WO2018107306A1 - 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 - Google Patents
一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 Download PDFInfo
- Publication number
- WO2018107306A1 WO2018107306A1 PCT/CN2016/000679 CN2016000679W WO2018107306A1 WO 2018107306 A1 WO2018107306 A1 WO 2018107306A1 CN 2016000679 W CN2016000679 W CN 2016000679W WO 2018107306 A1 WO2018107306 A1 WO 2018107306A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- neighborhood
- data
- probabilistic
- uasns
- dimensional
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
Abstract
本发明公开了一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,适用于节点部署信息和障碍物信息已知的网络,其特征在于,包含如下步骤:构建三维水声传感器网络的概率性通信模型;基于构建的三维水声传感器网络的概率性通信模型建立概率邻域位置点覆盖集作为AUV的驻留点集;基于驻留点集规划障碍物规避的AUV的数据收集路径,进行全网的数据收集。本发明的数据收集距离可根据概率需求灵活调整;有效减少了传感器节点进行数据传输的能耗,延长了网络寿命;同时有效缩短了数据收集完成时间,从而减少了数据延迟,提供了一种有效的均衡信息增益、数据延迟以及网络能耗的解决方案。
Description
本发明涉及一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,属于水声传感器网络领域。
水下数据收集对水声传感器网络(underwater acoustic sensor networks,UASNs)的应用具有至关重要的意义,无论是水下环境的监测和管理还是水下灾害监测预警,人们都需要利用UASNs收集获取到感知监测区域的兴趣消息,然后对信息进行分析处理和存储挖掘等操作,最终才能做出合理有效的决策。在UASNs的很多应用中,数据收集需要传输大量的感知数据,而大量感知数据在网络中传输,会产生大量通信开销。此外,由于节点能量是有限的电量的电池供应的而不是持续供给的,为了能够在检测区域获得更多的检测数据,保证网络的有效性,延长网络寿命就是首要的任务。因此,如何在保证信息增益的情况下,尽可能地延长网络寿命并,是一个极具挑战性的问题。
目前,对水声传感器网络数据收集方法的相关研究文献如下:
Wang等人在2008年的《International Conference on Distributed Computing Systems Workshops》上发表的文章“Data Collection with Multiple Mobile Actors in Underwater Sensor Networks”提出了一个采用多个mobile actors以获取高时间精度数据的水下数据收集方案。该方案主要包含三个算法:区域划分及actors分散算法、子区域优化算法,以及虚拟簇生成算法。该方案首先根据边界节点位置将网络划分成4n个区域,再根据节点个数估计每个子区域的收集时延,并对子区域进行优化,然后将按照一定的位置策略将actors部署到每一个子区域,建立虚拟簇进行数据收集。
Domingo等人在2011年的《Wireless Personal Communications》
上发表的文章“A Distributed Energy-Aware Routing Protocol for Underwater Wireless Sensor Networks”提出了一种能量高效的分布式聚簇方案DUCS,该方案通过分簇和数据聚合数据来消除冗余信息,以此达到减少网络能耗的目的。尽管分簇是优化大型网络总能耗的一种有效方法,但是这种方法会造成簇头节点能耗不均的问题。
Hollinger等人在2012年的《IEEE Journal on Selected Areas in Communications》上发表的文章“Underwater Data Collection using Robotic Sensor Networks”提出了一个采用AUV进行水声传感器网络数据收集的方案。该方案将规划AUV路径进行水下数据收集、在最小化路径消耗的同时最大花数据收集的问题定义为通信约束下的数据收集问题(CC-DCP),并将CC-DCP问题公式化,提出了一个启发式近似算法,最终提出三种适用于不同场景的二维启发式路径规划方案。
