CN116709238A - 一种多智能反射面辅助的无人机无线传感网数据收集方法 - Google Patents

一种多智能反射面辅助的无人机无线传感网数据收集方法 Download PDF

Info

Publication number
CN116709238A
CN116709238A CN202310687678.0A CN202310687678A CN116709238A CN 116709238 A CN116709238 A CN 116709238A CN 202310687678 A CN202310687678 A CN 202310687678A CN 116709238 A CN116709238 A CN 116709238A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
ris
time slot
representing
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
CN202310687678.0A
Other languages
English (en)
Inventor
多滨
李苗
邵明谦
罗俊松
宁进
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202310687678.0A priority Critical patent/CN116709238A/zh
Publication of CN116709238A publication Critical patent/CN116709238A/zh
Pending legal-status Critical Current

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
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明请求保护一种多智能反射面辅助的无人机无线传感网数据收集方法，属于无人机通信技术领域，包括以下步骤：设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率；为了解决非凸问题，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的迭代算法，通过引入松弛凸函数将其转化为可解的凸形，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解。实验证明本发明数据收集率得到显著提高。

Description

一种多智能反射面辅助的无人机无线传感网数据收集方法
技术领域
本发明属于无人机通信技术领域，具体属于一种多智能反射面辅助的无人机无线传感网数据收集方法。
背景技术
如今，大规模物联网(Internet of Thing,IoT)系统正在快速发展，数百万个传感器被集成到城市、车辆、工业制造等场景中，以提供智能生活[1]。无线传感器网络(Wireless Sensor Network,WSN)被认为是实现物联网不可或缺的一部分，并且已经在环境监测、交通、物流、农业种植等多种应用中发挥着关键作用[2-8].网络寿命是WSN设计中的一个重要指标，它提供足够的决策信息来维持预期的网络性能和服务质量[9]。在发送数据时，每个传感器节点不仅传输自己的传感器数据，还中继其他传感器节点的传感器数据。结果，传感器节点的电源可能会被快速消耗，导致它们脱离网络，严重影响无线传感器网络的通信质量和覆盖范围[10]。
由于无人机制造技术的进步，无人机已普遍应用于航拍、物流、应急救援、军事等诸多领域[11]。特别是在无线传感器网络中，无人机凭借其高机动性和高质量的视距(Line-of-Sight,LoS)通信链路等优势，可以为扩大无线覆盖范围、增强网络吞吐量和延长网络寿命提供有力帮助。
近年来，RIS作为一种能够重塑无线电信号传播环境的先进无线通信技术，受到了广泛关注。简而言之，RIS是由无数由电磁材料制成的被动反射单元组成的平面结构。每个单元都具有自主操纵入射信号的幅度和相位的能力[12]。通过在WSN中适当地利用RIS并智能调整其反射系数，可以灵活地重新配置发射器和接收器之间的信号环境，从而显著提高通信性能并降低功耗[13]。
根据现有研究，在WSN中应用无人机和RIS支持传感器信息的传输，可以提高WSN的通信服务质量，增加网络覆盖范围，延长网络生命周期。因此，很自然地想到可以将这两种技术结合起来应用到WSN中，进一步提高网络通信性能。然而，它们也给实际设计和应用带来了新的挑战，无人机在从地面传感器节点采集数据时，必须折衷地面传感器节点与RIS之间的无线信道增益，以达到最佳的数据通信速率。另外，RIS的反射系数也是影响反射链路信号质量的关键变量。
为了解决传统无人机辅助无线传感器网络中无线信号传播环境差、无线网络覆盖范围有限、无线通信信号强度低的问题，作者在[14]中考虑了一种支持RIS辅助无人机的无线传感器网络来有效收集来自多个传感器节点的消息，并基于逐次凸近似(SCA)和块坐标下降(Block Coordinate Descent,BCD)联合优化RIS相移和无人机轨迹。结果显示了提高通信系统性能的有效性。文献[15]使用RIS来帮助无人机减轻阻塞造成的不利影响，并确保传输新鲜和最新的信息。由于混合整数非凸问题，作者提出了一种基于软演员评论家(SoftActor Critic,SAC)的深度强化学习算法来学习无人机轨迹和传感器节点通信调度，并使用交替优化(Alternating Optimization,AO)算法解决RIS相位优化，结果证明，即使在无人机与地面通信受阻的情况下，也能有效保持数据新鲜度，平均信息年龄(Age ofInformation,AoI)性能也有显着提升。[16]联合优化了无人机的部署和轨迹，为了解决混合整数非凸问题，作者使用弹性环自组织映射(Elastic Ring Self-Organizing Map,ERSOM)和自适应鲸鱼优化算法(Adaptive Whale Optimization Algorithm,AWOA)来改进无人机的部署和轨迹。结果显示了框架的稳定性和鲁棒性。在[17]中，由于RIS阶段、传感器节点通信调度和无人机轨迹，优化问题具有挑战性，作者使用近端策略优化(ProximalPolicy Optimization,PPO)来开发无人机通信调度，并使用BCD来解决RIS阶段，这最大化了传感器节点的总数并显着提高了无人机的能量效率。文献[18]提出了一种在城市环境中使用概率LoS信道的RIS辅助无人机启用WSN，并联合设计了通信调度、无人机轨迹和RIS相移。由于非凸问题，通过使用SCA、AO和半定松弛(SDR)可以获得次优解。仿真结果表明了仰角-距离权衡对于支持RIS辅助无人机的WSN的重要性。
