CN117676530A - 一种基于智能集群的多无人机搜索救援通信方法、系统 - Google Patents
一种基于智能集群的多无人机搜索救援通信方法、系统 Download PDFInfo
- Publication number
- CN117676530A CN117676530A CN202311630330.4A CN202311630330A CN117676530A CN 117676530 A CN117676530 A CN 117676530A CN 202311630330 A CN202311630330 A CN 202311630330A CN 117676530 A CN117676530 A CN 117676530A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- aerial vehicles
- unmanned
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 45
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001413 cellular effect Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000004083 survival effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000000087 stabilizing effect Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005404 monopole Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于智能集群的多无人机搜索救援通信方法、系统，该方法包括基于覆盖算法将若干架无人机部署在搜索通信任务区域；基于聚类选择算法创建CH无人机和客户端无人机；无人机集群通过传感器获得区域内的目标位置和状态信息，提供搜索和监测；无人机通过与基站和其他无人机之间的通信链路进行数据传输和通信；无人机集群通过通信协议进行信息共享，通过信息交换获取灾区的状态、位置信息以及检测到的目标，进行任务分配和工作调整。本发明提升了灾难救援的效率和成功率，减少了搜索和救援时间，实现了按需覆盖，并提供了实时监测和通信能力。
Description
技术领域
本发明涉及无人机通信和搜索救援领域，尤其涉及一种基于智能集群的多无人机搜索救援通信方法、系统。
背景技术
提升多架无人机之间的协作能力，提高救援效率，成为了相关领域的研究热点。最近的研究也可以分为三类。在第一类，某些研究主要关注在危险地区部署无人机，以最大限度地提高无人机的连接性和建立牢固的连接。为了最大化网络连通性，主要集中于无人机的网络拓扑结构。但是，没有考虑到地面用户的设备，专门专注于创建能够适应无人机网络的主要需求的协议，其中包括高移动性、动态拓扑结构、间歇性连接、功率限制和可变链路质量。第二类，许多研究集中在跟踪或瞄准地面设备的无人机应用上，但无人机缺乏合作，因为它们在跟踪之前使用传感器来检测目标地面用户设备。但是，没有考虑到无人机和目标设备的通信。第三类研究人员集中在地面上为位于地面的用户设备提供服务或空中基站。该基站连接并管理无人机。无人机相互通信的能力没有被考虑在内。
发明内容
本发明所要解决的技术问题是：提出一种基于智能集群的多无人机搜索救援通信方法、系统，利用无人机集群网络进行灾难救援，并结合智能集群的设计，实现无人机的定位、通信和协调功能，使无人机在灾区的部署实现按需覆盖。通过本发明的实施，可以提升灾难救援的效率和成功率，减少搜索和救援时间，实现按需覆盖，并提供实时监测和通信能力。
本发明为解决上述技术问题采用以下技术方案：
一种基于智能集群的多无人机搜索救援通信方法，包括：
S1、初始部署：基于覆盖算法将若干架无人机部署在搜索通信任务区域，利用机间距离和障碍情况进行运动控制，充分覆盖任务区域，并进行网络连接，确保后续协同工作和信息共享。
S2、创建聚类：基于聚类选择算法，通过选择聚类头形成聚类，创建CH(ClusterHead，聚类头)无人机和客户端无人机，形成无人机集群。
S3、搜索和监测：无人机集群通过传感器获得区域内的目标位置和状态信息，包括区域内的特定区域和事件的情况、目标周围的环境信息、区域内的关键点和路线信息以及实时图像和视频数据，提供搜索和监测。
S4、传输和通信：无人机间通过无线电/无线技术将任务区域的状态、无人机的位置和检测到的目标信息数据进行信息交换，且对数据冗余和丢失进行处理，并通过与基站的通信链路，利用蜂窝网络LTE/5G，将采集到的数据传输给后台处理，进一步指导应急部门的决策和行动。
S5、协同工作：无人机集群通过通信协议进行信息共享，通过信息交换获取灾区的状态、位置信息以及检测到的目标，进行任务分配和工作调整；无人机集群中的无人机根据任务需求和环境变化调整分配和工作方式，实现实时调整和优化；通过控制无人机的相对运动，提高飞行安全性，降低碰撞风险，通过计算稳定力矩，评估相邻无人机之间的力矩稳定性，判断它们之间的运动是否稳定，提高无人机的安全性和可操作性，增强协同工作的效果。
进一步的，步骤S1中，部署无人机包括以下子步骤：
S101、无人机从基站飞行，初始化无人机网络，将无人机随机部署在任务区域同一高度处。
S102、离散化任务区域，计算覆盖率，判断是否满足目标覆盖率或最大迭代次数。
