CN115278584A - 基于noma的无人机数据采集系统及其采集方法 - Google Patents

Abstract

本发明提供一种基于NOMA的无人机数据采集系统及其采集方法，包括一个无人机和N个地面传感器节点；包括以下步骤：建立系统的约束，建立基于NOMA的数据采集模型；通过联合优化地面传感器节点的发射功率以及无人机的飞行轨迹，来最大化地面传感器节点的最小数据传输速率；交替优化和连续凸近似算法将原问题分解为无人机飞行规划优化子问题和地面传感器节点传输功率控制子问题来得到一个多项式时间复杂性的高质量次优解。本发明提高基于NOMA的移动无人机系统中地面传感器节点的上行数据传输速率的下限，进而提高系统的上行总数据速率。

Description

基于NOMA的无人机数据采集系统及其采集方法

技术领域

本发明属于无人机资源分配领域，具体为一种基于NOMA的无人机数据采集系统及其采集方法。

背景技术

无人机(UAV)因其便利性、灵活性和低成本的优势，在未来无线通信系统中发挥着越来越重要作用，非正交多址(NOMA)技术被纳入5G通信技术中，可以提供在高的数据传输速率下保持较低的延迟。然而，由于无人机的移动性导致基于NOMA的无人机通信系统中的无人机的飞行轨迹和地面传感器器节点的传输功率的联合优化仍然很困难。

文献G.Zhang,Q.Wu,M.Cui and R.Zhang,“Securing UAV communications viajoint trajectory and power control,”IEEE Trans.Wirel.Commun.,vol.18,no.2,pp.1376-1389,Feb.2019.通过联合优化无人机的飞行轨迹和合法无人机的发射功率，来最大化无人机-地面用户(U2G)和地面用户和无人机(G2U)的平均保密率。

文献R.Zhang,X.Pang,et al.,“Joint location and transmit poweroptimization for NOMA-UAV networks via updating decoding order,”IEEE WirelessCommun.Lett.,vol.10,no.1,pp.136-140,Jan.2021.提出了一种低复杂度的算法，通过更新解码顺序来最大化NOMA-UAV网络的总和速率。

文献X.Mu,Y.Liu,et al.,“Energy-constrained UAV data collectionsystems:NOMA and OMA,”IEEE Trans.V eh.Technol.,vol.70,no.7,pp.6898-6912,July2021.考虑到无人机和地面传感器的能量受限，提出了基于正交多址(OMA)的数据传输策略以最大化地面传感器节点的最小数据传输速率。

文献W.Luo,Y.Shen,et al.,“Joint 3-D trajectory and resourceoptimization in multi-UAV-enabled IoT networks with wireless power transfer,”IEEE Internet of Things J.,vol.8,no.10,pp.7833-7848,May 2021.通过在有限的时间内联合优化UA Vs的时间分配和3-D轨迹，最大限度地提高所有IoT设备之间的UAVs最小数据收集率。

文献G.Zhang,X.Ou,et al.,“Cooperative UAV enabled relaying systems:joint trajectory and transmit power optimization,”IEEE Trans.GreenCommun.Netw.,vol.6,no.1,pp.543-557,March 2022.为实现端到端吞吐量最大化，联合优化了无人机中继的轨迹以及发射源和无人机中继的发射功率。

上述文献均未考虑在NOMA辅助的无人机通信系统中提高地面传感器的总最小数据传输速率。

发明内容

针对上述技术问题，本发明提供一种基于NOMA的无人机数据采集系统及其采集方法，为一种低复杂度的无人机飞行轨迹和地面传感器节点的发射功率联合优化算法，该算法采用交替优化和连续凸近似方法，在无人机最大飞行速度和地面传感器能量的约束条件下，通过联合优化无人机的飞行轨迹和地面传感器节点的发射功率来最大化地面传感器节点的最小数据传输速率。