Ilyas等人在2015年的《Procedia Computer Science》上发表的文章“AEDG:AUV-aided Efficient Data Gathering Routing Protocol for Underwater Wireless Sensor Networks”提出了AUV辅助的数据收集方法AEDG,其目的在于实现UASNs中的可靠数据收集。在AEDG中,网关采用最短路径树算法收集节点数据,之后AUV沿预设的椭圆形轨迹从网关收集数据。该方法可以有效地平衡能量消耗,延长网络的生命周期,然而AEDG是基于确定性通信模型的,而在UASNs的实际应用中,数据传输成功率是随距离降低的。
Khan等人在2015年的《Sensors》上发表的文章“A Distributed Data-Gathering Protocol Using AUV in Underwater Sensor Networks”提出了一个分布式数据收集方案AUV-PN。在该方案中,AUV执行两个阶段:网络划分之旅(NPT)和数据收集之旅(DGT)。在NPT阶段,AUV首先将整个网络分成多个簇,每个簇根据LEACH协议选择一个簇头节点CH;然后,CH进一步将簇分为多个子簇,并为每
一个子簇指定一个path-node(PN)来收集子簇内成员节点MN的当地数据。划分完网络后,AUV开始执行DGT。在该方案中,AUV只需访问CH和PN,就可采集全网数据,有效地缩短了数据收集时间。然而,在该方案中,PN需要收集子簇内的所有数据,而PN的选取只考虑了子簇中数据上传的总能耗开销,未考虑剩余能量问题,额外的通信开销会导致PN过早死亡,影响整个网络的生命周期。
Jalaja等人在2015年的《Lecture Notes in Computer Science》上发表的文章“Adaptive data collection in sparse underwater sensor networks using mobile elements”提出了移动辅助的自适应数据收集方法,该方法通过采用移动元素来降低网络能耗,通过一种轮询机制减少数据延迟。然而,由于该方法中移动元素需要移动到所有节点进行数据收集,因此尽管采用了轮询机制,数据延迟依然很大。
综上所述,目前水声传感器网络中基于移动元素进行数据采集时普遍存在的问题是:
1)大多数水声传感器网络数据收集方案的设计都是基于理想的确定性水声通信模型,而在实际应用中,水声信道的数据传输成功率是随距离衰减的,当数据传输失败时,数据收集将无法完成;
2)基于聚簇的数据收集方法会使得簇头节点的能耗增加,最终导致网络能耗不均,降低网络寿命;
3)大多数基于移动辅助的数据收集方法都是假设传感器节点部署于同一个平面,不能有效地应用于三维水环境;
4)大多数水声传感器网络数据收集方案的设计都是基于理想的无障碍物环境,未考虑障碍物情况。
发明内容
目的:为了解决现有的水声传感器网络数据收集技术中存在的诸多问题和不足,本发明提出了一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,主要通过构建三维水声传感器网络概率性通
信模型,选取合适的概率邻域位置点覆盖集作为驻留点集,由AUV到达这些驻留点处来收集各概率邻域中节点采集到的数据,以有效平衡网络负载,降低节点能耗,延长网络生命。
本发明的技术方案如下:
一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,适用于节点部署信息和障碍物信息已知的网络,包含如下步骤:
(1)网络概率性通信模型构建:根据三维UASNs的特性,考虑声波衰落、洋流表面活动、湍流噪声、风、热噪声的因素,构建三维UASNs的概率性通信模型;
(2)概率邻域位置点覆盖集建立:基于步骤(1)构建的概率性通信模型,采取间隔取点的方式辅助建立概率邻域位置点覆盖集作为AUV的驻留点集;
(3)障碍物规避的数据收集路径规划:基于步骤(2)建立的驻留点集和障碍物情况,采用网格划分的方式辅助规划AUV的路径,缩短路径长度,以减少数据时延;
(4)数据收集:AUV沿规划好的路径开始数据收集过程,当AUV靠近选定的驻留点时,采用调度协议收集当前概率邻域内节点的数据。
优选地,步骤(1)所述的三维UASNs的概率性通信模型中,数据传输成功率随距离的增加而衰减。
优选地,步骤(2)所述的概率邻域定义为:概率邻域Ψn为三维UASNs中到位置xv的数据传输成功率P(xv,xn)≥p的所有位置xv的
集合,其中p为预设的概率阈值。
优选地,步骤(2)所述的建立概率邻域位置点覆盖集的建立采用间隔取点的方式辅助选择覆盖度最大的位置点作为驻留点。
优选地,步骤(2)所述的建立概率邻域位置点覆盖集,具体包括如下步骤:
(2-1)根据步骤(1)构建的三维UASNs的概率性通信模型,计算数据传输成功概率p与传输距离d_p的关系;
(2-3)将所有传感器节点的覆盖状态设置为0;
(2-4)计算步骤(2-2)所取的每个辅助点的覆盖度,依次选择覆盖度最大的辅助点用来确定驻留点,驻留点位置为:该辅助点的概率邻域覆盖到的节点的x、y、z坐标的平均值;
(2-5)将驻留点概率邻域内的节点的覆盖状态置为1;