任务区域被划分为若干个边长长度相等的网格，每个网格的边长越小，区域覆盖率的计算越精准；若某个网格的大部分面积至少被一个无人机覆盖，则认为该网格是被覆盖的；网格的大部分被覆盖的标准是网格的中心点被覆盖；覆盖率表示为所有无人机覆盖范围的并集和所有无人机需要覆盖子区域总和的比率：
其中，ηcr表示覆盖率，Mc表示已被覆盖的子区域的数量，M表示任务区域中子区域的总个数。
S103、计算无人机间的相对距离，并设置阈值。
对于无人机i与无人机j之间的相对距离，使用矢量表示并分解为x轴方向和y轴方向的距离矢量，计算公式如下：
其中，dij表示无人机i和无人机j之间的相对距离，dijx表示二者在x轴方向上的距离，dijy表示二者在y轴方向上的距离。
在无人机的部署中，使用有重叠无盲区的方式可以确保任务区域得到充分覆盖，防止出现未覆盖的盲区。设无人机的通信半径为R，则阈值为
为了确保无人机不会过度聚集在一个区域并避免重复覆盖，当邻居无人机之间的相对距离小于预先设置的阈值时，无人机应朝着远离其邻居无人机的方向移动。这样可以保持基站之间的适当距离，避免冲突和重复工作。
如果两个相邻的无人机之间的距离大于阈值但小于通信半径，无人机可以选择向邻居无人机的方向移动，以尽量减少覆盖盲区，增强通信效果，确保无人机之间的有效协作。
如果两个无人机之间的距离等于阈值或者大于通信半径，相对距离不会对无人机的移动产生影响，因为无人机已经处于较远距离或超过通信范围。
S104、计算无人机移动速度，更新无人机位置。
通过牛顿第二定律，可以得出无人机的运动加速度公式：
其中，mi表示第i个无人机的质量，归一化为1；ai表示第i个无人机的加速度；Fi表示合力。
无人机的运动速度为：
υi＝aiti
其中，υi表示第i个无人机的速度，ti表示第i个无人机的运动时间。
将需要移动的相对距离用来量化表示合力，在相同时间间隔内，无人机的移动距离与加速度的值成正比关系：
其中，di表示无人机的移动距离。
当无人机需要移动的相对距离越长时，速度越高，然而，在实际中，无人机的运动速度可能受到最大速度的限制，并且速度值υi通常是恒定的，所以实际的移动距离Di：
其中dgrid为无人机移动的最大步长；
若无人机之间距离di小于阈值dts时，无人机会在相对距离的作用下移动，更新后的位置为：
其中(xo，yo)为更新前的无人机位置坐标，(xn，yn)为更新后的无人机位置坐标；其余情况位置更新情况类似。
S105、考虑到任务区域中的障碍物情况，无人机的移动可能使其接近任务区域的障碍物，计算基站与障碍物的相对距离，根据相对距离与阈值进行比较，若相对距离小于阈值，则无人机更新位置并远离障碍物，使用步骤S104中的计算公式更新移动速度和位置。
进一步的，步骤S2中，创建CH无人机和客户端无人机包括以下子步骤：
S201、利用自由空间损耗模型获得在一定距离下无人机i从相邻无人机j发送过来的交流数据包的单次接收强度，具体公式为：
其中，Pij表示无人机i从相邻无人机j发送过来的交流数据包的单次接收的强度，Pt表示来自相邻无人机的交流数据包的传输功率，单位为dBm；Gt表示发射天线的增益，单位为dBi；Gr表示接收天线的增益，单位为dBi；λ表示无线电波的波长，dij表示无人机i和相邻无人机j之间的距离。
S202、无人机向相邻的无人机广播交流数据包，根据无人机接收到的数据包的数量进行不同的处理：
(1)当无人机接收到一个数据包时，计算邻域内无人机在一段时间内，无人机i从相邻无人机j接收的所有交流数据包的概率，计算公式为：
其中，CHPi表示当前无人机i成为CH无人机的概率，该值越高，无人机i成为CH的机会就越高；O是无人机i的邻域内无人机的集合。
(2)当无人机接收到两个数据包时，每架无人机计算自身成为CH无人机的概率；接收到的无人机将其概率值与接收到的概率值进行比较：如果CHPi＞CHPj，则不广播数据；如果CHPi＞CHPj，则在没有CHPi的情况下广播数据。
没有成为CH无人机的无人机，则成为客户端无人机。
进一步的，步骤S3中，获得区域内的目标位置和状态信息包括以下子步骤：
S301、无人机悬停在规划位置上空：根据任务要求和规划，无人机飞行到指定的位置，然后悬停在空中；飞行高度和悬停的位置根据覆盖算法和聚类算法确定。
S302、任务区域划分为多个网格，分配给无人机：根据任务区域的大小和复杂程度，将其划分为多个网格或区域；每个客户端无人机被分配覆盖一个或多个网格，使任务区域得到全面覆盖，确保网格的划分合理均匀，以提高任务执行的效率。
S303、视觉扫描和数据采集：无人机使用传感器数据对灾区进行视觉扫描和数据采集：其中摄像头进行视觉拍摄，记录图像数据以进行后续分析和处理；热像仪检测目标或区域的热源、热图或温度变化；气体传感器可以监测空气中潜在的有害气体或异常情况。
S304、目标和异常检测：基于传感器数据和视觉扫描结果，无人机检测可能存在的目标、异常情况或其他重要信息；目标检测使用计算机视觉算法对图像进行分析和识别；异常检测通过比较当前数据与正常情况下的数据进行分析；检测结果可以用于损害评估、目标定位、相关决策的支持。
进一步的，步骤S4中，数据传输和通信包括以下内容：
在一个聚类中，CH无人机负责从终端设备或者灾区收集和汇总属于其聚类的无人机数据，并将收集到的数据通过无线通信链路传输到基站；当CH无人机无法直接将数据传输到基站，中继无人机可以用作数据传输的桥梁，在相邻的无人机之间中继数据，以支持可靠的地面通信现场无线链路。
在传输数据的过程中，如果存在相同的数据包，进行数据过滤，CH无人机将执行冗余算法进行冗余消除，迭代地将向CH发送相同数据的无人机置于睡眠状态，可以稍后用于替换低功率无人机，避免重复传输相同的信息，以提高数据传输的效率。