尽管一些相关工作考虑了RIS辅助的无人机WSN，但仍然存在一些局限性和挑战：
1)基于自由空间损失模型的不准确的视距信道模型(LoS Channel Model，LCM)，忽略了小尺度衰落、阴影衰落和障碍物阻挡的实际影响，使其更适用于没有高大障碍物的场景，如农村地区和草原；
2)地面传感器节点与无人机之间的通信在市区总是会被高楼等障碍物阻挡，造成非视距(Non-LoS,NLoS)通信链路。目前的二维无人机轨迹设计无法充分发挥无人机在空间飞行的自由度，无法与地面部署的RIS集成，挖掘其有效提升通信性能的能力；
3)支持无人机的WSN中，传感器分布部署范围广，仅部署一个RIS无法覆盖所有传感器，提高通信传输性能，降低传感器功耗。多个RIS的部署有望显着提高支持无人机的WSN系统的性能。然而，多个RIS的相移参数设置与无人机的3D航迹高度相关，因此它们的联合设计解决起来比较复杂。
基于上述局限性，针对单个智能反射器只能为其附近的传感器节点提供有效反射增益，且无人机飞行高度固定，导致无人机权衡时缺乏自由度的问题仰角-距离，本文设计了一个多RIS辅助无人机使能的WSN数据采集和通信系统，通过联合优化传感器节点的通信调度，最大化最小平均数据采集率，多相移系数RIS，以及无人机3D轨迹。然而，由于多RIS的相移矩阵与无人机三维轨迹之间的深度耦合，约束中存在复杂的非凸函数，难以解决构造的优化问题。为此，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的高效迭代算法，通过引入松弛凸函数将其转化为可解的凸形，并应用AO算法、SDR和SCA技术求解其高-质量次优的解决方案。仿真结果验证了本文提出的算法具有显着的数据采集效果，更好地平衡了仰角-距离，有效调整了无人机3D轨迹。这也证明了多RIS的部署可以带来更好的性能。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种多智能反射面辅助的无人机无线传感网数据收集方法。本发明的技术方案如下：
一种多智能反射面辅助的无人机无线传感网数据收集方法，其包括以下步骤：
设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；
通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率；
为了解决非凸问题，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的迭代算法，通过引入松弛凸函数将其转化为可解的凸形，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解。
进一步的，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解，具体包括：
传感器节点通信调度优化设计、无人机水平轨迹优化、无人机垂直轨迹优化。
本发明的优点及有益效果如下：
本发明针对单个RIS只能为其附近的传感器节点提供有效反射增益，以及无人机高度被限制在固定高度，导致无人机在仰角-距离之间权衡时受限的问题。我们构建了一个多RIS辅助的无人机3D轨迹规划的无线传感器网络数据收集和通信系统。通过联合优化多RIS的相移系数、传感器节点通信调度和无人机3D轨迹，使所有传感器节点之间的最小平均数据采集率最大化。在多RIS辅助的城市环境中，PLCM下的仰角-距离权衡可以有效调整无人机3D轨迹，以获得无人机在RIS和传感器节点之间的最佳权衡。特别地，当给定一定数量的反射单元并分配给多个RIS时，数据收集率得到显著提高。仿真结果表明，与其他基准方案相比，我们提出的算法有效地提高了数据收集性能，表明了多RIS辅助无人机支持的无线传感器网络3D轨迹数据收集和通信系统的必要性和重要性。
针对单智能反射面只能给其附近的传感器节点提供有效的反射增益，以及无人机的飞行高度被限制在固定的高度上导致无人机应对仰角-距离之间的权衡问题时缺少了一个自由度而变得有所限制的问题，本发明构建了多智能反射面辅助的无人机3D轨迹规划设计的无线传感器网络数据收集通信系统方案。其中，部署了多个智能反射面辅助无人机与地面传感器节点之间的通信。通过联合优化传感器节点通信调度、多智能反射面相位反射系数以及无人机3D轨迹，实现最大化最小平均数据收集速率。然而，由于多智能反射面的相移矩阵和无人机3D轨迹深度耦合以及约束中存在log(1+sum)形式的复杂非凸函数，所构建的优化问题难以求解。因此，本发明提出了一种联合3D轨迹设计和被动波束赋形设计的无人机数据收集的高效迭代算法，通过引入了一个log(1+sum)的松弛凸函数将其转化为可解的凸形式，并应用AO算法、SDR技术以及SCA技术求解出其高质量次优解。仿真结果再次验证了本发明提出的算法有着显著的数据收集性能，同时也证明了多智能反射面和无人机3D轨迹规划设计的现实意义。
附图说明
图1是本发明提供优选实施例多RIS辅助的无人机无线传感器网络示意图；
图2是最大化最小速率与迭代次数关系图；
图3是不同方案下的无人机轨迹对比图；
图4是不同方案下的最大化最小速率和飞行任务时间的关系对比图；
图5是不同RIS数量下的无人机3D轨迹对比图；
