CN117053790A - 面向单天线无人机辅助通信飞行路线的规划方法 - Google Patents

面向单天线无人机辅助通信飞行路线的规划方法 Download PDF

Info

Publication number
CN117053790A
CN117053790A CN202310823729.8A CN202310823729A CN117053790A CN 117053790 A CN117053790 A CN 117053790A CN 202310823729 A CN202310823729 A CN 202310823729A CN 117053790 A CN117053790 A CN 117053790A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
auxiliary communication
internet
things
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
CN202310823729.8A
Other languages
English (en)
Inventor
邱小剑
阮杰
郑涛
张振
查中泉
何世东
杜翠凤
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.)
Jiangxi Military Civilian Integration Research Institute
Original Assignee
Jiangxi Military Civilian Integration Research Institute
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 Jiangxi Military Civilian Integration Research Institute filed Critical Jiangxi Military Civilian Integration Research Institute
Priority to CN202310823729.8A priority Critical patent/CN117053790A/zh
Publication of CN117053790A publication Critical patent/CN117053790A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及面向单天线无人机辅助通信飞行路线的规划方法，包括以下步骤：步骤S1，构建模型；步骤S2，确定无人机部署点；步骤S3，规划最短路径；本发明以QOS（服务质量）、无人机发射功率以及区域位置等约束构建了一个无人机位置部署点的目标函数和约束条件的的无人机辅助通信系统模型，并采用粒子群算法，计算部署所覆盖的范围，并不断在无人机辅助通信系统模型的约束和粒子群算法的计算之间迭代运算，确定无人机部署点，实现无人机部署点的快速寻优，最后采用TSP算法计算最短路径，从而实现飞行路线的规划；不仅能实现物联网节点覆盖率最大化，避免环境的动态变化的影响，相比贪心算法，节省了计算资源，减少无人机飞行的能耗，实现全方位部署。

