CN113991785B - 一种无人机辅助的传感器节点充电方法 - Google Patents

Abstract

本发明公开了一种无人机辅助的传感器节点充电方法。所述方法包括：设置所述无人机辅助充电场景所需参数；基于马尔可夫决策过程建立传感器节点和物联网环境交互的基础模型，获取传感器节点的状态空间、行为空间和奖励；求解无人机最优充电调度策略；根据求解结果派遣无人机对传感器节点进行充电。采用本发明的方法以保障各传感器节点始终具备足够电量进行物联网任务作为前提，能够在恶劣的物联网环境下实现无人机的最优充电调度。

Description

一种无人机辅助的传感器节点充电方法

技术领域

本发明属于无线网络通信技术领域，具体为一种用于物联网环境下无人机辅助的传感器节点充电方法。

背景技术

近年来，无线通信技术的迅速发展使得物联网广泛应用于各类国计民生领域，并将手机、车辆等众多类型设备均纳入到物联网的组成部分。然而，布置于沙漠、雨林等恶劣环境的物联网传感器节点只能使用电池供电且不易更换电池，进而限制了物联网的生命周期并增加了物联网的使用成本。因此，如何采用合理的方式定期地为节点充电对于物联网的可持续性具有重要研究意义。无线电力传输通过磁共振耦合技术能够在若干米的短距离内以相对较高效率传输功率，可以应用于对节点进行无线充电。无人机因其体积小、成本低而存在能量限制，并不适合直接作为充电源。鉴于此，本发明聚焦于多无人机搭载无线充电器飞到指定区域对节点进行无线充电的场景。针对此场景，胡洁提出了一种基于分布式快速拍卖算法的无人机调度方案，但仅考虑单周期充电情形。Su与Fang提出了以最大化总充电量为目标，联合使用MDP和匹配理论设计了多周期情形下的每个节点在一个充电周期最多被一架无人机充电的调度策略。尽管如此，该策略在节点之间存在电量明显差异时将造成总充电量瓶颈。

本发明旨在以最大化总充电量为目标，基于MDP理论设计允许多架无人机对同一个传感器节点进行辅助无线充电的方法。

发明内容

本发明旨在提供一种无人机辅助的传感器节点充电方法，能够在恶劣的物联网环境下实现无人机的最优充电调度。实现本发明目的的技术方案为：一种无人机辅助的传感器节点充电方法，具体步骤为：

步骤1：设置所述无人机辅助充电场景所需参数；

步骤2：基于马尔可夫决策过程建立传感器节点和物联网环境交互的基础模型，获取传感器节点的状态空间、行为空间和奖励；

步骤3：求解无人机最优充电调度策略；

步骤4：根据求解结果派遣无人机对传感器节点进行充电。

本发明与现有技术相比，其显著优点为：本发明考虑了各节点能量限制、各节点物联网任务能量消耗、各无人机能量限制、各无人机飞行能量消耗等影响充电总量的多种因素，且各节点始终具备足够电量进行通信作为优化约束，比现有方法给予无人机更加灵活的调度。

附图说明

图1为本发明应用场景示意图；

图2为本发明实施无人机辅助的传感器节点充电方法流程图；

图3为三种策略下实际总充电量比较；

图4为三种策略下一对一充电比例比较；

图5为三种策略下每个周期实际充电量变化比较。

具体实施方式

下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明聚焦于多无人机搭载无线充电器飞到指定区域对节点进行无线充电的场景。在如图1所示的场景中，假设序号集合为M＝{1,…,i,…,M}的M≥1个节点分布在不同地理位置。将第i个节点的地理位置坐标标识为 第i个节点以恒定功率q_i＞0瓦消耗自身设备电量执行物联网任务，但无固定电源进行供电且电池容量为/>焦，从而需要序号集合N＝{1,…,j,…,N}的N≥M架无人机中的一架或多架无人机为其进行无线充电。将充电过程划分为多个充电周期t∈{1,2,…,D}，每个周期长度均为T秒。规定所有无人机在起始时刻统一停放在地理位置为(x_U,y_U,0)，x_U,y_U≥0的无人机控制站，并在每个充电周期开始时刻均已回到无人机控制站以充满电量。每架无人机在每个充电周期只能对一个节点进行充电，而每个节点在每个充电周期可能被零、一或多架无人机充电。因此，定义充电周期t的调度向量为：

其中，表示派遣第j架无人机为第i个节点充电。

假设第j架无人机的飞行速度为v，电量损耗为飞行功率P_f瓦和悬停功率P_h瓦，最大携带电量为焦，搭载一个充电功率为/>瓦、充电效率为η∈(0,1]的无线充电器。标记为无人机控制站与第i个节点的飞行距离。在任意充电周期t的开始时刻，要求每架无人机均返回无人机控制站且已经充满电量，因此第j架无人机在任一周期对第i个节点的最大允许充电时间/>必须满足下式：