图6是不同智能反射面数量下的最大化最小速率与时间的关系对比图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
系统模型
本文考虑了城市环境中的多RIS辅助无人机WSN。我们使用无人机在执行任务期间从多个地面传感器收集传感信息。为了高效、全面地服务于所有地面传感器，加强无人机的数据采集率，放置RIS辅助地空传输，如图1所示。
我们设计了一个3D笛卡尔坐标系，其中传感器节点位于水平地面上，它们的水平坐标表示为此外，RIS安装在固定高度zR，对应的水平坐标表示为每个RIS具有M＝Mrow×Mcol可调相位的无源反射单元。
无人机3D轨迹模型
假设无人机在不同的时间间隔与地面传感器节点通信进行数据采集，将无人机飞行任务时间T离散成间隔为δt的N等份足够小的时隙，即T＝δtN，离散时隙集合表示为因此，无人机的3D轨迹记为其中q[n]＝[x[n],y[n]]T表示无人机在时隙n内的水平轨迹坐标，Z_n表示无人机在时隙内的垂直轨迹坐标。进行周期性的数据采集，完成本次任务后无人机将飞回原位等待下一次。因此，无人机活动受到以下约束:
q[N]＝q[1] (1)
z[N]＝z[1] (2)
其中，q[1]和z[1]表示无人机的初始水平和垂直坐标，Sxy＝Vxyδt和Sz＝Vzδt描述了无人机在n时隙内的最大水平和垂直距离，Vxy和Vz分别表示无人机的最大水平和垂直速度，Hmin和Hmax分别表示无人机的最小和最大高度。
信道模型
由于简化的视距信道模型不能准确描述市区的阴影衰落和路径损耗，我们使用概率视距信道模型(Probabilistic LoS Channel Model,PLCM)来表示地面传感器和无人机之间的信道。因此，地面传感器与无人机在第n个时隙的LoS概率定义为
式中，C1和C2取决于环境参数，以及
表示传感器节点k与无人机之间的仰角。对应地，在第n时隙时地面传感器节点k与无人机之间的NLoS概率可以表示为
由此，在第n时隙时地面传感器节点k与无人机之间的信道增益表示为
式中，表示在时隙n时传感器节点k与无人机之间的距离，和分别表示LoS和NLoS状态的路径衰减指数因子，以及ρ0和μ＜1分别表示平均信道增益和NLoS状态下的额外信号衰减系数。
对于每个地面传感器与不同RIS之间的通信链路，我们假设它们遵循瑞利衰落，则n时隙处传感器节点k与RIS之间的信道增益表示为
式中,表示地面传感器节点k与RIS之间的距离，表示为具有零均值和单位方差的环形对称复数高斯(Circularly Symmetric Complex Gaussian,CSCG)随机变量，以及κ表示瑞利衰落的路径衰落指数因子。因此，传感器节点k与智能反射面之间的信道模型的构建如下所见
式中，d和λ分别表示智能反射面的反射单元之间的间距和信号载波波长，以及和其中φkr和分别表示为在时隙n时地面传感器节点k和智能反射面之间的信号到达方位角和仰角(Angles of Arrival,AoA)。
RISs和无人机之间的地面通信链路，我们也采用PLCM，其LoS概率表示为
式中，ψrU[n]是第n时隙时智能反射面与无人机之间仰角表示为
类似地，其NLoS概率如下
因此，在LoS状态下的第n时隙的RIS与无人机之间的信道模型为
式中，表示第n时隙时的智能反射面与无人机之间距离，表示该信道中的LoS状态下的路径衰落指数因子，以及
其中 andφrU[n]，分别表示为在时隙n时智能反射面和无人机之间的信号离开(Angles of Departure，AoD)方位角和仰角。由于NLoS状态下的多径衰落效应，则在NLoS状态下智能反射面与无人机之间的信道模型被建模为
式中，表示该信道中的NLoS状态下的路径衰落指数因子，以及表示为CSCG随机向量。
数据收集模型
对于地面传感器和无人机之间的通信，我们使用时分多址(Time DivisionMultiple Access,TDMA)协议，它满足以下约束：
当ak[n]＝1，则传感器节点k在该时隙与无人机进行通信，否则ak[n]＝0。RIS在该时隙的对角相移矩阵定义为
其中和分别表示RIS的第m个单元的反射相位和反射幅度系数。为了获得最大反射振幅增益，我们让由于路径损耗较大，仅考虑第一次被RIS反射的信号，而忽略两次或更多次反射的信号[19]。因此，对于LoS和NLoS状态,第n个时隙中无人机数据收集的可达通信速率(bps/Hz)如下
其中，C＝fo1…oR表示本次序列，其状态组合的个数为2R+1。γ0＝P/σ2中σ2为接收机的AWGN功率，P表示传感器节点的最大发射功率。
因此，在时隙的LoS和NLoS中，传感器节点k与UAV之间的期望可达现速率可计算为
问题描述
通过联合优化通信调度多RIS相移无人机水平轨迹和无人机垂直轨迹我们的目标是最大化最小平均数据收集率，公式如下,
(1)-(5),(7),(13),(18),(19)
虽然约束(1)-(5)、(18)、(25)是凸的，但是优化问题很难求解，原因如下：1)优化问题(23)对于A,Θ,Q和Z不是共同凸的；2)等式(24)是一个高度复杂的约束，包括RIS相移Θ，(6)和(12)的LoS概率，以及LoS和NLoS状态下的可达速率，它们与Q和Z相关；3)等式(7)和(13)是非仿射的；4)RIS相移矩阵Θ的主对角元素为单位模量约束；5)方程(18)和(19)导致问题(23)是一个混合整数优化问题。
基于上述，问题(23)是一个复杂的非凸优化问题，包括多RISs相位和无人机3D轨迹的优化。因此，下面提出一种算法来解决这个难点。
提出的解决方案
这部分提出了一种基于AO、SDR和SCA技术的高效迭代算法来求解问题(23)的次优解。
传感器节点通信调度优化设计
给定任意可行的Θ,Q和Z,(19)中的二进制变量ak[n]可以松弛为连续变量,问题(23)可以表示为
(18),(24)
经过这样的转换，问题(26)是一个标准的线性规划问题，通过使用CVX，它被有效地解决了[20]。
多智能反射面相移矩阵优化设计
给定问题(26)的A和任意可行的Q和Z，RIS相移矩阵Θ的优化问题重构为