(2-6)判断所有节点的覆盖状态是否均为1,若均为1,则概率邻域位置点覆盖集建立完成;否则转入步骤(2-4),直至所有节点的覆盖状态均为1,完成概率邻域位置点覆盖集的建立。
优选地,所述步骤(2-4)中覆盖的度为位置点被覆盖状态为0的节点覆盖到的次数。
优选地,步骤(3)所述的路径规划主要采用划分网格的方式进行障碍物规避,然后采用全局路径规划和局部路径规划结合的方式,规划AUV遍历驻留点集的总体路径。
优选地,步骤(3)所述的路径规划的具体步骤如下:
(3-1)将网络划分成2*2*2的网格;
(3-2)判断含有障碍物的网格是否存在节点,若存在,则将有障碍物的子网格更进一步细分成2*2*2的小网格;
(3-3)判断含有障碍物的小网格是否存在节点,若存在,则重复上一个步骤,直到所有含障碍物的网格都没有节点;
(3-4)网格划分完成后,删除所有含障碍物的网格,然后将剩下的网格建立一个连接树;
(3-5)采用全局路径规划和局部路径规划结合的方式,遍历驻留点集进行全网数据收集。
优选地,步骤(3-4)所述的连接树中,建立连接的两个网格的位置关系为面相邻。
优选地,步骤(3-5)所述的全局路径规划的策略为按照深度优先遍历的方式遍历网格连接树。
优选地,步骤(3-5)所述的局部路径规划的策略为在小网格内部采用基于最短距离的贪婪启发策略遍历驻留点。
优选地,步骤(4)所述的数据收集调度协议基于时分多址机制,具体包含三个阶段:
(4-1)初始阶段:网络中部署的所有节点都处于非活跃状态,当AUV靠近某个驻留点时,AUV广播一个包含节点初始调度信息的高功率Wake-up控制包,该高功率Wake-up控制包可以触发当前概率邻域内的节点进入活动状态;
(4-2)调度阶段:收到Wake-up包的节点判断自己是否处于当前概率邻域网格内,若是,则转为活动状态,并按照Wake-up包中分配的时槽,按序回复AUV一个确认包ACK,之后,AUV根据各节点回馈的信息重新分配时槽,并将新的传输调度信息发送给节点;
(4-3)数据传输阶段:按照新的调度信息,节点将各自存储的数据包传输给AUV,当所有节点的数据传输结束后,AUV重新调度数据传输调度协议以用于下一轮的数据传输直至所有的数据传输轮数完成。
优选地,所述步骤(4-3)的数据传输轮数是根据用户的需求预先设定的,通过增加数据传输轮数,在保持较小数据延迟的情况下,提高信息增益。
本发明的有益效果:本发明提供一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,采用概率性水声通信模型,数据收集距离可根据概率需求灵活调整;利用AUV进行数据收集,有效减少了传感器节点进行数据传输的能耗,延长了网络寿命;通过构建概率邻域位置点覆盖集,减少AUV驻留点个数,有效缩短了数据收集完成时间,从而减少了数据延迟;通过划分网格,将全局路径规划和局部路径规划相结合的方式,有效规避障碍物;通过改变数据传输成功概率p的值和数据传输轮数,提供了一种有效的均衡信息增益、数据延迟以及网络能耗的解决方案。
图1为本发明中整个数据收集方法的总体示意图;
图2为本发明中概率邻域位置点覆盖集建立的流程示意图;
图3为本发明中障碍物规避策略的网格划分示意图;
图4为本发明中全局路径规划网格连接的位置关系示意图;
图5为本发明中数据传输调度协议的框架结构示意图。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
如图1所示,一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,适用于节点部署信息和障碍物信息已知的网络,包含如下步骤:
(1)网络概率性通信模型构建:根据三维UASNs的特性,考虑声波衰落、洋流表面活动、湍流噪声、风、热噪声的因素,构建三维UASNs的概率性通信模型;
(2)概率邻域位置点覆盖集建立:基于步骤(1)构建的概率性通信模型,采取间隔取点的方式辅助建立概率邻域位置点覆盖集作为AUV的驻留点集;
(3)障碍物规避的数据收集路径规划:基于步骤(2)建立的驻留点集和障碍物情况,采用网格划分的方式辅助规划AUV的路径,缩短路径长度,以减少数据时延;
(4)数据收集:AUV沿规划好的路径开始数据收集过程,当AUV靠近选定的驻留点时,采用调度协议收集当前概率邻域内节点的数据。
优选地,步骤(1)所述的三维UASNs的概率性通信模型中,数
据传输成功率随距离的增加而衰减。
优选地,步骤(2)所述的概率邻域定义为:概率邻域Ψn为三维UASNs中到位置xv的数据传输成功率P(xv,xn)≥p的所有位置xv的集合,其中p为预设的概率阈值。
优选地,步骤(2)所述的建立概率邻域位置点覆盖集的建立采用间隔取点(指位置点,而不是传感器节点)的方式辅助选择覆盖度最大的位置点作为驻留点。
优选地,如图2所示为概率邻域位置点覆盖集建立的流程图,具体包括如下步骤:
(2-1)根据步骤(1)构建的三维UASNs的概率性通信模型,计算数据传输成功概率p与传输距离d_p(即为概率邻域半径)的关系;
(2-3)将所有传感器节点的覆盖状态设置为0;