具体技术方案为：

基于NOMA的无人机数据采集系统，包括一个无人机和N个地面传感器节点，地面传感器节点的集合为N＝＝{1,2,...,N}；

采用三维笛卡尔坐标系，地面传感器节点i(i∈N)的坐标为u_i＝(x_i,y_i,0)；

采用离散时间模型，无人机的数据采集周期为T^total，该周期等等分为T个时隙，每个时隙的持续时间为

时隙的集合表示为T＝{1,2,...,T}；无人机在高度为H(H＞0)的水平面内飞行，则第t时隙内，无人机的坐标为q(t)＝(x(t),y(t))；

无人机从初始位置

飞行到最终位置

的过程中不断收集来自地面传感器节点发送的数据。

一种基于NOMA的移动无人机数据采集方法，包括以下步骤：

(1)模型构建：

(1.1)系统的约束

无人机起始位置和最终位置的约束分别为q(1)＝q⁰,q(T)＝q^F. (1)

假设地面传感器节点对无人机的信道主要为由视距链路。因此，在时隙t内，从地面传感器节点i到无人机的信道增益为：

其中，β₀代表无人机-地面传感器链路的参考信道功率增益，与发射机和接收机的天线增益相关。

此外，无人机相邻两个时隙的飞行距离需满足无人机单个时隙的最大飞行距离约束：

其中v_max(以米每秒为单位)是无人机的最大飞行速度。

(1.2)基于NOMA的数据采集模型

在上行基于NOMA的无人机数据搜集过程中，地面传感器节点采用NOMA技术同时同频向无人机传输数据，无人机采用连续干扰消除(SIC)技术接收来自地面传感器节点的数据，低信道增益的用户通过高功率分配比得到补偿。根据地面传感器节点到无人机的距离，假设h₁≥h₂≥...≥h_N＞0,无人机可以将传感器节点i的数据从传感器节点i+1到节点N的叠加数据中解码。因此，在时隙t内，无人机接收到的来自地面传感器节点i(2≤i≤N)的数据的信干噪比(SINR)为：

其中，σ²为无人机端的噪声功率。

此外，无人机接收到的传感器节点1的数据的信干噪比为：

则在时隙t内，无人机接收到的来自传感器节点i的数据速率为：

R_i(t)＝WΔ_tlog₂(1+γ_i(t)). (6)

因此，无人机接收到的地面传感器节点i在整个数据采集周期内的总数据速率为：

(2)问题建立

基于上述系统模型，在基于NOMA的无人机数据采集系统中，通过联合优化地面传感器节点的发射功率P＝{P_i(t),i∈N,t∈T}以及无人机的飞行轨迹Q＝{q(t),t∈T}，来最大化地面传感器节点的最小数据传输速率。因此，地面传感器节点的最小上行传输速率的最大化问题可以建模为：

P₁:

(3)问题求解：

求解P₁问题是困难的，因为包含非凸的目标函数且优化变量是高度耦合的。此外，没有标准的方法直接得到此问题的全局最优解。因此，本发明采用交替优化和连续凸近似算法将原问题分解为无人机飞行规划优化子问题和地面传感器节点传输功率控制子问题来得到一个多项式时间复杂性的高质量次优解。

为了解决问题P₁的目标函数的非光滑性，将该问题等价转化为如下问题：

P₂

接下来，本发明将问题P₂分解为无人机飞行规划优化子问题和地面传感器节点传输功率控制子问题来得到一个多项式时间复杂性的高质量次优解。

(3.1)地面传感器节点的发射功率控制子问题：

给定无人机的飞行轨迹Q，地面传感器节点的发射功率子问题为：

P₃

在问题P₃中，由于约束(C5)是非凸的，因此问题P₃是一个非凸问题。为了将约束(C5)转换为凸约束，本发明采用连续凸近似(SCP)技术来逼近约束(C5)中的第二项：