然而，问题(28)是一个多变量非凸优化问题，求解起来很有挑战性。为此，引入基于AO技术的局部交替优化算法对其进行求解。我们分解Θ为不同的RIS相移矩阵变量，由给出。由于不同的Θr是相互独立的，没有耦合，优化问题(28)等价于解决单个RIS的优化问题。
因此，问题(28)可以重新表述为
其中 和
因此，优化问题(29)是一个标准的半定规划(SDP)问题，所以我们使用CVX来获得最优解。一般来说，松弛优化问题(29)可能得不到秩等于1的解，这意味着它的最优解只是一个上界。因此，我们使用高斯随机化方法从高秩Ξ[n]构建ξ[n][21]。
无人机水平轨迹优化
给定问题(26)A、从问题(29)求出的Θ和任意可行的Z，无人机水平轨迹优化问题表示为
由于解决问题(33)的困难，我们引入如下松弛变换[22]：
αlogz+β≤log(1+z) (34)
在上述式子中，只有当z＝z0时，上述不等式是严格紧缩的，以及近似常量α和β表示未
通常，任何导致凸松弛的下界都是一个合适的候补选择。但是，并非所有下限都具有相同的效果。更严格的下界可以加速原始非凸问题[22]的Karush-Kuhn-Tucker(KKT)点的收敛。
根据(34)可得的缩放下界形式
其中，α[n]和β[n]表示为
其中
同样地，(21)的下界表示为
其中
为了求解式(16)中的复杂非凸变量利用第(l-1)次迭代轨迹对第l次迭代的轨迹进行逼近，得到近似那么，SC[n]可以重构为
其中and
进一步，可以被定义为
其中
gL[n]＝1+c1exp(-c2(ψkU[n]-c1)) (44)
因此,(33)可以重新构建为
(1),(3),(7),(13)
通过引入松弛变量和优化问题(48)被重构为
(1),(3),(49)
式中，和表示仰角相关的辅助变量,以及表示速率相关的辅助变量。
由于(51)、(53)和(58)-(61)是非凸的，问题(50)仍然很难解决。因此，下面将这些非凸约束转化为凸约束。
利用对数函数的单调性，式(51)可以转化为
尽管(64)仍然是非凸的，但它左边的每一项及其对应的变量都是凹的。因此，对于局部点以及在第l次迭代时，使用一阶泰勒展开可以得到它们对应的上界，如下：
注意由于A0＞0,Ar0＞0,x＞0和yr＞0,是凸的，因此使用SCA技术来近似(53)以获得其下界。通过局部点和的一阶泰勒展开，即
其中，
由于(58)和(60)的右项分别关于||q[n]-wk||和||q[n]-wr||是凸的，而(59)和(61)的右项关于q[n]是凹的，在局部点处使用一阶泰勒展开，可以得到以下约束变换
式中， 以及
同理，在局部点和对u2[n]and v2[n]进行一阶泰勒展开
-u2[n]≤(ul[n])2-2ul[n]u[n] (74)
-v2[n]≤(vl[n])2-2vl[n]v[n] (75)
由此，问题(50)可以被转化为下面一个如下凸问题
(1),(3),(49),(54)-(57),(65),(66),(70)-(73)
问题(83)是一个标准的凸优化问题，可以使用CVX工具进行有效求解。
无人机垂直轨迹优化
给定从问题(83)求解出来的A,Θ,Q,无人机垂直轨迹Z的优化问题可以被构建为
s.t.(2),(4),(5),(7),(13),(24)
由于该问题与无人机水平轨迹优化问题(83)具有相似的形式，因此遵循该过程，可以解决该无人机垂直轨迹优化问题。限于篇幅，我们省略这部分推导。
算法总结
基于以上推导，通过交替求解四个子问题，可以迭代求解问题(23)的次优解。算法1总结了整个算法，如下所示。
此外，算法1使用CVX工具求解，所以四个子问题的复杂度分别为 那么，算法1的总体复杂度就为并且，由于问题(23)目标函数的非递减特性，算法1的收敛性得到了有效的保证。
数值仿真结果
为了验证所提出的基于PLCM下多RIS和无人机3D轨迹联合设计的数据收集系统(标记为JT&mRIS-PLCM)，我们将其与以下基准方案进行比较：
(1)基于视距信道模型的多RIS与无人机3D航迹联合设计方案(标记为JT&mRIS-LCM)；
(2)基于PLCM的多RIS与无人机水平轨迹联合设计方案，其中无人机的高度固定为最低高度(标记为J(2D)T&mRIS-PLCM)；
(3)基于PLCM的无人机3D轨迹联合设计方案，无RIS辅助通信(标记为T/RIS-PLCM)。
我们在模拟中考虑一个200×300m2 r矩形区域，其中随机部署K＝4个地面传感器。表1列出了其他主要仿真参数。
表1仿真参数
我们考虑算法1在不同T下的收敛性能，如图2所示。最大最小速率随着迭代次数的增加而增大，直到在大约25次迭代后收敛。此外，随着T增加，最大化最小速率的性能有显着改善，因为无人机可以获得与每个传感器节点更长的通信时间。
图3比较了T＝120，R＝3和M＝500时无人机在不同场景下的轨迹。在T/RIS-PLCM中，无人机将飞向每个传感器并悬停在其最低高度。其原因在于它不仅可以保持无人机与传感器节点之间的最大仰角以增加LoS概率，还可以减少路径衰落损失。在不考虑仰角的情况下，在JT&mRIS-LCM方案中，无人机以最低高度靠近RIS飞行或悬停在传感器节点和RIS之间的某个位置。其原因是无人机在最低高度飞行时，传感器节点与无人机之间的路径损耗可以保持最小。此外，由于RIS可以提供级联信道增益，无人机将悬停在最佳悬停位置以同时从直接传输链路和级联信道获得增益。与JT&mRIS-LCM方案相比，在J(2D)T&mRIS-PLCM中，无人机悬停距离RIS非常近，原因是RIS与无人机之间的反射通道增益更占优势，无人机盘旋在RIS上方RIS可以与RIS实现最大仰角和最短路径，从而获得更好的通信质量。对于JT&mRIS-PLCM方案，如图3(b)所示，无人机充分利用了3D空间的自由度，更加灵活地调整了自己的垂直轨迹，在仰角和距离之间做出了权衡，从而显着提高性能。
图4描述了不同方案下不同T最大最小速率的比较。如图4所示，提出的JT&mRIS-PLCM方案优于其他基准场景。具体来说，JT&mRIS-LCM方案的数据采集率最差，这意味着在多RIS辅助无人机WSN中，采用更准确的信道模型具有实际意义。J(2D)T&mRIS-PLCM方案优于T/RIS-PLCM方案，表明RISs可以为无人机数据采集提供重要的辅助。最后，JT&mRIS-PLCM方案比J(2D)T&mRIS-PLCM方案具有更好的性能。原因是(3D)Multi-RIS-PLCM方案可以更好地权衡仰角和距离，从而提高无人机与传感器节点之间的通信质量。