在传输数据的过程中，由于CH无人机与客户端无人机存在大量数据交互，经常出现数据丢失现象，需要使用数据恢复技术，用于处理数据传输中的丢包情况；使用数据丢失的补偿机制对丢失数据进行预测估计：
假设t时刻无人机i应接收无人机j传输的数据值，若无人机j数据传输中断，则导致数据丢失；定义无人机i在t时刻的数据包丢失概率为Pdli(t)，假设无人机任意时刻数据包丢弃概率近似相同为Pdli；对于t时刻无人机i接收值进行预测：
其中为t时刻无人机i应接收无人机j传输的数据值；/>为前一时刻，即t-1时刻无人机i应接收无人机j传输的数据值；Pdli表示无人机i数据包丢失概率，/>表示t时刻无人机i应接收无人机j传输的数据预测值。
在传输数据的过程中，无人机间链路生存概率可以评估无人机之间的通信连接质量，判断链路是否能够稳定地传输数据，通过前式，可以得到无人机之间的距离，对于两架无人机之间的链路生存，网络内无人机广播交流数据包，从数据包的强度和频率中提取两个参数，计算无人机i和无人机j之间的链路生存概率；接近和后退是两种情况，无人机i位于点a的固定位置，无人机j从点b移动到点c，它的相对力矩速度是υr，圆心表示无人机i的最大通信范围，当两架无人机处于其最大通信范围时，就会发生中断；两架无人机i和无人机j之间的相对速度和距离也对它们之间的链路生存概率有影响，无人机间链路生存概率的计算公式为：
其中，LSPij表示无人机i和无人机j之间的链路生存概率，该值越高表示链接越好；dce表示点c和点e之间的距离；tts表示链接生存的阈值；υr表示相邻无人机之间的相对速度；当两架相邻无人机之间的相对速度为零时，dce/υr将无穷大，当dce/υr≥tts时，LSPij＝1。
进一步的，步骤S5中，具体内容为：
集群中的无人机将根据任务需求进行任务分配，任务需求分别为搜索特定区域、收集情报或者进行通信任务，任务分配算法根据任务类型、无人机的能力和资源进行优化。
无人机使用通信协议进行信息的传输和共享，以便更好地执行任务，信息包括搜索区域的状态、无人机的位置和检测到的目标信息；无人机集群中的无人机需要通过协同工作来达到更高效的搜索和通信，使用协同算法来决定无人机的移动路径和执行动作；在执行任务的过程中，无人机集群根据任务需求和环境变化来调整无人机的分配和工作方式，实时调整可以通过集群中的无人机之间的通信和协同来实现。
天线的覆盖范围为半径为R的圆形区域，则从相邻无人机接收到的信号强度阈值为：
根据当前无人机的已知信息，结合从相邻无人机接收到的交流数据包信息，计算出阈值，利用实时信号强度和接收到的单一强度的阈值，得到相对运动的稳定性指标Xij：
当无人机i接收到的交流数据包的单次接收强度Pij大于相邻无人机发送的信号强度阈值Pts时，此时Xij(tk)＝0，表示相对运动是稳定的；当无人机i接收到的交流数据包的单次接收强度Pij小于相邻无人机发送的信号强度阈值Pts时，此时表示相对运动不稳定，并且稳定性程度与X的值成正比，X越接近1，相对运动越不稳定；为了计算稳定力矩，引入比耶纳梅-切比雪夫不等式：
其中X是一个离散变量，E(X)是X的期望值，υar(X)是X的方差，ε是一个正任意数；这里，如果υar(X)＝0，那么P{|X-E(X)|＜ε}＝1，表示变量X等于它的期望值，这说明X的方差越小，X越接近它的期望值，对于X的多次测量，得到υar(X)为：
为了获得从相邻无人机传输的实时无人机交流数据包的接收信号强度的变化，取不同的Xij(tk)，并将这些值代入上式，可以判断当前无人机i和无人机j的力矩条件，相邻无人机之间的稳定力矩NSij计算方法如下：
NSij＝1-υar(Xij)
其中，NSij表示相邻无人机之间的稳定力矩。
NSij值越高，相邻两架无人机之间的运动稳定性越好。
通过计算稳定力矩，可以评估相邻无人机之间的力矩稳定性，进而判断它们之间的运动是否稳定；稳定的相对运动可以提高飞行安全性，降低碰撞风险，并提高协同任务的效果。
进一步的，本发明还提出了一种基于智能集群的多无人机搜索救援通信系统，包括
基站层，用于控制无人机飞行的中心部分，存储所有收集到的信息，并在灾区部署无人机。基站收集所有的数据，并通知其他应急部门，通过向无人机发送坐标X和Y(cod X，Y)来提供灾区的位置，帮助对于使用蜂窝网络LTE/5G进行通信的无人机进行部署，增强无人机的安全性和可操作性。
中继层由蜂窝池和中继无人机组成，用于通过LTE/5G技术将第一层与第二层连接起来，为远离基站的无人机提供中继，并在灾区附近没有蜂窝网络或蜂窝池的情况下，通过蜂窝池实现中继，帮助无人机建立第一层和第三层之间的连接。
集群层，用于控制恒定数量的CH无人机；CH无人机包含了客户端无人机的所有信息(能量、运动、感官信息)；在CH无人机到CH无人机和CH无人机到客户端无人机之间将发生两种类型的通信，无人机之间的通信将借助专用的无线电/无线技术进行。
客户端层由带有专用传感器的客户端无人机群组成，用于通过无线电/无线技术让客户端无人机与CH无人机进行通信，转发参数到CH无人机。
进一步的，本发明还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的基于智能集群的多无人机搜索救援通信方法的步骤。
进一步的，本发明还提出了一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于智能集群的多无人机搜索救援通信方法。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