因此，约束(C5)的第二项的一阶泰勒展开式为：

其中

因此，问题P₃可以转化为如下问题：

P₄

因为P₄是一个凸问题，可以通过Matlab中的CVX工具包求解。

(3.2)无人机飞行轨迹优化子问题：

给定地面传感器节点的发射功率P，无人机的飞行轨迹Q的优化子问题为：

P₅

可以看出问题P₅的约束项(C5)是凸减凸的形式。因此，利用连续凸近似方法用于近似约束(C5)的第一个凸项。

因此，约束(C5)的第一个凸项的一阶泰勒展开近似由下式计算：

其中

很明显，约束(C5)相对于q(t)是非凸的。因此，问题P₅是非凸的，难以求解最优。为了解决这个难题，采用引入松弛变量L＝{L_i(t)|i∈N,t∈T}，且松弛变量必须满足以下约束：

为了将约束(C5)转换为凸可行集，首先要了解引理1：

引理1：假设

表示一个向量，a表示一个常数向量，函数f(x)＝-||x-a||²相对于向量x是凹的，并且具有如下的凸上界：

-||x-a||²≤||x₀||²-2(x₀-a)^·x-||a||², (13)

根据引理1，约束(12)可以转化为以下约束：

-2(q^l(t)-u_i)^·q(t)+||q^l(t)||²-||u_i||²+L_i(t)≤0 (14)

综上所述，问题P₅可以转化为如下凸问题：

P₆

P₆是一个凸问题，可以通过Matlab中的CVX工具包求解。

(3.3)算法细节

基于NOMA的移动无人机数据采集算法，具体为：

初始化参数：设置初始参数地面传感器节点发射功率P⁰，无人机飞行轨迹Q⁰和松弛变量L⁰；此外，初始化参数：设置初始参数地面传感器节点发射功率P⁰，无人机飞行轨迹Q⁰和松弛变量L⁰；此外，设置算法迭代次数l＝0，系统允许误差δ＝0.001；

第一步：给定地面传感器节点发射功率P^l-1和无人机飞行轨迹Q^l-1，求解问题P₄以更新地面传感器节点的发射功率P^l；

第二步：给定地面传感器节点发射功率P^l，无人机飞行轨迹Q^l-1和松弛变量L^l-1求解问题P₆以更新无人机的飞行轨迹Q^l和松弛变量L^l；

第三步：设置算法迭代次数l＝l+1并转到第一步，直到目标函数的绝对值增量低于给定系统允许误差δ；最终输出最优的无人机轨迹和传感器的发射功率。

本发明的另一个方面提供了一种计算机系统，包括：处理器；存储器，存储有可执行指令，当所述可执行指令被处理器执行时，实现计算机系统的无人机数据采集方法。

本发明的另一个方面提供了一种计算机可读存储介质，存储有可执行指令，当所述可执行指令被处理器执行时，实现所述无人机数据采集方法。

本发明采用交替优化和连续凸近似方法，在无人机最大飞行速度和地面传感器节点能量的约束条件下，通过联合优化无人机的飞行轨迹和地面传感器节点的发射功率来最大化地面传感器节点的最小数据传输速率，提高基于NOMA的移动无人机系统中地面传感器节点的上行数据传输速率的下限，进而提高系统的上行总数据速率。