图5为JT&mRIS-PLCM方案下T＝120s和M＝500s时不同RIS数量的无人机3D轨迹对比。当RIS数量增加时，无人机高度会发生显著变化。这是因为，当RIS数量较少时，无人机不需要频繁改变高度来实现最佳仰角-距离权衡。但随着RIS数量的增加，无人机需要更有效地调整轨迹和高度，以提高多RIS带来的仰角-距离权衡下的数据采集率性能，如图6所示。
结论
本文针对单个RIS只能为其附近的传感器节点提供有效反射增益，以及无人机高度被限制在固定高度，导致无人机在仰角-距离之间权衡时受限的问题。我们构建了一个多RIS辅助的无人机3D轨迹规划的无线传感器网络数据收集和通信系统。通过联合优化多RIS的相移系数、传感器节点通信调度和无人机3D轨迹，使所有传感器节点之间的最小平均数据采集率最大化。在多RIS辅助的城市环境中，PLCM下的仰角-距离权衡可以有效调整无人机3D轨迹，以获得无人机在RIS和传感器节点之间的最佳权衡。特别地，当给定一定数量的反射单元并分配给多个RIS时，数据收集率得到显著提高。仿真结果表明，与其他基准方案相比，我们提出的算法有效地提高了数据收集性能，表明了多RIS辅助无人机支持的无线传感器网络3D轨迹数据收集和通信系统的必要性和重要性。
参考文献
[1]Zhang L,Liang Y C,Niyato D.6G Visions:Mobile Ultra-Broadband,SuperInternet-of-Things,and Artificial Intelligence[J].China Communications,2019,16(8):14.
[2]Kageyama T,Miura M,Maeda A,et al.Improvement of the Sensor Nodefor Wireless Sensor Network System to Monitor Natural Water Quality[C].2018IEEE 13th Annual International Conference on Nano/Micro Engineered andMolecular Systems(NEMS),Singapore,2018:553-556.
[3]Sofwan A,Ridho M,Goni A.Wireless Sensor Network Design forLandslide Warning System in IoT Architecture[C].2017 4th InternationalConference on Information Technology,Computer,and Electrical Engineering(ICITACEE),Semarang,Indonesia,2017:280-283.
[4]Elmrini A,Amrani A G.Wireless Sensors Network for TrafficSurveillance and Management in Smart Cities[C].2018IEEE 5th InternationalCongress on Information Science and Technology(CiSt),Marrakech,Morocco,2018:562-566.
[5]Yang L,Zhang L.Logistics Tracking Management System based onWireless Sensor Network[C].2018 14th International Conference onComputational Intelligence and Security(CIS),Hangzhou,China,2018:473-475.
[6]Palazzi V,Gelati F,Vaglioni U,et al.Leaf-compatible AutonomousRFID-based Wireless Temperature Sensors for Precision Agriculture[C].2019IEEE topical conference on wireless sensors and sensor networks(WiSNet),Orlando,FL,
USA,2019:1-4.
[7]Madhumathi R,Arumuganathan T,Shruthi R.Soil NPK and MoistureAnalysis using Wireless Sensor Networks[C].2020 11th International Conferenceon Computing,Communication and Networking Technologies(ICCCNT),
Kharagpur,India,2020:1-6.
[8]Liu J,Zhao Z,Ji J,et al.Research and Application of WirelessSensor Network Technology in Power Transmission and Distribution System[J].Intelligent and Converged Networks,2020,1(2):199-220.
[9]Yetgin H,Cheung KT K,El-Hajjar M,et al.A Survey of NetworkLifetime Maximization Techniques in WSNs[J].IEEE Communications Surveys&
Tutorials,2017,19(2):828-854.