结合了智能聚类的思想，减少了通信冲突和频率，提高了搜索速度；基于射频信号反射，扩大卫星-地面中继网络，提高传输距离和信号强度；实时响应ICBM-UAV协议的更改，以最大化通信效率。
附图说明
图1为本发明方法的整体流程图。
图2为本发明覆盖算法的流程图。
图3为本发明聚类选择算法的流程图。
图4为本发明冗余算法的流程图。
图5为本发明系统的整体结构图。
具体实施方式
本专利提出一种基于智能集群的多架无人机搜索救援通信方法。本发明的基本思路是使用无线通信，将无人机作为节点组成一个集群网络，以实现多种应用场景下的信息交换和数据传输，完成更高效、更经济的任务执行。
本发明提出了一种基于智能集群的多无人机搜索救援通信方法，如图1所示，包括：
S1、基于覆盖算法将若干架无人机部署在搜索通信任务区域内，利用机间距离和障碍情况进行任务区域覆盖和网络连接，如图2所示，具体内容为：
S101、42架无人机从基站飞行，初始化无人机网络，将无人机随机部署在2000m×2000m的区域同一高度处，随机分布200个用户设备。无人机为四轴飞行器。
S102、离散化任务区域，计算覆盖率，具体计算公式为：
其中，ηcr表示覆盖率，Mc表示已被覆盖的子区域的数量，M表示任务区域中子区域的总个数。无人机航程为500m。
若任务区域中某个网格的大部分面积至少被一个无人机覆盖，则认为该网格是被覆盖的；其中网格的大部分面积被覆盖的标准为网格的中心点被覆盖。在本实施例中，任务区域面积为1000×1000m。
S103、计算无人机间的相对距离，具体计算公式为：
其中，dij表示无人机i和无人机j之间的相对距离，dijx表示二者在x轴方向上的距离，dijy表示二者在y轴方向上的距离。
设定无人机的通信半径为R，则阈值设置为
当相邻无人机之间的相对距离小于预先设置的阈值时，无人机朝着远离其相邻无人机的方向移动；当相邻无人机之间的相对距离大于阈值但小于通信半径，无人机朝向相邻无人机的方向移动；当相邻无人机之间的相对距离等于阈值或者大于通信半径，相对距离对无人机的移动没有影响。
S104、通过牛顿第二定律，得出无人机的运动加速度，具体计算公式为：
其中，mi表示第i个无人机的质量，ai表示第i个无人机的加速度，Fi表示合力。
无人机的运动速度为：
υi＝aiti
其中，υi表示第i个无人机的速度，ti表示第i个无人机的运动时间。
将需要移动的相对距离量化表示合力，在相同时间间隔内，无人机的移动距离与加速度的值成正比关系，具体公式为：
其中，di表示无人机的移动距离。
当无人机需要移动的相对距离越长时，速度越高，然而，在实际中，无人机的运动速度可能受到最大速度的限制，并且速度值υi通常是恒定的，所以实际的移动距离Di：
其中，dgrid表示无人机移动的最大步长。
若无人机之间距离di小于阈值dts时，无人机将在相对距离的作用下移动，更新后的位置为：
其中，(xo，yo)表示更新前的无人机位置坐标，(xn，yn)表示更新后的无人机位置坐标。其余情况位置更新情况类似。
S105、计算基站与障碍物的相对距离，根据相对距离与阈值进行比较，若相对距离小于阈值，则无人机更新位置并远离障碍物，使用步骤S104中的计算公式更新移动速度和位置。
S2、基于聚类选择算法，通过选择聚类头形成聚类，创建CH无人机和客户端无人机，形成无人机集群，如图3所示，具体内容为：
S201、利用自由空间损耗模型获得在一定距离下无人机i从相邻无人机j发送过来的交流数据包的单次接收强度，具体公式为：
其中，Pij表示无人机i从相邻无人机j发送过来的交流数据包的单次接收强度；Pt表示来自相邻无人机的交流数据包的传输功率，单位为dBm；Gt表示发射天线的增益，单位为dBi；Gr表示接收天线的增益，单位为dBi；λ表示无线电波的波长，dij表示无人机i和相邻无人机j之间的距离。
S202、无人机向相邻的无人机广播交流数据包，根据无人机接收到的数据包数量进行不同的处理：
(1)当无人机i接收到一个数据包时，计算在一段时间内无人机i从相邻无人机j接收的所有交流数据包的概率，计算公式为：
其中，CHPi表示当前无人机i成为CH无人机的概率；O是无人机i邻域内无人机的集合。
(2)当无人机i接收到两个数据包时，每架无人机计算自身成为CH无人机的概率；接收到的无人机将其概率值与接收到的概率值进行比较：如果CHPi＞CHPj，则不广播数据；如果CHPi＞CHPj，则在没有CHPi的情况下广播数据。
没有成为CH无人机的无人机，则成为客户端无人机。
在本实施例中，CH无人机数量为10-12。
S3、无人机集群通过传感器获得区域内的目标位置和状态信息，提供搜索和监测，具体内容为：
S301、根据任务要求和规划，无人机飞行到指定的位置，悬停在空中；飞行高度和悬停的位置根据覆盖算法和聚类算法确定。
S302、根据任务区域的大小和复杂程度，将其划分为多个网格或区域；每个客户端无人机被分配覆盖一个或多个网格，使得任务区域得到全面覆盖，确保网格的划分合理均匀，以提高任务执行的效率。
S303、无人机使用传感器数据对灾区进行视觉扫描和数据采集，其中摄像头进行视觉拍摄，记录图像数据进行后续分析和处理；热像仪检测目标或区域的热源、热图或温度变化；气体传感器监测空气中潜在的有害气体或异常情况。
S304、基于传感器数据和视觉扫描结果，无人机检测存在的目标、异常情况或其他重要信息；目标检测使用计算机视觉算法对图像进行分析和识别；异常检测通过比较当前数据与正常情况下的数据，进行情况分析；检测结果用于损害评估、目标定位、相关决策的支持。