Description

面向单天线无人机辅助通信飞行路线的规划方法
【技术领域】
本发明涉及无人机技术领域，特别是面向单天线无人机辅助通信飞行路线的规划方法。
【背景技术】
随着第五代移动通信技术(5G)的快速发展，信息通信网络正在从移动互联网逐步向万物互联的智慧物联网转变；与前几代无线通信系统相区别，5G通信系统的主要任务是将人与人之间的通信连接拓展到人与物，甚至物与物之间的相互通信，面向的主要应用场景也逐渐扩展到面向机器间通信的高可靠低时延通信和海量机器通信场景。因此，物联网作为5G系统的进一步网络延伸，“信息深度融合”特征鲜明。其中，利用物联网、移动互联网、北斗定位等新技术，应对防灾减灾、应急、海洋等领域需求，持续强化应急通信能力建设至关重要。借助北斗信息的定位技术，无人机“承上启下”的一层网络，可以从空中直接飞行至目标地点进行通信服务，因此，无人机在信号不佳地面物联网或较难部署区域(海洋物联网)，可以为缺少基础设施的地面或者海洋提供低成本网络覆盖。
虽然无人机作为通信中继，为通信功率较低、通信距离的物联网设备实现增强地面物联网网络的传输，改善地面物联网无线设备的连通性和覆盖范围，但是存在无人机的电池容量是有限的，为了保障地面物联网实现最大覆盖率的目标，同时又要满足物联网设备不同业务的QOS(服务质量)约束和无人机发射功率的约束，无人机在每一个区域部署位置难以确定等问题。
因此现有技术并不能满足我们的需要。
【发明内容】
为解决上述问题，本发明提供一种密封效果好的面向单天线无人机辅助通信飞行路线的规划方法。
为实现上述目的，本发明提供如下技术方案：
面向单天线无人机辅助通信飞行路线的规划方法，包括以下步骤：
步骤S1，构建模型：通过加入若干个约束构建一个实现选择的无人机部署点所覆盖的范围最大化的无人机辅助通信系统模型；
步骤S2，确定无人机部署点：在无人机辅助通信系统模型的约束以及采用粒子群算法计算覆盖的范围的方式之间不断的迭代运算，从而确定无人机部署点；
步骤S3，规划最短路径：采用TSP算法计算出从起点出发并经过若干个无人机部署点，最后回到起点的最短路径。
作为优选实施方式，进一步限定为：步骤S1中的约束条件包括信号强度、位置范围、传输速率、信噪比。
作为优选实施方式，进一步限定为：信号强度的约束包括信号覆盖范围，信号覆盖范围采用路径损耗表示，路径损耗的约束条件为：
其中，L(h,r[ik,l])为平均路径损耗(有用信号功率)；
为业务类型的损耗门限；
l为区域数量，l＝1,2，…,L；
(x[ik,l],y[ik,l])为物联网节点的位置；
i为物联网传感器,i＝1,2,3,…,uk；
k为业务种类，k＝1,2,…,m。
作为优选实施方式，进一步限定为：平均路径损耗L(h,r[ik,l])的计算包括以下步骤:
S11,计算无人机发射无线信号的视距路径损耗和非视距路径损耗:
其中，fc为载波频率，
d[ik,l]是无人机与物联网节点的距离，
(xD,yD,h)为无人机位置，
ηLoS和ηNLoS为信号传输的额外损失。
S12,计算无人机到物联网节点视距路径的连接概率：
其中，θ[ik,l]为区域l无人机到物联网节点的仰角，与高度和无人机到物理节点的平面距离有关，
b、b是常数；
S13,计算无人机到物联网节点非视距路径的连接概率：
PNLoS＝1-PLoS
S14,获取无人机到物联网节点视距路径和非视距路径的平均损耗的计算方式：
L(h,r[ik,l])＝PLoSLLoS+PNLoSLNLoS (公式4)
S15,计算无人机到物联网节点视距路径和非视距路径的平均损耗：
作为优选实施方式，进一步限定为：信号强度的约束还包括无人机覆盖范围的有用信号功率，有用信号功率约束条件为：
其中，Pt是无人机的发射功率，
Pn是环境噪音功率，单位为dB，
γ(h,r[ik,l])为有用信号功率门限值，单位为dB，
为业务类型的损耗门。
作为优选实施方式，进一步限定为：位置范围约束为：
xmin≤x[ik,l]≤xmax (公式9)