同时，针对任意i和j的取值，假设因此可以保证任一节点在任意情况下被任一无人机充电后均有足够电量用于当前周期的通信。

令随机变量表示第i个节点在充电周期t开始时刻的剩余电量。考虑到实际应用场景中无人机有效充电功率远大于节点的通信功率，同时考虑到飞行时间与最大允许充电时间远小于充电周期，将第i个节点在充电周期t的最大充电量近似计算为：

其中，并且，将第i个节点在充电周期t+1开始时刻的剩余电量近似计算为：

进一步，无人机控制站的充电调度必须使得每个节点始终具备足够电量进行通信。因此，当第i个节点在充电周期t开始时刻的剩余电量不足以用于当前充电周期t的通信即时，充电调度向量必须满足下式：

即无人机控制站在充电周期t内必须派遣至少一架无人机对第i个节点进行充电。

在每个充电周期t的开始时刻，无人机控制站会基于各节点的剩余电量信息，在满足每个节点始终具备足够电量进行通信的前提下以最大化所有D个充电周期的总充电量为目标，决定每架无人机分别为哪一个节点充电，即制定充电周期t的调度向量

图2为本发明实施无人机辅助的传感器节点充电方法流程图。如图2所示，一种无人机辅助的传感器节点充电方法，所述方法包括：

步骤1：设置无人机辅助充电场景所需参数。所需参数包括：无人机控制站的坐标(x_U,y_U,0)，无人机的飞行速度v、飞行功率P_f、悬停功率P_h、最大携带电量无线充电器的充电效率η、充电功率/>各节点的坐标/>电池容量/>恒定消耗功率q_i，各节点的状态转移概率/>

步骤2：基于马尔可夫决策过程建立传感器节点和物联网环境交互的基础模型。

步骤2-1：将第i个节点在充电周期t开始时刻的剩余电量表示为第i个节点的状态，节点在周期t的联合状态空间可表示为：

其中，为第i个节点在周期t的所有状态集合，周期t的联合状态为

步骤2-2：将周期t的调度向量表示为周期t的联合动作，即a_t＝a＝[a¹,a²,…,a^N]。将状态s_t＝s＝[s¹,…,sⁱ,…,s^M]∈S_t时的联合动作集合A_s表示为：

其中，M为单个无人机动作集合。在第一种情况下，满足每个节点始终具备足够电量进行通信，每个节点在每个充电周期可能被零、一或多架无人机充电。在第二种情况下，当第i个节点在充电周期t开始时刻的剩余电量不足以用于当前充电周期t的通信时，无人机控制站在充电周期t内必须派遣至少一架无人机对第i个节点进行充电。

步骤2-3：将节点在状态s_t＝s∈S_t执行动作a_t＝a∈A_s的奖励表示为：

步骤3：求解无人机最优充电调度策略。

步骤3-1：设置t＝D，对于获得：

步骤3-2：如果t＝1，停止迭代；否则进入步骤3-3。

步骤3-3：令t＝t-1，对于获得：

其中，β_t(s′,s,a)是所有节点在周期t开始时刻从状态s_t＝s∈S_t执行动作a_t＝a∈A_s转移到状态s_t+1＝s′∈S_t+1的概率，具体计算方式如下：假设节点状态变化是独立的，即：

其中，β_t(s^i',sⁱ,a)表示第i个节点在周期t开始时刻从状态执行动作a_t＝a∈A_s转移到状态/>的概率，即：

在第一种情况下，根据调度向量得到哪些无人机给第i个节点充电，即使这些无人机利用所有能量给第i个节点充电，节点也无法充满电。在第二种情况下，第i个节点的能量在这些无人机充电完成前达到最大电池容量(包括临界状态)，无人机的能量没有得到充分的利用。因此，根据以上情况，第i个节点在周期t+1的状态变为由式(3)、(4)和(5)计算得到的式子，这种转移的概率为1。除以上情况，转移概率为0。各节点的状态根据公式(12)进行转移。

步骤3-4：返回步骤3-2。

步骤4：根据求解结果派遣无人机对传感器节点进行充电，即无人机根据公式(13)选择充电调度策略。

实施例1

本发明采用Python软件对所述方法进行实施，网络中考虑三架无人机对处于不同固定位置的3个节点进行多周期辅助无线充电，设置每个充电周期长度T＝1000小时，并采用表1、2 列出的无人机和节点参数。考虑所设计最优调度策略相较于一对一最优策略和贪婪策略的性能优势。一对一最优策略为限定每个周期有且仅有一架无人机为每个节点充电条件下的动作集合，然后同样应用本发明所述MDP方法获得的最优策略；而贪婪策略为通过最大化每个周期即时奖励获得的最优策略。