S4、无人机间通过无线电/无线技术将任务区域的状态、无人机的位置和检测到的目标信息数据进行信息交换，并通过与基站的通信链路，利用蜂窝网络LTE/5G，将采集到的数据传输到后台处理，如图4所示，具体内容为：
在一个聚类中，CH无人机负责从终端设备或者灾区收集和汇总属于其聚类的无人机数据，并将收集到的数据通过无线通信链路传输到基站；当CH无人机无法直接将数据传输到基站，将中继无人机用作数据传输的桥梁，在相邻的无人机之间中继数据，进行地面通信现场无线链路。
在传输数据的过程中，当存在相同的数据包，进行数据过滤，CH无人机将执行冗余算法进行冗余消除，迭代地将向CH发送相同数据的无人机置于睡眠状态；当出现数据丢失现象，使用数据恢复技术处理数据传输中的丢包情况，并使用数据丢失的补偿机制对丢失数据进行预测估计，具体公式为：
其中，表示t时刻无人机i应接收无人机j传输的数据值，/>表示t-1时刻无人机i应接收无人机j传输的数据值，Pdli表示无人机i数据包丢失概率，/>表示t时刻无人机i应接收无人机j传输的数据预测值。
利用无人机间链路生存概率，判断链路传输数据的稳定性，具体计算公式为：
其中，LSPij表示无人机i和无人机j之间的链路生存概率，dce表示移动点c和移动点e之间的距离，tts表示链接生存的阈值，υr表示相邻无人机之间的相对速度。
当两架相邻无人机之间的相对速度为零时，dce/υr将无穷大，当dce/υr≥tts时，LSPij＝1。
S5、无人机集群通过通信协议进行信息共享，获取灾区的状态、位置信息以及检测到的目标，进行任务分配和工作调整；通过计算稳定力矩，评估相邻无人机之间的力矩稳定性，具体内容为：
集群中的无人机将根据任务需求进行任务分配，任务分别为搜索特定区域、收集情报或者进行通信任务，任务分配算法根据任务类型、无人机的能力和资源进行优化；无人机之间进行信息共享，以便更好地执行任务，信息包括搜索区域的状态、无人机的位置和检测到的目标信息，无人机使用通信协议进行信息的传输和共享。无人机集群中的无人机需要通过协同工作来达到更高效的搜索和通信，使用协同算法来决定无人机的移动路径和执行动作。在执行任务的过程中，无人机集群根据任务需求和环境变化来调整无人机的分配和工作方式，实时调整可以通过集群中的无人机之间的通信和协同来实现。
其中两个相邻的无人机之间的稳定力矩计算方法用于评估无人机之间的相对运动稳定性，从相邻无人机接收到的信号强度阈值为：
其中，Pts表示从相邻无人机接收到的信号强度阈值，R表示天线覆盖范围的半径。
利用实时信号强度和接收到的单一强度的阈值，得到相对运动的稳定性指标，具体计算公式为：
其中，Xij表示相对运动的稳定性指标。
当无人机i接收到的交流数据包的单次接收强度Pij大于相邻无人机发送的信号强度阈值Pts时，此时Xij(tk)＝0，表示相对运动是稳定的；当无人机i接收到的交流数据包的单次接收强度Pij小于相邻无人机发送的信号强度阈值Pts时，此时表示相对运动不稳定，并且稳定性程度与X的值成正比，X越接近1，相对运动越不稳定。
引入比耶纳梅-切比雪夫不等式：
其中，X表示一个离散变量，E(X)是X的期望值，υar(X)是X的方差，ε表示正任意数；若υar(X)＝0，则P{|X-E(X)|＜ε}＝1，表示X等于它的期望值，这说明X的方差越小，X越接近它的期望值。
υar(X)的计算公式为：
其中，XK表示第K个数据，n表示数据个数。
为了获得从相邻无人机传输的实时无人机交流数据包的接收信号强度的变化，取不同的Xij(tk)，结合比耶纳梅-切比雪夫不等式，相邻无人机之间的稳定力矩计算方法如下：
NSij＝1-υar(Xij)
其中，NSij表示相邻无人机之间的稳定力矩。
NSij值越高，相邻两架无人机之间的运动稳定性越好，通过计算稳定力矩，可以评估相邻无人机之间的力矩稳定性，进而判断它们之间的运动是否稳定；稳定的相对运动可以提高飞行安全性，降低碰撞风险，并提高协同任务的效果。
实施例：
通道为PL:路径损耗，节点间距离为8-10，CH无人机到节点的距离为2-12，无人机飞行高度为10-40m，频率范围为0.97；声音信号为OFDM；天线和支架为GS单极天线用于TX，无人机单极天线用于RX；无人机最大值为10m/s；数据包大小为512字节；信道为wifi。
由于用户设备是能够进行与空中通信的智能设备，在仿真场景中，将其随机分布在任务区域中，并设置静态场景，用户设备不会移动。
无人机分散在任务区域并连接未被发现的用户设备。一旦发现了用户设备，就开始向邻居无人机发送CH请求报文，并开始创建集群网络。当网络建立后，检查数据的冗余性，并将冗余的无人机置于睡眠状态，以保持其电池寿命，供以后使用。仿真场景中，分布了200个节点，其中30个绿色节点为无人机，这些节点为移动节点，以10m/s的速度移动。
由于在任务区域内工作时可能会遇到障碍物，我们假设在地理地图上已知其位置和障碍，并且我们避免在该区域部署无人机。障碍物放置在一个区域内，在200个节点随机分布障碍物。
基于IEEE 802.11g，网络带宽约为5.8MBps，本方法、系统的性能较优于DFM群集算法，与AODV和OLSR协议相比提高很多。本方法、系统的性能略高于DFM群集算法，由于ICBM-UAV保持其表的及时更新，并且始终保持活跃的传输路由进行分组传输；DFM群集算法的吞吐量高于AODV和OSLR协议，由于其领导者和追随者机制；AODV协议比OSLR性能更高，由于进行按需路由；关于OSLR协议，在FANET系统中，无人机不断移动和改变其坐标，由于改变了数据库并提前制定了数据包传输的路由，因此影响了数据包的传输路由。
本方法、系统在障碍物环境中依旧保持了最高的吞吐量。