(2-4)计算步骤(2-2)所取的每个辅助点的覆盖度,依次选择覆盖度最大的辅助点用来确定驻留点,驻留点位置为:该辅助点的概率邻域覆盖到的节点的x、y、z坐标的平均值;
(2-5)将驻留点概率邻域内的节点的覆盖状态置为1;
(2-6)判断所有节点的覆盖状态是否均为1,若均为1,则概率邻域位置点覆盖集建立完成;否则转入步骤(2-4),直至所有节点的覆盖状态均为1,完成概率邻域位置点覆盖集的建立。
优选地,所述步骤(2-4)中覆盖的度为位置点被覆盖状态为0
的节点覆盖到的次数。
优选地,步骤(3)所述的路径规划主要采用划分网格的方式进行障碍物规避,然后采用全局路径规划和局部路径规划结合的方式,规划AUV遍历驻留点集的总体路径。
优选地,如图3所示为障碍物规避策略中的网格划分示意图,具体步骤如下:
(3-1)将网络划分成2*2*2的网格;
(3-2)判断含有障碍物的网格是否存在节点,若存在,则将有障碍物的子网格更进一步细分成2*2*2的小网格;
(3-3)判断含有障碍物的小网格是否存在节点,若存在,则重复上一个步骤,直到所有含障碍物的网格都没有节点;
(3-4)网格划分完成后,删除所有含障碍物的网格,然后将剩下的网格建立一个连接树;
(3-5)采用全局路径规划和局部路径规划结合的方式,遍历驻留点集进行全网数据收集。
优选地,如图4所示为全局路径规划网格连接的位置关系示意图,在构建步骤(3-4)所述的连接树时,可以建立连接的两个网格的位置关系为面相邻。
优选地,步骤(3-5)所述的全局路径规划的策略为按照深度优先遍历的方式遍历网格连接树。
优选地,步骤(3-5)所述的局部路径规划的策略为在小网格内部采用基于最短距离的贪婪启发策略遍历驻留点。
优选地,如图5所示为数据传输调度协议的框架结构示意图,步骤(4)所述的数据收集调度协议基于时分多址机制,具体包含三个阶段:
(4-1)初始阶段:网络中部署的所有节点都处于非活跃状态,当AUV靠近某个驻留点时,AUV广播一个包含节点初始调度信息的高功率Wake-up控制包,该高功率Wake-up控制包可以触发当前概率邻域内的节点进入活动状态;
(4-2)调度阶段:收到Wake-up包的节点判断自己是否处于当前概率邻域网格内,若是,则转为活动状态,并按照Wake-up包中分配的时槽,按序回复AUV一个确认包ACK,之后,AUV根据各节点回馈的信息重新分配时槽,并将新的传输调度信息发送给节点;
(4-3)数据传输阶段:按照新的调度信息,节点将各自存储的数据包传输给AUV,当所有节点的数据传输结束后,AUV重新调度数据传输调度协议以用于下一轮的数据传输直至所有的数据传输轮数完成。
优选地,所述步骤(4-3)的数据传输轮数是根据用户的需求预先设定的,通过增加数据传输轮数,在保持较小数据延迟的情况下,提高信息增益。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
- 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,适用于节点部署信息和障碍物信息已知的网络其特征在于,包含如下步骤:(1)网络概率性通信模型构建:根据三维UASNs的特性,考虑声波衰落、洋流表面活动、湍流噪声、风、热噪声的因素,构建三维UASNs的概率性通信模型;(2)概率邻域位置点覆盖集建立:基于步骤(1)构建的概率性通信模型,采取间隔取点的方式辅助建立概率邻域位置点覆盖集作为AUV的驻留点集;(3)障碍物规避的数据收集路径规划:基于步骤(2)建立的驻留点集和障碍物情况,采用网格划分的方式辅助规划AUV的路径,缩短路径长度,以减少数据时延;(4)数据收集:AUV沿规划好的路径开始数据收集过程,当AUV靠近选定的驻留点时,采用数据传输调度协议收集当前概率邻域内节点的数据。
- 根据权利要求1所述的一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(1)所述的三维UASNs的概率性通信模型中,数据传输成功率随距离的增加而衰减。
- 根据权利要求1所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(2)所述的概率邻域定义为:概率邻域Ψn为三维UASNs中到位置xv的数据传输成功率P(xv,xn)≥p的所有位置xv,的集合,其中p为预设的概率阈值。
- 根据权利要求1所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(2)所述的建立概率邻域位置点覆盖集的建立采用间隔取点的方式辅助选择覆盖度最大的位置点作为驻留点。
- 根据权利要求1所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(2)所述的建立概率邻域位置点覆盖集,具体包括如下步骤:(2-1)根据步骤(1)构建的三维UASNs的概率性通信模型,计算数据传输成功概率p与传输距离d_p的关系;(2-3)将所有传感器节点的覆盖状态设置为0;(2-4)计算步骤(2-2)所取的每个辅助点的覆盖度,依次选择覆盖度最大的辅助点用来确定驻留点,驻留点位置为:该辅助点的概率邻域覆盖到的节点的x、y、z坐标的平均值;(2-5)将驻留点概率邻域内的节点的覆盖状态置为1;(2-6)判断所有节点的覆盖状态是否均为1,若均为1,则概率邻域位置点覆盖集建立完成;否则转入步骤(2-4),直至所有节点的覆盖状态均为1,完成概率邻域位置点覆盖集的建立。