ymin≤y[ik,l]≤ymax (公式10)。
作为优选实施方式，进一步限定为：传输速率约束为：
其中，表示第k中业务的最低速率阈值，
Pn是环境噪音功率，单位为dB。
作为优选实施方式，进一步限定为：无人机辅助通信系统模型表示为：
其中，为无人机最优的高度，
为部署位置点，
为无人机覆盖半径，
θ*为无人机最优仰角，
u[ik,l]为接收到无人机信号的传感器数量，
u[ik,l]∈(0,1)为第l个区域，是一个0-1变量。
作为优选实施方式，进一步限定为：步骤S2中确定无人机部署点过程包括：
S21，将所需覆盖的区域划分为若干个立方体；
S22，计算粒子的更新速度：
其中，xj＝(xj1,xj2,...,xjD)，yj＝(yj1,yj2,...,yjD)，hj＝(hj1,hj2,...,hjD)为粒子j的位置，
XjD＝(xjD,yjD,yjD)表示第j个粒子放置在第D个立方体中，
vj＝(vj1,vj2,...,vjD)为粒子速度，
c1、c2、c3表示一个自我学习因子，且为常数，
W为惯性系数，且为常数，
为第j个粒子搜索的最优位置，
xglobe(t)、yglobe(t)、hglobe(t)为群体搜索的最优位置，
rand()为在[0,1]之间产生的随机数；
S23，修正自我学习因子和全局学习因子：
c1＝c2＝c3＝c0*(1-γn-t) (公式15)
c4＝c5＝c6＝cmin*(1+γn-t) (公式16)
其中，n为总的迭代次数，
t为算法在每一轮设定的迭代次数；
S24，采用sigmoid函数将粒子的更新速度进行转换并映射0-1中：
XjD(t+1)＝XjD(t)+v(t+1) (公式17)
s(V(t+1))＝1/(1+exp(-V(t)))(公式18)；
S25，确定位置变化更新的方法：
S26，计算无人机部署点。
作为优选实施方式，进一步限定为：步骤S3中TSP算法计算函数为：
其中，G＝(V,E,W)为赋权的有向图；
V＝{v0,v1,v2,...,vL}为顶点集合；
v0为起点；
V'＝V-v0为开始时。
本发明的有益效果是：本发明以QOS(服务质量)、无人机发射功率以及区域位置等约束构建了一个无人机位置部署点的目标函数和约束条件的的无人机辅助通信系统模型，并采用粒子群算法，计算部署所覆盖的范围，并不断在无人机辅助通信系统模型的约束和粒子群算法的计算之间迭代运算，从而确定无人机部署点，实现了无人机部署点的快速寻优，最后采用TSP算法计算最短路径，从而实现无人机辅助通信飞行路线的规划；不仅能实现物联网节点覆盖率最大化，避免环境的动态变化的影响，相比贪心算法，节省了计算资源，减少无人机飞行的能耗，实现全方位部署。
【附图说明】
图1是本发明的框架图；
图2是无人机部署点和飞行路径的示意图。
【具体实施方式】
以下结合附图和具体实施方式对本发明作进一步详细说明：
如附图1至附图2所示，面向单天线无人机辅助通信飞行路线的规划方法，包括以下步骤：
步骤S1，构建模型：通过加入若干个约束构建一个实现选择的无人机部署点所覆盖的范围最大化的无人机辅助通信系统模型；
步骤S2，确定无人机部署点：在无人机辅助通信系统模型的约束以及采用粒子群算法计算覆盖的范围的方式之间不断的迭代运算，从而确定无人机部署点；
步骤S3，规划最短路径：采用TSP算法计算出从起点出发并经过若干个无人机部署点，最后回到起点的最短路径。
在本实施例中，步骤S1中的约束条件包括信号强度、位置范围、传输速率、信噪比。
本发明以QOS(服务质量)、无人机发射功率以及区域位置等约束构建了一个无人机位置部署点的目标函数和约束条件的的无人机辅助通信系统模型，并采用粒子群算法，计算部署所覆盖的范围，并不断在无人机辅助通信系统模型的约束和粒子群算法的计算之间迭代运算，从而确定无人机部署点，实现了无人机部署点的快速寻优，最后采用TSP算法计算最短路径，从而实现无人机辅助通信飞行路线的规划；不仅能实现物联网节点覆盖率最大化，避免环境的动态变化的影响，相比贪心算法，节省了计算资源，减少无人机飞行的能耗，实现全方位部署。