附图说明

图1为本发明基于NOMA的无人机数据采集系统结构示意图；

图2为本发明基于NOMA的移动无人机数据采集算法流程图；

图3为实施例所提出算法的轨迹；

图4为实施例算法收敛图；

图5为实施例不同无人机飞行高度情况下不同算法可获取速率对比图。

具体实施方式

结合附图说明本发明的具体技术方案。

如图1所示，提供一个由多旋翼无人机组成的基于NOMA的无人机数据采集系统，该系统包括一个UAV和N个地面传感器节点，地面传感器节点的集合为

此外，所有的无人机和地面传感器节点都只配备一根天线。

本发明采用三维笛卡尔坐标系，地面传感器节点i(i∈N)的坐标为u_i＝(x_i,y_i,0)。

本发明考虑了一个离散时间模型，无人机的数据采集周期为T^total，该周期等等分为T个时隙，每个时隙的持续时间为

时隙的集合表示为T＝{1,2,...,T}。无人机在高度为H(H＞0)的水平面内飞行，则第t时隙内，无人机的坐标为q(t)＝(x(t),y(t))。

此外，无人机从初始位置

飞行到最终位置

的过程中不断收集来自地面传感器节点发送的数据。

其中基于NOMA的飞行无人机数据采集算法流程如图2所示。

本实施例的具体过程为：

输入参数：

三个地面传感器节点的名称及坐标：user1(20,15,0)，user2(40,17,0)，user3(60,4,0)；

无人机的数据采集周期为T^total＝10s，这个周期被等分为T＝50个时隙，每个时隙的间隔为Δt＝0.2s；

无人机的飞行高度为Hm；

无人机初始位置为(0,0,H)；

无人机的最终位置为(100,0,H)；

无人机的最大飞行速度为v_max＝10m/s；

无人机单个时隙的最大飞行距离为V_a＝2m；

无人机-地面传感器节点的链路的参考信道功率增益为β₀＝50dBm；

地面传感器节点的最大发射功率为Pmax＝25dBm

仿真输出结果：

1.当时隙数T＝50时，通过所提出的算法获得的无人机轨迹图如图3；

可以看出，无人机首先飞到离用户1和用户2较近但距离用户3稍远的悬停位置，然后几乎飞到用户3并以弧形路径到达最终位置。

2.算法收敛图，如图4；

可以看出，所提算法收敛速度非常快，迭代次数约为4，验证了所提算法不仅具有良好的收敛特性，而且具有低复杂度的良好性能。

3.不同高度下不同算法可获取速率对比图，如图5；

从图5可以看出，随着H的增加，三种算法的地面传感器节点的最小上行传输速率降低。这是因为随着H的增加，无人机与地面传感器节点之间的信道功率增益会降低。而这三种算法的地面传感器节点的最小上行传输速率随着H的进一步增加几乎保持不变。

此外，可以看出所提算法的地面传感器节点的最小上行传输速率高于其他两种算法，这表明所提算法与具有固定轨迹或发射功率的算法相比可以显着提高地面传感器节点的最小上行传输速率。

另外，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。

根据本公开的实施例，可以采用一个如上文描述的计算机体系架构来实现根据本公开实施例的方法，也可以采用多个如上文描述的计算机体系架构彼此协作来实现根据本公开实施例的方法。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.基于NOMA的无人机数据采集系统，其特征在于，包括一个无人机和N个地面传感器节点，地面传感器节点的集合为N＝＝{1,2,...,N}；

采用三维笛卡尔坐标系，地面传感器节点i(i∈N)的坐标为u_i＝(x_i,y_i,0)；

采用离散时间模型，无人机的数据采集周期为T^total，该周期等等分为T个时隙，每个时隙的持续时间为

时隙的集合表示为T＝{1,2,...,T}；无人机在高度为H(H＞0)的水平面内飞行，则第t时隙内，无人机的坐标为q(t)＝(x(t),y(t))；

无人机从初始位置

飞行到最终位置

的过程中不断收集来自地面传感器节点发送的数据。

2.一种基于NOMA的移动无人机数据采集方法，其特征在于，采用权利要求1所述的基于NOMA的无人机数据采集系统，包括以下步骤：

(1)模型构建：

建立系统的约束，即无人机相邻两个时隙的飞行距离需满足无人机单个时隙的最大飞行距离约束；

建立基于NOMA的数据采集模型；

(2)问题建立

基于步骤(1)的模型，在所述的基于NOMA的无人机数据采集系统中，通过联合优化地面传感器节点的发射功率P＝{P_i(t),i∈N,t∈T}以及无人机的飞行轨迹Q＝{q(t),t∈T}，来最大化地面传感器节点的最小数据传输速率；

(3)问题求解：

交替优化和连续凸近似算法将原问题分解为无人机飞行规划优化子问题和地面传感器节点传输功率控制子问题来得到一个多项式时间复杂性的高质量次优解。

3.根据权利要求2所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(1)中所述的建立系统的约束，具体为：