分别设置用户设备为50、100/200个，模拟本方法、系统，并与分布式和集中式方法进行了比较。集中式算法的性能始终不如比分布式和本方法、系统。在50个用户设备场景下，由于受影响的区域大于该区域内分布的用户设备数量，本方法、系统覆盖概率略低于分布式算法。随着区域用户设备的增加，在100和200时，本方法、系统覆盖用户设备的概率更高，达到98％。
在障碍物环境下，本方法、系统的工作效率略高于分布式和集中式算法，因为本方法、系统针对覆盖该地区的所有用户设备，无论是有障碍物还是没有障碍物。
本发明实施例还提出一种基于智能集群的多无人机搜索救援通信系统，如图5所示，包括基站层、中继层、集群层、客户端层及可在处理器上运行的计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。需要说明的是，上述电子设备中的所述处理器执行所述计算机程序时对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述存储介质中的所述计算机程序被处理器运行时对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (9)
1.一种基于智能集群的多无人机搜索救援通信方法，其特征在于，包括：
S1、基于覆盖算法将若干架无人机部署在搜索通信任务区域内，利用机间距离和障碍情况进行任务区域覆盖和网络连接；
S2、基于聚类选择算法，通过选择聚类头形成聚类，创建CH无人机和客户端无人机，形成无人机集群；
S3、无人机集群通过传感器获得区域内的目标位置和状态信息，提供搜索和监测；
S4、无人机间通过无线电/无线技术将任务区域的状态、无人机的位置和检测到的目标信息数据进行信息交换，并通过与基站的通信链路，利用蜂窝网络LTE/5G，将采集到的数据传输到后台处理；
S5、无人机集群通过通信协议进行信息共享，获取灾区的状态、位置信息以及检测到的目标，进行任务分配和工作调整；通过计算稳定力矩，评估相邻无人机之间的力矩稳定性。
2.根据权利要求1所述的基于智能集群的多无人机搜索救援通信方法，其特征在于，步骤S1中，部署无人机包括以下子步骤：
S101、无人机从基站飞行，初始化无人机网络，将无人机随机部署在任务区域同一高度处；
S102、离散化任务区域，计算覆盖率，具体计算公式为：
其中，ηcr表示覆盖率，Mc表示已被覆盖的子区域的数量，M表示任务区域中子区域的总个数；
S103、计算无人机间的相对距离，具体计算公式为：
其中，dij表示无人机i和无人机j之间的相对距离，dijx表示二者在x轴方向上的距离，dijy表示二者在y轴方向上的距离；
设定无人机的通信半径为R，则阈值设置为
当相邻无人机之间的相对距离小于预先设置的阈值时，无人机朝着远离其相邻无人机的方向移动；当相邻无人机之间的相对距离大于阈值但小于通信半径，无人机朝向相邻无人机的方向移动；当相邻无人机之间的相对距离等于阈值或者大于通信半径，相对距离对无人机的移动没有影响；
S104、通过牛顿第二定律，得出无人机的运动加速度，具体计算公式为：
其中，mi表示第i个无人机的质量，ai表示第i个无人机的加速度，Fi表示合力；
无人机的运动速度为：
ui＝aiti
其中，vi表示第i个无人机的速度，ti表示第i个无人机的运动时间；
将需要移动的相对距离量化表示合力，在相同时间间隔内，无人机的移动距离与加速度的值成正比关系，具体公式为：
其中，di表示无人机的移动距离；
无人机的运动速度受到最大速度的限制，并且速度值vi是恒定的，则实际的移动距离Di：
其中，dgrid表示无人机移动的最大步长；
若无人机之间距离di小于阈值dts时，无人机将在相对距离的作用下移动，更新后的位置为：
其中，(xo，yo)表示更新前的无人机位置坐标，(xn，yn)表示更新后的无人机位置坐标；
S105、计算基站与障碍物的相对距离，根据相对距离与阈值进行比较，若相对距离小于阈值，则无人机更新位置并远离障碍物，使用步骤S104中的计算公式更新移动速度和位置。
3.根据权利要求1所述的基于智能集群的多无人机搜索救援通信方法，其特征在于，步骤S2中，创建CH无人机和客户端无人机包括以下子步骤：
S201、利用自由空间损耗模型获得在一定距离下无人机i从相邻无人机j发送过来的交流数据包的单次接收强度，具体公式为：
其中，Pij表示无人机i从相邻无人机j发送过来的交流数据包的单次接收强度；Pt表示来自相邻无人机的交流数据包的传输功率，单位为dBm；Gt表示发射天线的增益，单位为dBi；Gr表示接收天线的增益，单位为dBi；λ表示无线电波的波长，dij表示无人机i和相邻无人机j之间的距离；
S202、无人机向相邻的无人机广播交流数据包，根据无人机接收到的数据包数量进行不同的处理：
(1)当无人机i接收到一个数据包时，计算在一段时间内无人机i从相邻无人机j接收的所有交流数据包的概率，计算公式为：
其中，CHPi表示当前无人机i成为CH无人机的概率；O是无人机i邻域内无人机的集合；
(2)当无人机i接收到两个数据包时，每架无人机计算自身成为CH无人机的概率；接收到的无人机将其概率值与接收到的概率值进行比较：如果CHPi>CHPj，则不广播数据；如果CHPi>CHPj，则在没有CHPi的情况下广播数据；
没有成为CH无人机的无人机，则成为客户端无人机。
4.根据权利要求1所述的基于智能集群的多无人机搜索救援通信方法，其特征在于，步骤S3中，获得区域内的目标位置和状态信息包括以下子步骤：
S301、根据任务要求和规划，无人机飞行到指定的位置，悬停在空中；飞行高度和悬停的位置根据覆盖算法和聚类算法确定；