在本实施例中，信号强度的约束包括信号覆盖范围，信号覆盖范围采用路径损耗表示，路径损耗的约束条件为：
其中，L(h,r[ik,l])为平均路径损耗(有用信号功率)；
为业务类型的损耗门限；
l为区域数量，l＝1,2，…,L；
(x[ik,l],y[ik,l])为物联网节点的位置；
i为物联网传感器,i＝1,2,3,…,uk；
k为业务种类，k＝1,2,…,m。
更进一步来说，如附图2所示，本发明的无线蜂窝大规模MIMO网络中无人机辅助通信系统该系统包括1个AP、1个无人机、uk个物联网传感器(i＝1,2,3,…,uk)以及m类业务(k＝1,2,…,m)。由于物联网传感器与AP之间不存在直连链路，需要借助无人机充当中继来转发信号，同时考虑无人机飞行过程中的能耗问题，无人机在环境以及各种约束的条件下，需要尽可能提高覆盖率，在以半径为r的服务区内按照其有效覆盖的位置将整个服务区自主划分为L个(L是已知的)区域，然后无人机在确定各个区域的3D部署位置点后，采用路径最短的方法确定对无人机部署位置点定义到达的顺序，即从充电站(起点)出发最后回到充电站充电，形成无人机飞行路线的有效规划，解决了飞行路线受限于无人机的能耗的约束，从而实现无人机辅助通信飞行路线的规划。
在本实施例中，平均路径损耗L(h,r[ik,l])的计算包括以下步骤:
S11,计算无人机发射无线信号的视距路径损耗和非视距路径损耗:
其中，fc为载波频率，
d[ik,l]是无人机与物联网节点的距离，
(xD,yD,h)为无人机位置，
ηLoS和ηNLoS为信号传输的额外损失。
本发明定义区域l(l＝1,2，…,L)，物联网节点的位置是(x[ik,l],y[ik,l])，假设无人机位置(xD,yD,h)，无人机将无线信号通过中继获取信号将放大后将信号传输到物联网节点，考虑到视距无线传输(Line of Sight，LOS)和非视距无线传输(Non Line of Sight，LOS)两种情况都存在，一般来说，为了有效表示物联网的信号覆盖范围，通常用路径损耗表示。
考虑到无人机在中心点绕着部署位置点进行小范围飞行以保持自身的高度，而在飞行过程中存在大尺度的信号衰减，结合路径的连接概率和路径损耗计算无人机在飞行过程中平均路径的损耗。更进一步来说，路径的连接概率和路径损耗计算具体可参考文献：A.Al-Hourani,S.Kandeepan,and S.Lardner,“Optimal LAP altitude for maximumcoverage,”IEEE Wireless Commun.Lett.,vol.3,no.6,pp.569–572,Dec.2014。
S12,计算无人机到物联网节点视距路径的连接概率：
其中，θ[ik,l]为区域l无人机到物联网节点的仰角，与高度和无人机到物理节点的平面距离有关，
c、b是常数；
更进一步来说，a、b是常数，与环境有关。
S13,计算无人机到物联网节点非视距路径的连接概率：
PNLoS＝1-PLoS
S14,获取无人机到物联网节点视距路径和非视距路径的平均损耗的计算方式：
L(h,r[ik,l])＝PLoSLLoS+PNLoSLNLoS (公式4)
结合公式1、公式2和公式3，即可得到平均路径损耗。
S15,计算无人机到物联网节点视距路径和非视距路径的平均损耗：
在本实施例中，信号强度的约束还包括无人机覆盖范围的有用信号功率，有用信号功率约束条件为：
其中，Pt是无人机的发射功率，
Pn是环境噪音功率，单位为dB，
γ(h,r[ik,l])为有用信号功率门限值，单位为dB，
为业务类型的损耗门。
基于路径损耗，上述即为无人机覆盖范围的有用信号功率表示。
而基于业务类型的损耗门限取决于业务类型本身的需求，/>由于不同业务类型的有用信号功率门限值是不同的，因此覆盖区域不是单一半径的区域，是一个多个不同半径圆所包含的区域。为了保证该区域所有业务数据传输QoS，本专利需要针对每一个区域的业务类型设定最小的覆盖半径