- 根据权利要求5所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,所述步骤(2-4)中的覆盖度为位置点被覆盖状态为0的节点覆盖到的次数。
- 根据权利要求1所述的一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(3)所述的路径规划主要采用划分网格的方式进行障碍物规避,然后采用全局路径规划和局部路径规划结合的方式,规划AUV遍历驻留点集的总体路径。
- 根据权利要求1所述的一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(3)所述的路径规划的具体步骤为:(3-1)将网络划分成2*2*2的网格;(3-2)判断含有障碍物的网格是否存在节点,若存在,则将有障碍物的子网格更进一步细分成2*2*2的小网格;(3-3)判断含有障碍物的小网格是否存在节点,若存在,则重复上一个步骤,直到所有含障碍物的网格都没有节点;(3-4)网格划分完成后,删除所有含障碍物的网格,然后将剩下的网格建立一个连接树;(3-5)采用全局路径规划和局部路径规划结合的方式,遍历驻留点集进行全网数据收集。
- 根据权利要求8所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(3-4)所述的连接树中,建立连接的两个网格的位置关系为面相邻。
- 根据权利要求8所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(3-5)所述的全局路径规划的策略为按照深度优先遍历的方式遍历网格连接树。
- 根据权利要求9所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(3-5)所述的局部路径规划的策略为在小网格内部采用基于最短距离的贪婪启发策略遍历驻留点集。
- 根据权利要求1所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,步骤(4)所述的数据收集的数据传输调度协议基于时分多址机制,具体包含三个阶段:(4-1)初始阶段:网络中部署的所有节点都处于非活跃状态,当AUV靠近某个驻留点时,AUV广播一个包含节点初始调度信息的高功率Wake-up控制包,该高功率Wake-up控制包可以触发当前概率邻域内的节点进入活动状态;(4-2)调度阶段:收到Wake-up包的节点判断自己是否处于当前概率邻域网格内,若是,则转为活动状态,并按照Wake-up包中分配的时槽,按序回复AUV一个确认包ACK,之后,AUV根据各节点回馈的信息重新分配时槽,并将新的传输调度信息发送给节点;(4-3)数据传输阶段:按照新的调度信息,节点将各自存储的数据包传输给AUV,当所有节点的数据传输结束后,AUV重新调度数据传输调度协议以用于下一轮的数据传输直至所有的数据传输轮数完成。
- 根据权利要求12所述的基于概率邻域和障碍物规避的三维UASNs的数据收集方法,其特征在于,所述步骤(4-3)的数据传输轮数是根据用户的需求预先设定的,通过增加数据传输轮数,在保持较小数据延迟的情况下,提高信息增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/000679 WO2018107306A1 (zh) | 2016-12-12 | 2016-12-12 | 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/000679 WO2018107306A1 (zh) | 2016-12-12 | 2016-12-12 | 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018107306A1 true WO2018107306A1 (zh) | 2018-06-21 |
Family
ID=62557773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2016/000679 WO2018107306A1 (zh) | 2016-12-12 | 2016-12-12 | 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2018107306A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240315A (zh) * | 2018-08-27 | 2019-01-18 | 西北工业大学 | 一种新型水下自主避障系统及水下避障方法 |
CN109873677A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN111556429A (zh) * | 2020-04-02 | 2020-08-18 | 清华大学 | 一种基于契约的水下声学传感网信息收集方法 |