S302、根据任务区域的大小和复杂程度，将其划分为多个网格或区域；每个客户端无人机被分配覆盖一个或多个网格，使得任务区域得到全面覆盖；
S303、无人机使用传感器数据对灾区进行视觉扫描和数据采集，其中摄像头进行视觉拍摄，记录图像数据进行后续分析和处理；热像仪检测目标或区域的热源、热图或温度变化；气体传感器监测空气中潜在的有害气体或异常情况；
S304、基于传感器数据和视觉扫描结果，无人机检测存在的目标、异常情况或其他重要信息；目标检测使用计算机视觉算法对图像进行分析和识别；异常检测通过比较当前数据与正常情况下的数据，进行情况分析；检测结果用于损害评估、目标定位、相关决策的支持。
5.根据权利要求1所述的基于智能集群的多无人机搜索救援通信方法，其特征在于，步骤S4中，数据传输和通信包括以下内容：
在一个聚类中，CH无人机负责从终端设备或者灾区收集和汇总属于其聚类的无人机数据，并将收集到的数据通过无线通信链路传输到基站；当CH无人机无法直接将数据传输到基站，将中继无人机用作数据传输的桥梁，在相邻的无人机之间中继数据，进行地面通信现场无线链路；
在传输数据的过程中，当存在相同的数据包，进行数据过滤，CH无人机将执行冗余算法进行冗余消除，迭代地将向CH发送相同数据的无人机置于睡眠状态；当出现数据丢失现象，使用数据恢复技术处理数据传输中的丢包情况，并使用数据丢失的补偿机制对丢失数据进行预测估计，具体公式为：
其中，表示t时刻无人机i应接收无人机j传输的数据值，/>表示t-1时刻无人机i应接收无人机j传输的数据值，Pdli表示无人机i数据包丢失概率，/>表示t时刻无人机i应接收无人机j传输的数据预测值；
利用无人机间链路生存概率，判断链路传输数据的稳定性，具体计算公式为：
其中，LSPij表示无人机i和无人机j之间的链路生存概率，dce表示移动点c和移动点e之间的距离，tts表示链接生存的阈值，vr表示相邻无人机之间的相对速度。
6.根据权利要求1所述的基于智能集群的多无人机搜索救援通信方法，其特征在于，步骤S5中，计算稳定力矩包括以下内容：
从相邻无人机接收到的信号强度阈值为：
其中，Pts表示从相邻无人机接收到的信号强度阈值，R表示天线覆盖范围的半径；
利用实时信号强度和接收到的单一强度的阈值，得到相对运动的稳定性指标，具体计算公式为：
其中，Xij表示相对运动的稳定性指标；
引入比耶纳梅-切比雪夫不等式：
其中，X表示一个离散变量，E(X)是X的期望值，var(X)是X的方差，ε表示正任意数；若var(X)＝0，则P{|X-E(X)|＜ε}＝1；
var(X)的计算公式为：
其中，XK表示第K个数据，n表示数据个数；
结合比耶纳梅-切比雪夫不等式，相邻无人机之间的稳定力矩计算方法如下：
NSij＝1-var(Xij)
其中，NSij表示相邻无人机之间的稳定力矩。
7.一种基于智能集群的多无人机搜索救援通信系统，其特征在于，包括
基站层，用于控制无人机飞行的中心部分，存储所有收集到的信息，并在灾区部署无人机；
中继层由蜂窝池和中继无人机组成，用于通过LTE/5G技术将第一层与第二层连接起来，为远离基站的无人机提供中继，并在灾区附近没有蜂窝网络或蜂窝池的情况下，通过蜂窝池实现中继，帮助无人机建立第一层和第三层之间的连接；
集群层，用于控制恒定数量的CH无人机；
客户端层由带有专用传感器的客户端无人机群组成，用于通过无线电/无线技术让客户端无人机与CH无人机进行通信，转发参数到CH无人机。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630330.4A CN117676530A (zh) | 2023-11-30 | 2023-11-30 | 一种基于智能集群的多无人机搜索救援通信方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630330.4A CN117676530A (zh) | 2023-11-30 | 2023-11-30 | 一种基于智能集群的多无人机搜索救援通信方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117676530A true CN117676530A (zh) | 2024-03-08 |
Family
ID=90082011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311630330.4A Pending CN117676530A (zh) | 2023-11-30 | 2023-11-30 | 一种基于智能集群的多无人机搜索救援通信方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117676530A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118018104A (zh) * | 2024-04-09 | 2024-05-10 | 中科元境(江苏)文化科技有限公司 | 一种基于无人机的数据传输方法及系统 |
-
2023
- 2023-11-30 CN CN202311630330.4A patent/CN117676530A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118018104A (zh) * | 2024-04-09 | 2024-05-10 | 中科元境(江苏)文化科技有限公司 | 一种基于无人机的数据传输方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lakew et al. | Routing in flying ad hoc networks: A comprehensive survey | |