在本实施例中，信号强度的约束包括信号覆盖范围，信号覆盖范围采用路径损耗表示，路径损耗的约束条件为：
其中，L(h,r[ik,l])为平均路径损耗(有用信号功率)；
为业务类型的损耗门限；
l为区域数量，l＝1,2，…,L；
(x[ik,l],y[ik,l])为物联网节点的位置；
i为物联网传感器,i＝1,2,3,…,uk；
k为业务种类，k＝1,2,…,m。
上述公式7即为其中一个约束条件，平均路径损耗L(h,r[ik,l])，即有用信号功率)要打于为业务类型的损耗门限；同时最大覆盖范围还需要收到无人机中心点的选择以及区域位置的约束。
更进一步来说，信号强度的约束还包括接收到无人机信号的传感器数量：
其中，u[ik,l]为接收到无人机信号的传感器数量，
u[ik,l]∈(0,1)为第l个区域，是一个0-1变量。
公式8作为无人机位置确定的第二个约束条件。
除此之外，还需要考虑到整个区域的范围[xmin,xmax]和[ymin,ymax]，即第三、第四个约束条件
在本实施例中，位置范围约束为：
xmin≤x[ik,l]≤xmax (公式9)
ymin≤y[ik,l]≤ymax (公式10)。
此外，无人机在辅助通信过程中，还要考虑业务的速率，需计算业务实时传输的速率。
在本实施例中，传输速率约束为：
其中，表示第k中业务的最低速率阈值，
Pn是环境噪音功率，单位为dB。
上述公式12为第五个约束条件，即业务传输速率约束。
在本实施例中，无人机辅助通信系统模型表示为：
其中，为无人机最优的高度，
为部署位置点，
为无人机覆盖半径，
θ*为无人机最优仰角，
u[ik,l]为接收到无人机信号的传感器数量，
u[ik,l]∈(0,1)为第l个区域，是一个0-1变量。
公式13为L个区域的物联网节点覆盖数量最大的目标函数的表示，即无人机辅助通信系统模型，用以约束无人机部署点的选择。
在不考虑环境的影响，通过多个数据采样，即能够找出无人机最优的高度和部署位置/>进而得到无人机覆盖半径/>和最优仰角θ*。然而，无人机所在的环境由于天气、气候、风速等影响，会影响无线通信的环境噪音功率Pn、视距路径的连接概率以及非视距路径的连接概率，即计算无人机到物联网节点视距路径的连接概率的公式3中，a和b由环境决定，因此通过贪婪学习所得到的位置部署点不能使用动态环境的要求，因此，本发明在步骤S2中采用改进粒子群的方式实现无人机部署点的自适应学习，节省了计算资源，减少无人机飞行的能耗，实现全方位部署。
在本实施例中，步骤S2中确定无人机部署点过程包括：
S21，将所需覆盖的区域划分为若干个立方体；
S22，计算粒子的更新速度：
其中，xj＝(xj1,xj2,...,xjD)，yj＝(yj1,yj2,...,yjD)，hj＝(hj1,hj2,...,hjD)为粒子j的位置，
XjD＝(xjD,yjD,yjD)表示第j个粒子放置在第D个立方体中，
vj＝(vj1,vj2,...,vjD)为粒子速度，
c1、c2、c3表示一个自我学习因子，且为常数，
W为惯性系数，且为常数，
为第j个粒子搜索的最优位置，
xglobe(t)、yglobe(t)、hglobe(t)为群体搜索的最优位置，
rand()为在[0,1]之间产生的随机数；
为了实现无人机部署点的选择，本发明将覆盖区域划分为5×5米的正方体，因为无人机在空中飞行，因此区域的划分不仅是在平面划分，立体也需要划分，所以整个覆盖区域就是类似魔方一样将整个空地划分成5×5米的正方体，在l区域中，每一个正方体j内的任意一点都有可能是无人机位置部署点的候选位置，在本发明中，我们将粒子j的位置表示为xj＝(xj1,xj2,...,xjD)，yj＝(yj1,yj2,...,yjD)，hj＝(hj1,hj2,...,hjD)，其中XjD＝(xjD,yjD,yjD)表示第j个粒子放置在第D个立方体中。vj＝(vj1,vj2,...,vjD)代表粒子速度。那么无人机位置部署点的选择问题就可以归结为离散二进制粒子群算法，上述公式14即为粒子的更新速度表示。