[10]Gong J,Chang T H,Shen C,et al.Flight Time Minimization of UAV forData Collection over Wireless Sensor Networks[J].IEEE Journal on SelectedAreas in Communications,2018,36(9):1942-1954.
[11]Zeng Y,Wu Q,Zhang R.Accessing from the Sky:A Tutorial on UAVCommunications for 5G and Beyond[J].Proceedings of the IEEE,2019,
107(12):2327-2375.
[12]Wu Q,Zhang R.Towards Smart and Reconfigurable Environment:Intelligent Reflecting Surface Aided Wireless Network[J].IEEE CommunicationsMagazine,2020,58(1):106-112.
[13]Wu Q,Zhang S,Zheng B,et al.Intelligent Reflecting Surface-AidedWireless Communications:A Tutorial[J].IEEE Transactions on Communications,2021,
69(5):3313-3351.
[14]You C,Kang Z,Zeng Y,et al.Enabling Smart Reflection in IntegratedAir-Ground Wireless Network:IRS Meets UAV[J].IEEE Wireless Communications,2021,28(6):138-144.
[15]Fan X,Liu M,Chen Y,et al.RIS-Assisted UAV for Fresh DataCollection in 3D Urban Environments:A Deep Reinforcement Learning Approach[J].IEEE Transactions on Vehicular Technology,2023,72(1):632-647.
[16]Dong L,Liu Z,Jiang F,et al.Joint Optimization of Deployment andTrajectory in UAV and IRS-Assisted IoT Data Collection System[J].IEEEInternet of Things Journal,2022,9(21):21583-21593.
[17]Al-Hilo A,Samir M,Elhattab M,et al.RIS-Assisted UAV for TimelyData Collection in IoT Networks[J].IEEE Systems Journal,2023,17(1):431-442.
[18]Shao M,Liul Y,Duo B,et al.Joint Passive Beamforming and ElevationAngle-Dependent Trajectory Design for RIS-aided UAV-enabled Wireless SensorNetworks[C]//2022 19th Annual IEEE International Conference on Sensing,Communication,and Networking(SECON).IEEE,2022:488-496.
[19]Wu Q,Zhang S,Zheng B,et al.Intelligent Reflecting Surface-AidedWireless Communica-tions:A Tutorial[J].IEEE Transactions on Communications,2021,69(5):3313-3351.
[20]Grant M,Boyd S.CVX:Matlab Software for Disciplined ConvexProgramming,version 2.2[EB/OL].2020.http://cvxr.com/cvx.
[21]Wu Q,Zhang R.Intelligent Reflecting Surface Enhanced WirelessNetwork via Joint Active and Passive Beamforming[J].IEEE Transactions onWireless Communications,2019,18(11):5394–5409.
[22]Papandriopoulos J,Evans J S.SCALE:A Low-Complexity DistributedProtocol for Spectrum Balancing in Multiuser DSL Networks[J].IEEETransactions on Information Theory,2009,55(8):3711-3724.
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，包括以下步骤：
设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；
通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率；
为了解决非凸问题，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的迭代算法，通过引入松弛凸函数将其转化为可解的凸形，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解。