无人机起始位置和最终位置的约束分别为：

q(1)＝q⁰,q(T)＝q^F. (1)

在时隙t内，从地面传感器节点i到无人机的信道增益为：

其中，β₀代表无人机-地面传感器链路的参考信道功率增益，与发射机和接收机的天线增益相关；

无人机相邻两个时隙的飞行距离需满足无人机单个时隙的最大飞行距离约束：

其中v_max是无人机的最大飞行速度，以米每秒为单位。

4.根据权利要求3所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(1)中所述的建立基于NOMA的数据采集模型，具体为：

无人机数据搜集过程中，地面传感器节点采用NOMA技术同时同频向无人机传输数据，无人机采用连续干扰消除技术接收来自地面传感器节点的数据，低信道增益的用户通过高功率分配比得到补偿；根据地面传感器节点到无人机的距离，假设h₁≥h₂≥...≥h_N＞0,无人机可以将传感器节点i的数据从传感器节点i+1到节点N的叠加数据中解码。因此，在时隙t内，无人机接收到的来自地面传感器节点i(2≤i≤N)的数据的信干噪比SINR为：

其中，σ²为无人机端的噪声功率；

无人机接收到的传感器节点1的数据的信干噪比为：

则在时隙t内，无人机接收到的来自传感器节点i的数据速率为：

R_i(t)＝WΔ_tlog₂(1+γ_i(t)). (6)

无人机接收到的地面传感器节点i在整个数据采集周期内的总数据速率为：

5.根据权利要求4所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(2)中，地面传感器节点的最小上行传输速率的最大化问题建模为：

P₁:

6.根据权利要求4所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(3)中，为了解决问题P₁的目标函数的非光滑性，将问题等价转化为如下问题：

P₂

将问题P₂分解为无人机飞行规划优化子问题和地面传感器节点传输功率控制子问题来得到一个多项式时间复杂性的高质量次优解。

7.根据权利要求6所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(3)具体包括：

(3.1)地面传感器节点的发射功率控制子问题：

给定无人机的飞行轨迹Q，地面传感器节点的发射功率子问题为：

P₃

问题P₃转化为如下问题：

P₄

P₄是一个凸问题，通过Matlab中的CVX工具包求解；

(3.2)无人机飞行轨迹优化子问题：

给定地面传感器节点的发射功率P，无人机的飞行轨迹Q的优化子问题为：

P₅

问题P₅转化为如下凸问题：

P₆

P₆是一个凸问题，通过Matlab中的CVX工具包求解。

8.根据权利要求7所述的一种基于NOMA的移动无人机数据采集方法，其特征在于，步骤(3)还包括：(3.3)基于NOMA的移动无人机数据采集算法：

初始化参数：设置初始参数地面传感器节点发射功率P⁰，无人机飞行轨迹Q⁰和松弛变量L⁰；此外，初始化参数：设置初始参数地面传感器节点发射功率P⁰，无人机飞行轨迹Q⁰和松弛变量L⁰；此外，设置算法迭代次数l＝0，系统允许误差δ＝0.001；

第一步：给定地面传感器节点发射功率P^l-1和无人机飞行轨迹Q^l-1，求解问题P₄以更新地面传感器节点的发射功率P^l；

第二步：给定地面传感器节点发射功率P^l，无人机飞行轨迹Q^l-1和松弛变量L^l-1求解问题P₆以更新无人机的飞行轨迹Q^l和松弛变量L^l；

第三步：设置算法迭代次数l＝l+1并转到第一步，直到目标函数的绝对值增量低于给定系统允许误差δ；最终输出最优的无人机轨迹和传感器的发射功率。

9.一种计算机系统，其特征在于，包括一个或多个处理器和一个或多个存储器，所述存储器存储计算机可执行指令，所述计算机可执行指令在被所述处理器执行时，实现根据权利要求2～8中任一项所述的方法。

10.一种计算机可读存储介质，所述存储器存储计算机可执行指令，所述计算机可执行指令在被处理器执行时，实现根据权利要求2～8中任一项所述的方法。

Images