S23，修正自我学习因子和全局学习因子：
c1＝c2＝c3＝c0*(1-γn-t) (公式15)
c4＝c5＝c6＝cmin*(1+γn-t) (公式16)
其中，n为总的迭代次数，
t为算法在每一轮设定的迭代次数；
在搜索开始的时候，我们希望自我学习的因子大一些，然后慢慢降低，自我学习因子越大更加有利于跳出局部最优；在搜索的后期，我们希望全局学习因子变大，全局因子值越大，更有可能实现局部最优的搜索，提高精度，因此在本实施例中，采用始终时间衰减系数的思想来修正自我学习因子和全局学习因子。
S24，采用sigmoid函数将粒子的更新速度进行转换并映射0-1中：
XjD(t+1)＝XjD(t)+v(t+1)(公式17)
s(V(t+1))＝1/(1+exp(-V(t)))(公式18)；
由于无人机部署位置是一个离散变量，因此需要采用sigmoid函数将速度进行转换，将其映射到0-1之间。
S25，确定位置变化更新的方法：
S26，计算无人机部署点。
公式19表示粒子对位置所对应取值0或1的可行解。
更进一步来说，步骤S26的计算过程包括以下步骤：
S261,在区域l中随机找一个位置；
S262，判断无人机当前部署的位置是否满足公式13的约束条件；若满足，则计算无人机当前所在位置所覆盖的物联网节点数量，并进行下一步骤S263；否则重新从步骤S261开始；
S263,然后基于该位置采用公式14至公式19更新无人机的位置；
S264，从步骤S262开始下一个循环，直至算法结束。
首先，无人机位置部署初始化，步骤S261通过在区域l中随机找一个位置，然后步骤S261判断无人机当前部署的位置是否满足公式13的约束条件，如果满足，则计算无人机当前所在位置所覆盖的物联网节点数量；之后便进行下一步骤S263中，基于该位置采用公式14-19更新无人机的位置，然后执行步骤S264，即重新从步骤S262开始下一个循环，判断无人机当前部署的位置是否满足公式13的约束条件，如果满足，则计算无人机当前所在位置所覆盖的物联网节点数量，在步骤S262至S264之间不断循环，如此不停迭代运算；每一次迭代过程中，计算每一个无人机所在位置所覆盖的物联网节点数量，通过比较无人机在不同位置所覆盖的物联网节点数量来来更新粒子个体最优质值和全局最优值，直到算法结束，得到的全局最优质值就是无人机在L个区域最终的部署位置。
基于上述改进粒子算法，经过多轮迭代，第l个区域在每一次迭代过程中获得一组可行解xj＝(xj1,xj2,...,xjD)，yj＝(yj1,yj2,...,yjD)，hj＝(hj1,hj2,...,hjD)；获得L个区域L组可行解后，将可行解进行组合，分别放进公式13中，计算L个区域的物联网节点数量，通过多次迭代，最终选取出物联网节点覆盖数那一组可行解作为最终的解，从未实现了无人机位置的快速寻优，相比贪心算法，节省了计算资源。
在本实施例中，步骤S3中TSP算法计算函数为：
其中，G＝(V,E,W)为赋权的有向图；
V＝{v0,v1,v2,...,vL}为顶点集合；
v0为起点；
V'＝V-v0为开始时。
更进一步来说，本发明中采用TSP算法中的动态规划法，无人机在L个区域的部署位置以及充电站位置的连线组成了一个赋权的有向图，在本实施例中，采用TSP算法来实现飞行路径最短从而实现飞行路线规划。
当赋权的有向图为G＝(V,E,W)，顶点集合为V＝{v0,v1,v2,...,vL}，在本实施例中选定充电站位置v0为原点，经过所有的顶点后回到充电站位置v0的最短路径，开始时为V'＝V-v0，那么全局最短路径采用TSP动态规划函数实现，并通过公式20，找出了无人机的飞行路线。
更进一步来说，在本实施例中，假设无人机在每一个区域停留时间是相同的，没有考虑无人机在每个区域停留的差异，节省了计算资源，减少无人机飞行的能耗，实现全方位快速部署。