CN111913487A (zh) * | 2020-09-03 | 2020-11-10 | 华侨大学 | 一种基于移动机器人的工业现场数据采集路径规划方法 |
CN112055373A (zh) * | 2020-09-02 | 2020-12-08 | 西北工业大学 | 栅形时反多址下水声网络建模与最佳单跳距离确定方法 |
CN112351466A (zh) * | 2020-10-27 | 2021-02-09 | 常州信息职业技术学院 | 水声传感网中基于auv时空均分部署的数据收集方法 |
CN112817332A (zh) * | 2021-01-06 | 2021-05-18 | 浙江大学 | 一种基于海洋环境的水下航行器隐蔽路径规划方法 |
CN113708953A (zh) * | 2021-07-10 | 2021-11-26 | 西北工业大学 | 一种基于节点重要性均衡的水声传感器网络抗毁方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209261A (zh) * | 2016-07-21 | 2016-12-07 | 河海大学常州校区 | 基于概率邻域网格的三维UASNs的移动数据收集方法 |
-
2016
- 2016-12-12 WO PCT/CN2016/000679 patent/WO2018107306A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209261A (zh) * | 2016-07-21 | 2016-12-07 | 河海大学常州校区 | 基于概率邻域网格的三维UASNs的移动数据收集方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240315A (zh) * | 2018-08-27 | 2019-01-18 | 西北工业大学 | 一种新型水下自主避障系统及水下避障方法 |
CN109873677A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN109873677B (zh) * | 2019-03-08 | 2021-09-10 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN111556429A (zh) * | 2020-04-02 | 2020-08-18 | 清华大学 | 一种基于契约的水下声学传感网信息收集方法 |
CN111556429B (zh) * | 2020-04-02 | 2021-08-31 | 清华大学 | 一种基于契约的水下声学传感网信息收集方法 |
CN112055373A (zh) * | 2020-09-02 | 2020-12-08 | 西北工业大学 | 栅形时反多址下水声网络建模与最佳单跳距离确定方法 |
CN112055373B (zh) * | 2020-09-02 | 2022-03-15 | 西北工业大学 | 栅形时反多址下水声网络建模与最佳单跳距离确定方法 |
CN111913487B (zh) * | 2020-09-03 | 2022-03-25 | 华侨大学 | 一种基于移动机器人的工业现场数据采集路径规划方法 |
CN111913487A (zh) * | 2020-09-03 | 2020-11-10 | 华侨大学 | 一种基于移动机器人的工业现场数据采集路径规划方法 |
CN112351466A (zh) * | 2020-10-27 | 2021-02-09 | 常州信息职业技术学院 | 水声传感网中基于auv时空均分部署的数据收集方法 |
CN112351466B (zh) * | 2020-10-27 | 2022-08-16 | 常州信息职业技术学院 | 水声传感网中基于auv时空均分部署的数据收集方法 |
CN112817332A (zh) * | 2021-01-06 | 2021-05-18 | 浙江大学 | 一种基于海洋环境的水下航行器隐蔽路径规划方法 |
CN113708953A (zh) * | 2021-07-10 | 2021-11-26 | 西北工业大学 | 一种基于节点重要性均衡的水声传感器网络抗毁方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018107306A1 (zh) | 一种基于概率邻域和障碍物规避的三维UASNs的数据收集方法 | |
Misra et al. | Policy controlled self-configuration in unattended wireless sensor networks | |
Liu et al. | A new multi-path routing protocol based on cluster for underwater acoustic sensor networks | |