| Ho et al. | Optimization of wireless sensor network and UAV data acquisition | |
| KR102499881B1 (ko) | 드론 기지국과 드론 기지국 관리 방법 및 장치 | |
| Masroor et al. | Resource management in UAV-assisted wireless networks: An optimization perspective | |
| You et al. | Joint optimization of area coverage and mobile-edge computing with clustering for FANETs | |
| Huang et al. | Optimized deployment of drone base station to improve user experience in cellular networks | |
| CN112947548B (zh) | 一种基于频谱地图的无人机编队规划方法及系统 | |
| Malhotra et al. | A comprehensive review on recent advancements in routing protocols for flying ad hoc networks | |
| He et al. | Towards 3D deployment of UAV base stations in uneven terrain | |
| CN111381499B (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 | |
| CN112672376B (zh) | 一种无人机辅助蜂窝网络中无人机部署方法 | |
| CN113645143B (zh) | 一种空中集群通信网络的优化方法及装置 | |
| Rahmati et al. | Dynamic interference management for UAV-assisted wireless networks | |
| Gong et al. | Bayesian optimization enhanced deep reinforcement learning for trajectory planning and network formation in multi-UAV networks | |
| Shah et al. | Mobile edge computing (MEC)-enabled UAV placement and computation efficiency maximization in disaster scenario | |
| Liu et al. | Wireless powering Internet of Things with UAVs: Challenges and opportunities | |
| Jiang et al. | Maritime search and rescue networking based on multi-agent cooperative communication | |
| Yu et al. | 3D deployment of Multi-UAV for energy-saving: A game-based learning approach | |
| Ojha et al. | Wireless power transfer with unmanned aerial vehicles: State of the art and open challenges | |
| Hydher et al. | UAV deployment for data collection in energy constrained WSN system | |
| Zhang et al. | Joint computation offloading and trajectory design for aerial computing | |
| CN117676530A (zh) | 一种基于智能集群的多无人机搜索救援通信方法、系统 | |
| Say et al. | Cooperative path selection framework for effective data gathering in UAV-aided wireless sensor networks | |
| Basir et al. | Performance analysis of UAV‐enabled disaster recovery networks | |
| Say et al. | Partnership and data forwarding model for data acquisition in UAV-aided sensor networks |
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 |