Claims (10)

1.面向单天线无人机辅助通信飞行路线的规划方法，其特征在于，包括以下步骤：
步骤S1，构建模型：通过加入若干个约束构建一个实现选择的无人机部署点所覆盖的范围最大化的无人机辅助通信系统模型；
步骤S2，确定无人机部署点：在无人机辅助通信系统模型的约束以及采用粒子群算法计算覆盖的范围的方式之间不断的迭代运算，从而确定无人机部署点；
步骤S3，规划最短路径：采用TSP算法计算出从起点出发并经过若干个无人机部署点，最后回到起点的最短路径。
2.根据权利要求1所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：步骤S1中的约束条件包括信号强度、位置范围、传输速率、信噪比。
3.根据权利要求2所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：信号强度的约束包括信号覆盖范围，信号覆盖范围采用路径损耗表示，路径损耗的约束条件为：
其中，k＝1,2,...,m(公式7)
其中，L(h,r[ik,l])为平均路径损耗(有用信号功率)；
为业务类型的损耗门限；
l为区域数量，l＝1,2，…,L；
(x[ik,l],y[ik,l])为物联网节点的位置；
i为物联网传感器,i＝1,2,3,…,uk；
k为业务种类，k＝1,2,…,m。
4.根据权利要求3所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：平均路径损耗L(h,r[ik,l])的计算包括以下步骤:
S11,计算无人机发射无线信号的视距路径损耗和非视距路径损耗:
其中，fc为载波频率，
d[ik,l]是无人机与物联网节点的距离，
(xD,yD,h)为无人机位置，
ηLoS和ηNLoS为信号传输的额外损失；
S12,计算无人机到物联网节点视距路径的连接概率：
其中，θ[ik,l]为区域l无人机到物联网节点的仰角，与高度和无人机到物理节点的平面距离有关，
a、b是常数；
S13,计算无人机到物联网节点非视距路径的连接概率：
PNLoS＝1-PLoS
S14,获取无人机到物联网节点视距路径和非视距路径的平均损耗的计算方式：
L(h,r[ik,l])＝PLoSLLoS+PNLoSLNLoS(公式4)
S15,计算无人机到物联网节点视距路径和非视距路径的平均损耗：
5.根据权利要求4所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：信号强度的约束还包括无人机覆盖范围的有用信号功率，有用信号功率约束条件为：
其中，Pt是无人机的发射功率，
Pn是环境噪音功率，单位为dB，
γ(h,r[ik,l])为有用信号功率门限值，单位为dB，
为业务类型的损耗门。
6.根据权利要求5所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：位置范围约束为：
xmin≤x[ik,l]≤xmax(公式9)
ymin≤y[ik,l]≤ymax(公式10)。
7.根据权利要求6所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：传输速率约束为：
其中，表示第k中业务的最低速率阈值，
Pn是环境噪音功率，单位为dB。
8.根据权利要求7所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：无人机辅助通信系统模型表示为：
s.t.
其中，k＝1,2,...,m
xmin≤x[ik,l]≤xmax
ymin≤y[ik,l]≤ymax
其中，为无人机最优的高度，
为部署位置点，
为无人机覆盖半径，
θ*为无人机最优仰角，
u[ik,l]为接收到无人机信号的传感器数量，
u[ik,l]∈(0,1)为第l个区域，是一个0-1变量。
9.根据权利要求8所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：步骤S2中确定无人机部署点过程包括：
S21，将所需覆盖的区域划分为若干个立方体；
S22，计算粒子的更新速度：
其中，xj＝(xj1,xj2,...,xjD)，yj＝(yj1,yj2,...,yjD)，hj＝(hj1,hj2,...,hjD)为粒子j的位置，
XjD＝(xjD,yjD,yjD)表示第j个粒子放置在第D个立方体中，
vj＝(vj1,vj2,...,vjD)为粒子速度，
c1、c2、c3表示一个自我学习因子，且为常数，
W为惯性系数，且为常数，
为第j个粒子搜索的最优位置，
xglobe(t)、yglobe(t)、hglobe(t)为群体搜索的最优位置，
rand()为在[0,1]之间产生的随机数；
S23，修正自我学习因子和全局学习因子：
c1＝c2＝c3＝c0*(1-γn-t) (公式15)
c4＝c5＝c6＝cmin*(1+γn-t) (公式16)
其中，n为总的迭代次数，
t为算法在每一轮设定的迭代次数；
S24，采用sigmoid函数将粒子的更新速度进行转换并映射0-1中：
XjD(t+1)＝XjD(t)+v(t+1) (公式17)
s(V(t+1))＝1/(1+exp(-V(t))) (公式18)；
S25，确定位置变化更新的方法：
S26，计算无人机部署点。
10.根据权利要求9所述的面向单天线无人机辅助通信飞行路线的规划方法，其特征在于：步骤S3中TSP算法计算函数为：
其中，G＝(V,E,W)为赋权的有向图；
V＝{v0,v1,v2,...,vL}为顶点集合；
v0为起点；
V'＝V-v0为开始时。
CN202310823729.8A 2023-07-06 2023-07-06 面向单天线无人机辅助通信飞行路线的规划方法 Pending CN117053790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310823729.8A CN117053790A (zh) 2023-07-06 2023-07-06 面向单天线无人机辅助通信飞行路线的规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310823729.8A CN117053790A (zh) 2023-07-06 2023-07-06 面向单天线无人机辅助通信飞行路线的规划方法

