CN109547938A - 无线传感器网络中无人机的轨迹规划方法 - Google Patents
无线传感器网络中无人机的轨迹规划方法 Download PDFInfo
- Publication number
- CN109547938A CN109547938A CN201910028176.0A CN201910028176A CN109547938A CN 109547938 A CN109547938 A CN 109547938A CN 201910028176 A CN201910028176 A CN 201910028176A CN 109547938 A CN109547938 A CN 109547938A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- node
- node set
- track
- sensor node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009187 flying Effects 0.000 claims description 9
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 7
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 12
- 238000013480 data collection Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络中无人机的轨迹规划方法,该方法将无线传感器网络中多无人机轨迹的设计问题模型化为混合整数非凸优化问题,该方法首先基于聚合算法对传感器节点进行分组,形成多个节点集合,并针对每一节点集合计算无人机访问该节点集合中的传感器节点的访问顺序,并针对每一访问顺序利用凸优化技术计算对应的航迹点,并利用航迹点进行计算得到中心点从而得到新的节点集合,并基于新的节点集合按照上述过程得到对应的新的航迹点,直至得到最小的访问时间为止,使得每一个无人机可以从其对应的传感器节点集合中可靠的收集数据,同时可以最小化所有无人机的飞行时间。
Description
技术领域
本发明涉及通信技术领域,更具体地说,涉及一种无线传感器网络中无人机的轨迹规划方法。
背景技术
在过去的几十年中,无线传感器网络的使用迅速增长,无线传感器网络由分布在不同地理位置上的大量传感器节点组成。随着电子设备制造过程的最新进展,传感器节点可以获得更低的市场价格和更高的捕获、处理和传输数据的能力。无线传感器网络已经在各个领域得到广泛应用,包括信息收集,环境监测,工业自动化以及智能建筑等。
但是传感器节点能量有限成为延长无线传感网络使用寿命的主要设计问题。无线传感网络的传统方法是通过多跳传感器通信来收集数据,但是这具有不平衡的能量消耗问题。此外,鉴于传感器是随机部署的,如果没有完全连接,则很难从所有传感器获取信息。目前,由于无人机和传感器节点之间的直接通信能力,无人机能有效的在传感器网络中收集数据。具体来说,通过利用无人机的移动性,无人机能够高效地从传感器节点收集数据,因为它可以依次的访问每个传感器节点并仅在它足够靠近每个传感器节点时从它们收集数据。因此,从每个传感器节点收集数据时,传感器节点到无人机的链路距离显著减小,这节省了所有传感器节点的传输能量。为了从所有传感器节点收集数据,无人机需要访问传感器网络中的所有传感器节点进而飞行时间将显着增加,这对于具有有限的机载能量的无人机是不现实的。因此,可以采用多个无人机,并且每个无人机可以从给定区域中的地面上的一组传感器节点收集数据。在支持多无人机的无线传感器网络中设计用于数据收集的无人机轨迹存在两个关键问题。第一,由于传感器节点和移动无人机之间的动态变化无线信道,使得传输丢包现象严重。因此,无人机应当更接近传感器节点,从而实现可靠的数据收集。第二,由于无人机的机载能量有限,因此对于传感器节点与无人机的关联应当进行适当地设计,以确保在收集到所有传感器数据的前提下每个无人机的飞行时间足够小。
发明内容
为解决上述技术问题,本发明提供一种无线传感器网络中无人机的轨迹规划方法。
为实现上述目的,本发明所采用的具体技术方案如下:
一种无线传感器网络中无人机的轨迹规划方法,包括:
S1:根据无线传感器网络中各传感器节点的分布位置按照聚类算法将传感器节点分成K个节点集合,每一所述节点集合与一个无人机关联;
S2:针对当前得到的每一节点集合计算无人机访问该节点集合中的传感器节点的顺序;
S3:针对每一节点集合的访问顺序计算无人机的航迹点,并根据所述航迹点计算无人机访问完相应节点集合的最小访问时间;
S4:根据当前每一节点集合对应的航迹点计算相应节点集合的中心点,并根据所述中心点以及各传感器节点的分布位置按照聚类算法进行计算重新得到K个新的节点集合;
S5:针对每一所述新的节点集合计算无人机访问该节点集合中的传感器节点的顺序;
S6:针对每一所述新的节点集合的访问顺序计算无人机的航迹点,并根据所述航迹点计算无人机访问完相应新的节点集合的最小访问时间;
S7:判断当前得到的最小访问时间是否小于上一次计算过程中得到的最小访问时间,如是,转至S4,如否,转至S8;