2.根据权利要求1所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述设计3D笛卡尔坐标系具体包括：传感器节点k位于水平地面上，它们的水平坐标表示为K表示地面传感器节点总数且K≥1，、表示在包含地面所有传感器节点的一个集合，元素包括地面从1到K的K个节点，k表示集合中任意的一个传感器节点，此外，RIS安装在固定高度zR，RIS上对应的反射单元r水平坐标表示为 被定义为包含RIS中所有反射单元的集合，元素包括1到R的R个反射单元，R表示RIS中反射单元的个数，r表示集合中任意的一个反射单元，每个RIS具有M＝Mrow×Mcol可调相位的无源反射单元。Mrow、Mcol分别RIS中横向和纵向排列的反射单元个数。
3.根据权利要求2所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述设计无人机3D轨迹模型具体包括：
假设无人机在不同的时间间隔与地面传感器节点通信进行数据采集，将无人机飞行任务时间T离散成间隔为δt的N等份足够小的时隙，即T＝δtN，离散时隙集合表示为因此，无人机的3D轨迹记为其中q[n]＝[x[n],y[n]]T表示无人机在时隙n内的水平轨迹坐标，Z_n表示无人机在时隙内的垂直轨迹坐标，进行周期性的数据采集，完成本次任务后无人机将飞回原位等待下一次，因此，无人机活动受到以下约束:
q[N]＝q[1] (1)
z[N]＝z[1] (2)
其中，q[1]和z[1]表示无人机的初始水平和垂直坐标，q[N]无人机在第N个时隙的水平、z[N]表示无人机在第N个时隙的垂直坐标，Sxy＝Vxyδt和Sz＝Vzδt描述了无人机在n时隙内的最大水平和垂直距离，Vxy和Vz分别表示无人机的最大水平和垂直速度，Hmin和Hmax分别表示无人机的最小和最大高度。
4.根据权利要求3所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述用概率视距信道模型PLCM来表示地面传感器和无人机之间的信道，因此，地面传感器与无人机在第n个时隙的LoS概率定义为
式中，c1、c2取决于环境参数，以及
表示传感器节点k与无人机之间的仰角，对应地，在第n时隙时地面传感器节点k与无人机之间的NLoS概率可以表示为
由此，在第n时隙时地面传感器节点k与无人机之间的信道增益表示为
式中，表示在时隙n时传感器节点k与无人机之间的距离，和分别表示LoS和NLoS状态的路径衰减指数因子，以及ρ0和μ＜1分别表示平均信道增益和NLoS状态下的额外信号衰减系数；
对于每个地面传感器与不同RIS之间的通信链路，假设它们遵循瑞利衰落，则n时隙处传感器节点k与RIS之间的信道增益表示为
式中,表示地面传感器节点k与RIS之间的距离，表示为具有零均值和单位方差的环形对称复数高斯CSCG随机变量，以及κ表示瑞利衰落的路径衰落指数因子；因此，传感器节点k与智能反射面之间的信道模型的构建如下所见
式中，d和λ分别表示智能反射面的反射单元之间的间距和信号载波波长，以及和其中φkr和分别表示为在时隙n时地面传感器节点k和智能反射面之间的信号到达方位角和仰角AoA；
RISs和无人机之间的地面通信链路，也采用PLCM，其LoS概率表示为
式中，ψrU[n]是第n时隙时智能反射面与无人机之间仰角表示为
类似地，其NLoS概率如下
因此，在LoS状态下的第n时隙的RIS与无人机之间的信道模型为
式中，表示第n时隙时的智能反射面与无人机之间距离，表示该信道中的LoS状态下的路径衰落指数因子，以及
其中 分别表示为在时隙n时智能反射面和无人机之间的信号离开(Angles of Departure，AoD)方位角和仰角，由于NLoS状态下的多径衰落效应，则在NLoS状态下智能反射面与无人机之间的信道模型被建模为
式中，表示该信道中的NLoS状态下的路径衰落指数因子，以及表示为CSCG随机向量。
5.根据权利要求4所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，对于地面传感器和无人机之间的通信，使用时分多址TDMA协议，它满足以下约束：
当ak[n]＝1，则传感器节点k在该时隙与无人机进行通信，否则ak[n]＝0。RIS在该时隙的对角相移矩阵定义为
其中和分别表示RIS的第m个单元的反射相位和反射幅度系数。为了获得最大反射振幅增益，让由于路径损耗较大，仅考虑第一次被RIS反射的信号，而忽略两次或更多次反射的信号，因此，对于LoS和NLoS状态,第n个时隙中无人机数据收集的可达通信速率如下
其中，C＝fo1…oR表示本次序列，其状态组合的个数为2R+1；γ0＝P/σ2中σ2为接收机的AWGN功率，P表示传感器节点的最大发射功率；
因此，在时隙的LoS和NLoS中，传感器节点k与UAV之间的期望可达现速率可计算为
6.根据权利要求5所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率，具体包括：
通过联合优化通信调度多RIS相移无人机水平轨迹和无人机垂直轨迹目标是最大化最小平均数据收集率，公式如下,
。
7.根据权利要求6所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解，具体包括：
传感器节点通信调度优化设计、无人机水平轨迹优化、无人机垂直轨迹优化。
CN202310687678.0A 2023-06-12 2023-06-12 一种多智能反射面辅助的无人机无线传感网数据收集方法 Pending CN116709238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310687678.0A CN116709238A (zh) 2023-06-12 2023-06-12 一种多智能反射面辅助的无人机无线传感网数据收集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310687678.0A CN116709238A (zh) 2023-06-12 2023-06-12 一种多智能反射面辅助的无人机无线传感网数据收集方法

