021-07-21 无线自供电通信网络的多无人机自主导航及任务分配算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110825683.4A CN113776531A (zh) 2021-07-21 2021-07-21 无线自供电通信网络的多无人机自主导航及任务分配算法

Publications (1)

Publication Number Publication Date
CN113776531A true CN113776531A (zh) 2021-12-10

Family

ID=78836002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110825683.4A Pending CN113776531A (zh) 2021-07-21 2021-07-21 无线自供电通信网络的多无人机自主导航及任务分配算法

Country Status (1)

Country Link
CN (1) CN113776531A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114698123A (zh) * 2022-04-19 2022-07-01 电子科技大学 一种无线供电隐蔽通信系统的资源分配优化方法
CN115981369A (zh) * 2023-01-09 2023-04-18 南京航空航天大学 有限通信下面向多无人机联合任务分配和航迹规划的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110113106A (zh) * 2019-04-17 2019-08-09 深圳大学 多基站多激光发射器的激光供能无人机无线通信方法
CN110488861A (zh) * 2019-07-30 2019-11-22 北京邮电大学 基于深度强化学习的无人机轨迹优化方法、装置和无人机
CN110958680A (zh) * 2019-12-09 2020-04-03 长江师范学院 面向能量效率的无人机群多智能体深度强化学习优化方法
WO2020134507A1 (zh) * 2018-12-28 2020-07-02 北京邮电大学 无人机网络路由构建方法、无人机及存储介质
CN111786713A (zh) * 2020-06-04 2020-10-16 大连理工大学 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法
CN112118556A (zh) * 2020-03-02 2020-12-22 湖北工业大学 基于深度强化学习的无人机轨迹及功率联合优化方法
CN112584321A (zh) * 2020-12-15 2021-03-30 电子科技大学 一种无人机协同的数能一体化网络的优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020134507A1 (zh) * 2018-12-28 2020-07-02 北京邮电大学 无人机网络路由构建方法、无人机及存储介质
CN110113106A (zh) * 2019-04-17 2019-08-09 深圳大学 多基站多激光发射器的激光供能无人机无线通信方法
CN110488861A (zh) * 2019-07-30 2019-11-22 北京邮电大学 基于深度强化学习的无人机轨迹优化方法、装置和无人机
CN110958680A (zh) * 2019-12-09 2020-04-03 长江师范学院 面向能量效率的无人机群多智能体深度强化学习优化方法
CN112118556A (zh) * 2020-03-02 2020-12-22 湖北工业大学 基于深度强化学习的无人机轨迹及功率联合优化方法
CN111786713A (zh) * 2020-06-04 2020-10-16 大连理工大学 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法
CN112584321A (zh) * 2020-12-15 2021-03-30 电子科技大学 一种无人机协同的数能一体化网络的优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张涛;张君;唐洪莹;李宝清;袁晓兵;: "有限能量下的无人机辅助无线供电通信网络资源分配研究", 工业控制计算机, no. 07 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114698123A (zh) * 2022-04-19 2022-07-01 电子科技大学 一种无线供电隐蔽通信系统的资源分配优化方法
CN114698123B (zh) * 2022-04-19 2023-04-18 电子科技大学 一种无线供电隐蔽通信系统的资源分配优化方法
CN115981369A (zh) * 2023-01-09 2023-04-18 南京航空航天大学 有限通信下面向多无人机联合任务分配和航迹规划的方法
CN115981369B (zh) * 2023-01-09 2023-12-01 南京航空航天大学 有限通信下面向多无人机联合任务分配和航迹规划的方法

Similar Documents

Publication Publication Date Title
Gong et al. Flight time minimization of UAV for data collection over wireless sensor networks
You et al. 3D trajectory optimization in Rician fading for UAV-enabled data harvesting
Zhang et al. Energy-efficient trajectory optimization for UAV-assisted IoT networks
Motlagh et al. UAV selection for a UAV-based integrative IoT platform
Ho et al. Optimization of wireless sensor network and UAV data acquisition
Shamsoshoara et al. An autonomous spectrum management scheme for unmanned aerial vehicle networks in disaster relief operations
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
Nie et al. Energy-efficient UAV trajectory design for backscatter communication: A deep reinforcement learning approach
Li et al. Continuous maneuver control and data capture scheduling of autonomous drone in wireless sensor networks
CN106774429B (zh) 一种数据传输方法及系统
CN113776531A (zh) 无线自供电通信网络的多无人机自主导航及任务分配算法
CN113255218B (zh) 无线自供电通信网络的无人机自主导航及资源调度方法
Li et al. Deep Q-learning based resource management in UAV-assisted wireless powered IoT networks
CN114389679B (zh) 基于信息年龄最小化的多天线无人机感知和传输优化方法
Mondal et al. Joint optimization framework for minimization of device energy consumption in transmission rate constrained UAV-assisted IoT network
Ho et al. Optimal relay path selection and cooperative communication protocol for a swarm of UAVs
CN111970709A (zh) 一种基于粒子群优化算法的无人机中继部署方法及系统
Li et al. Data-driven flight control of internet-of-drones for sensor data aggregation using multi-agent deep reinforcement learning
CN115499921A (zh) 面向复杂无人机网络的三维轨迹设计及资源调度优化方法
CN113163332A (zh) 基于度量学习的路标图着色无人机节能续航数据收集方法
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
Li et al. Deep reinforcement learning for real-time trajectory planning in UAV networks
Li et al. Employing intelligent aerial data aggregators for the internet of things: Challenges and solutions
Amodu et al. Age of Information minimization in UAV-aided data collection for WSN and IoT applications: A systematic review
Ni et al. Optimal transmission control and learning-based trajectory design for UAV-assisted detection and communication

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