CN107222900B (zh) | 一种基于动态链的无线传感器网络节点协作方法 | |
Tang et al. | A novel data retrieving mechanism in wireless sensor networks with path-limited mobile sink | |
CN104883676A (zh) | 一种多无人机环境下协同安全通信方法 | |
CN104284386A (zh) | 基于点介数的无线传感器网络簇头选择方法 | |
Zhang et al. | Clustered routing protocol based on improved K-means algorithm for underwater wireless sensor networks | |
Avokh et al. | Dynamic balanced spanning tree (DBST) for data aggregation in wireless sensor networks | |
CN106899928B (zh) | 基于移动节点的树形无线传感网数据收集方法 | |
CN106209261B (zh) | 基于概率邻域网格的三维UASNs的移动数据收集方法 | |
Toor et al. | A new energy aware cluster based multi-hop energy efficient routing protocol for wireless sensor networks | |
Chen et al. | A clustering protocol for wireless sensor networks based on energy potential field | |
Souiki et al. | Energy efficient routing for Mobile underwater wireless sensor networks | |
CN103237364B (zh) | 一种集成的无线传感器网络数据收集机制 | |
Angel et al. | Eeeca: Enhanced energy efficient clustering algorithm for mobile wireless sensor networks | |
Vahabi et al. | CBDS 2 R: A Cluster-Based Depth Source Selection Routing for Underwater Wireless Sensor Network | |
Neamatollahi et al. | A distributed clustering scheme for wireless sensor networks | |
Bharathi et al. | Artificial bee colony algorithm to find optimum path for mobile agents in wireless sensor networks | |
Dhurandher et al. | Optimizing energy through parabola based routing in underwater sensor networks | |
Furat et al. | A energy-efficient routing algorithm in ZigBee-based cluster tree wireless sensor networks | |
CN106231636B (zh) | 基于概率邻域覆盖集的三维UASNs的移动数据收集方法 | |
Zebbane et al. | Exploiting node redundancy for maximizing wireless sensor network lifetime | |
Shakeel et al. | Improved interference aware EEDBR protocol for underwater wireless sensor networks | |
Chiang et al. | Regional energy aware clustering with isolated nodes in Wireless Sensor Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 16923870 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 16923870 Country of ref document: EP Kind code of ref document: A1 |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 16923870 Country of ref document: EP Kind code of ref document: A1 |