Publications (1)

Publication Number Publication Date
CN117053790A true CN117053790A (zh) 2023-11-14

Family

ID=88657908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310823729.8A Pending CN117053790A (zh) 2023-07-06 2023-07-06 面向单天线无人机辅助通信飞行路线的规划方法

Country Status (1)

Country Link
CN (1) CN117053790A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330085A (zh) * 2023-12-01 2024-01-02 南京信息工程大学 一种基于非视距因素的无人机路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330085A (zh) * 2023-12-01 2024-01-02 南京信息工程大学 一种基于非视距因素的无人机路径规划方法
CN117330085B (zh) * 2023-12-01 2024-02-23 南京信息工程大学 一种基于非视距因素的无人机路径规划方法

Similar Documents

Publication Publication Date Title
Arafat et al. Bio-inspired approaches for energy-efficient localization and clustering in UAV networks for monitoring wildfires in remote areas
Arafat et al. A survey on cluster-based routing protocols for unmanned aerial vehicle networks
CN113162679B (zh) 基于ddpg算法的irs辅助无人机通信联合优化方法
Khelifi et al. Localization and energy-efficient data routing for unmanned aerial vehicles: Fuzzy-logic-based approach
CN110809274B (zh) 一种面向窄带物联网的无人机基站增强网络优化方法
CN112902969B (zh) 一种无人机在数据收集过程中的路径规划方法
CN117053790A (zh) 面向单天线无人机辅助通信飞行路线的规划方法
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
Parvaresh et al. A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities
CN115866574A (zh) 一种面向灾区救援的多无人机飞行搜救轨迹优化方法
Qu et al. Obstacle-aware and energy-efficient multi-drone coordination and networking for disaster response
Zhang et al. Collaborative driving: Learning-aided joint topology formulation and beamforming
Aboueleneen et al. Deep reinforcement learning for internet of drones networks: issues and research directions
Li et al. Data-driven deep reinforcement learning for online flight resource allocation in uav-aided wireless powered sensor networks
Alymani et al. Dispersal Foraging Strategy With Cuckoo Search Optimization Based Path Planning in Unmanned Aerial Vehicle Networks
CN112783192B (zh) 无人机路径规划方法、装置、设备和存储介质
Sheltami et al. An optimization approach of iod deployment for optimal coverage based on radio frequency model
Wang et al. Communications and networking technologies for intelligent drone cruisers
US20220361002A1 (en) Systems and methods for transportable cellular networks
Bieliakov et al. FANET management process simulation at the deployment and operation stage
CN112243239B (zh) 一种基于立交桥的无人机部署方法及相关装置
CN113993099A (zh) 一种面向三维空间移动无人机用户的切换参数配置方法
Tarekegn et al. Channel Quality Estimation in 3D Drone Base Station for Future Wireless Network
Gu et al. UAV-enabled mobile radiation source tracking with deep reinforcement learning
Xiao et al. QoS-Aware 3D Coverage Deployment of UAVs for Internet of Vehicles in Intelligent Transportation

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