Publications (1)

Publication Number Publication Date
CN116709238A true CN116709238A (zh) 2023-09-05

Family

ID=87825235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310687678.0A Pending CN116709238A (zh) 2023-06-12 2023-06-12 一种多智能反射面辅助的无人机无线传感网数据收集方法

Country Status (1)

Country Link
CN (1) CN116709238A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878520A (zh) * 2023-09-06 2023-10-13 北京邮电大学 一种无人机路径规划方法
CN118019029A (zh) * 2024-01-31 2024-05-10 中国人民解放军陆军工程大学 一种基于无人机搭载智能反射面辅助通信的信息年龄优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116878520A (zh) * 2023-09-06 2023-10-13 北京邮电大学 一种无人机路径规划方法
CN116878520B (zh) * 2023-09-06 2024-01-26 北京邮电大学 一种无人机路径规划方法
CN118019029A (zh) * 2024-01-31 2024-05-10 中国人民解放军陆军工程大学 一种基于无人机搭载智能反射面辅助通信的信息年龄优化方法

Similar Documents

Publication Publication Date Title
Ge et al. Joint beamforming and trajectory optimization for intelligent reflecting surfaces-assisted UAV communications
You et al. Hybrid offline-online design for UAV-enabled data harvesting in probabilistic LoS channels
Mei et al. 3D-trajectory and phase-shift design for RIS-assisted UAV systems using deep reinforcement learning
CN116709238A (zh) 一种多智能反射面辅助的无人机无线传感网数据收集方法
Das et al. Comprehensive review on ML-based RIS-enhanced IoT systems: basics, research progress and future challenges
Faisal et al. Machine learning approaches for reconfigurable intelligent surfaces: A survey
Zhao et al. RIS-aided ground-aerial NOMA communications: A distributionally robust DRL approach
Mohsan et al. Intelligent reflecting surfaces assisted UAV communications for massive networks: current trends, challenges, and research directions
Zhao et al. Energy-efficient trajectory design for secure SWIPT systems assisted by UAV-IRS
Fan et al. RIS-assisted UAV for fresh data collection in 3D urban environments: A deep reinforcement learning approach
Zhao et al. Joint trajectory and communication design for UAV-assisted symbiotic radio networks
CN114938498B (zh) 智能反射面辅助的无人机使能的无线传感网数据收集方法
Sun et al. Sidelobe control by node selection algorithm based on virtual linear array for collaborative beamforming in WSNs
Rolly et al. Unmanned aerial vehicles: Applications, techniques, and challenges as aerial base stations
Li et al. Multi-objective optimization for UAV swarm-assisted IoT with virtual antenna arrays
Zhang et al. Trajectory design for UAV-assisted emergency communications: A transfer learning approach
Xu et al. Joint power and trajectory optimization for IRS-aided master-auxiliary-UAV-powered IoT networks
Aboueleneen et al. Deep reinforcement learning for internet of drones networks: issues and research directions
Hariz et al. AI-based radio resource management and trajectory design for PD-NOMA communication in IRS-UAV assisted networks
Wu et al. Deep reinforcement learning-based energy efficiency optimization for RIS-aided integrated satellite-aerial-terrestrial relay networks
Ranjha et al. Quasi-optimization of resource allocation and positioning for solar-powered UAVs
Muy et al. Joint optimization of trajectory, beamforming, and power allocation in UAV-enabled WPT networks using DRL combined with water-filling algorithm
Hassan et al. SpaceRIS: LEO satellite coverage maximization in 6G sub-THz networks by MAPPO DRL and whale optimization
Gao et al. Dynamic role switching scheme with joint trajectory and power control for multi-UAV cooperative secure communication
Ye et al. Non-terrestrial communications assisted by reconfigurable intelligent surfaces

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