图3反映了三种策略随充电周期数D变化的总充电量性能。当D＝1时，三种策略的性能一致；而当D增加时，最优策略的实际总充电量都比贪婪策略高出8％-13％，比一对一最优策略高出2％-7％。

图4进一步反映了三种策略下一对一充电比例随充电周期数D的变化。可以观察到：三种策略在D＝1时均仅使用一对一充电形式，而所设计最优策略在除D＝1外的其他情形下使用了较高比例的多对一充电形式。

图5是在给定充电周期数D＝5情况下三种策略在每个周期的充电量和整个充电过程的平均充电量的对比情况。可以观察到：当t＝1时，贪婪策略的充电量高于其他策略；而当t继续增加时，所设计最优策略的充电量明显高于其他策略，并最终使得平均充电量高于其他策略。

表1无人机参数

表2传感器节点参数

Claims (1)

1.一种无人机辅助的传感器节点充电方法，将充电过程划分为多个充电周期t∈{1,2,…,D}，每个周期长度均为T秒；假设物联网中有序号集合为M＝{1,…,i,…,M}的M≥1个节点需要充电，由序号集合N＝{1,…,j,…,N}的N≥M架无人机为其进行无线充电，所有无人机在起始时刻统一停放在无人机控制站；将充电周期t的调度向量表示为：

其中，表示派遣第j架无人机为第i个节点充电；第j架无人机在任一周期对第i节点的最大允许充电时间/>必须满足下式：

其中，是第i个节点的地理位置，(x_U,y_U,0)为无人机控制站的地理位置，/>是第j架无人机最大携带电量，v是第j架无人机的飞行速度，P_f是第j架无人机飞行功率，P_h是第j架无人机的悬停功率；同时，针对任意i和j的取值，需要满足：/>其中，/>是第j架无人机搭载的无线充电器的充电功率，充电效率为η，q_i为第i个节点的恒定消耗功率；将第i个传感器节点在充电周期t的最大充电量近似计算为：

其中， 表示第i个节点的电池容量，/>表示第i个节点在充电周期t开始时刻的剩余电量；并且，将第i个节点在充电周期t+1开始时刻的剩余电量近似计算为：

当时，充电调度向量必须满足下式：

其中，所述传感器节点分布在不同地理位置且具有不同的剩余电量，所述无人机会在无人机控制站的调度下对传感器节点进行充电，其特征在于，包括以下步骤：

步骤1：设置所述无人机辅助充电场景所需参数，包括：无人机控制站的坐标(x_U,y_U,0)，无人机的飞行速度v、飞行功率P_f、悬停功率P_h、最大携带电量无线充电器的充电效率η、充电功率/>各节点的坐标/>电池容量/>恒定消耗功率q_i，各节点的状态转移概率β_t(s^i',sⁱ,a)；

步骤2：基于马尔可夫决策过程(Markov Decision Process,MDP)建立传感器节点和物联网环境交互的基础模型，获取传感器节点的状态空间、行为空间和奖励，具体为：

步骤2-1：将第i个节点在充电周期t开始时刻的剩余电量表示为第i个节点的状态，节点在周期t的联合状态空间可表示为：

其中，为第i个节点在周期t的所有状态集合，周期t的联合状态为/>

步骤2-2：将周期t的调度向量表示为周期t的联合动作，即a_t＝a＝[a¹,a²,…,a^N]；将状态s_t＝s＝[s¹,…,sⁱ,…,s^M]∈S_t时的联合动作集合A_s表示为：

其中，M为单个无人机动作集合；

步骤2-3：将节点在状态s_t＝s∈S_t执行动作a_t＝a∈A_s的奖励表示为：

步骤3：求解无人机最优充电调度策略，具体为：

步骤3-1：设置t＝D，对于获得：

步骤3-2：如果t＝1，停止迭代；否则进入步骤3-3；

步骤3-3：令t＝t-1，对于获得：

其中，β_t(s′,s,a)是所有节点在周期t开始时刻从状态s_t＝s∈S_t执行动作a_t＝a∈A_s转移到状态s_t+1＝s′∈S_t+1的概率，具体计算方式如下：假设节点状态变化是独立的，即：

其中，β_t(s^i',sⁱ,a)表示第i个节点在周期t开始时刻从状态执行动作a_t＝a∈A_s转移到状态/>的概率，即：

各节点的状态根据公式(12)进行转移；

步骤3-4：返回步骤3-2；

步骤4：根据求解结果派遣无人机对传感器节点进行充电，无人机根据公式选择充电调度策略：