S8:针对每一无人机,输出当前与该无人机关联的节点集合对应的航迹点。
进一步地,步骤S1包括:
从各所述传感器节点的分布位置中随机选择k个位置中心通过K-means算法进行计算得到K个节点集合。
进一步地,步骤S2以及步骤S5中基于建立的TSP模型来计算每一节点集合对应的访问顺序。
进一步地,设无线传感器网络中传感器节点的总集合为{s1,s2,...sN},与节点集合Sk关联的无人机uk对该节点集合中的传感器节点进行访问的访问顺序为∑k,σi表示传感器节点的下标索引,表示传感器节点的位置,所述TSP模型为:
其中,1≤k≤K,|Sk|为节点集合Sk中的元素个数,Vmax为无人机的最大飞行速度。
进一步地,步骤S3以及步骤S6中在轨迹点模型的基础上利用凸优化技术进行计算得到每一节点集合对应的航迹点,所述轨迹点模型为:
其中,为无人机um从传感器节点收集数据的航迹点,γ0表示参考信噪比,表示最小可检测信噪比,H表示无人机的飞行高度。
进一步地,步骤S4包括:
针对当前每一节点集合对应的所有轨迹点的坐标计算平均值得到中心坐标;
将所述中心坐标对应的位置作为新的节点集合的位置中心,并利用K-means算法进行计算得到K个新的节点集合。
通过本发明提供的无线传感器网络中无人机的轨迹规划方法,解决了无线传感器网络中多无人机轨迹的设计难点,以便多无人机在无线传感器网络中可靠地收集数据,并且同时可以保证无人机的飞行时间足够小。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为无人机从无线传感器网络中收集数据的示意图;
图2为无线传感器网络中无人机的轨迹规划方法的流程示意图;
图3为通过本实施例提供的方法得到的无人机在无线传感器网络中的轨迹图;
图4为实验结果中传感器节点数量与无人机最小飞行时间之间的关系示意图;
图5为实验结果中通信半径与无人机最小飞行时间之间的关系示意图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
由于可以灵活移动的无人机和地面传感器节点之间存在直接的通信能力,无人机越来越成为传感器网络中有潜力的数据收集器,本实施例中将无人机的轨迹设计和传感器节点同无人机的关联进行联合优化,使得多无人机可以在无线传感器网络中可靠地进行数据收集,本实施例中将该联合优化问题模型化为一个混合整数规划问题,目标在于最小化所有无人机的最大飞行时间,所以通过本实施例提供的方案,可以显著缩小所有无人机的飞行时间,由于实际应用中无人机的能量有限,其飞行时间必然有限,所以通过本实施例提供的方案,可以更好的对无人机进行实际应用。
如图1所示,无人机可以从无线传感器网络中收集数据,在本实施例中假设有K个无人机需要从N个传感器节点中收集数据,K≤N,无人机和传感器节点的总集合分别表示为{u1,u2,…uK}和{s1,s2,…sN}。每个传感器节点sn产生的数据表示为fn,无人机通过地对空的上行通信链路来收集这些数据,每个传感器节点sn的位置表示为本实施例中每个传感器节点的位置是固定且已知的。例如,传感器节点位置信息可以通过在实际的无线传感器网络***数据库查询得到。假设所有无人机飞行的高度为H,通常H是确保无人机安全飞行的最低高度。假设每个无人机uk的飞行时间为Tk。在时间Tk内,无人机uk通过时分多址(TDMA)从与其关联的传感器节点收集数据,1≤k≤K,1≤n≤N。
本实施例中假设无人机uk的飞行轨迹投射到水平面上表示为qk(t)∈R2×1,其中0≤t≤Tk.令Vmax表示无人机的最大飞行速度。为了使无人机周期性地服务相关联的传感器节点,无人机uk需要在时间Tk结束时返回其初始位置,也即,qk(0)=qk(Tk),
假设无人机和传感器节点之间的信道主要是视距(Line-of-sight)链路。如果无人机uk从传感器节点sn收集数据,则无人机接收端的信噪比SNR由下式给出:
其中表示参考SNR,并且p,σ2,β0分别表示传感器节点的传输功率,无人机接收端的噪声功率和参考距离1m处的信道功率增益。由于无人机需要可靠地收集传感数据,因此在数据收集期间需要满足无人机的最小可检测信噪比由于ρk,n(t)由无人机飞行轨迹qk(t)确定,并且ρk,n(t)需要满足对于数据可靠收集的SNR约束条件。因此,要能满足UAVuk对其关联的传感器节点sn可靠数据收集的最小SNR目标当且仅当在数据收集期间无人机uk和传感器节点sn之间的水平距离也即,无人机需要飞行到位置为wn的传感器节点sn的半径为的邻域内才能进行可靠的数据收集。
假设传感器节点产生的数据fn的数据量很小(例如,温度,湿度),那么与无人机的飞行时间相比,数据fn的传输时间可以忽略不计。因此,无人机从传感器节点sn收集数据时,只要在时间范围0≤t≤Tk内,无人机uk在区域 中存在航迹点qk,n就可以从传感器节点sn中可靠地收集数据了。所以本实施例中可以根据最大传输半径和传感器节点的位置信息,来确定如何将传感器节点与无人机相关联并设计每个无人机的轨迹,以最小化所有无人机的最大飞行时间,同时确保可靠的数据收集。本实施例中将这种多无人机轨迹设计和无人机-传感器关联的联合优化问题称为联合轨迹和关联优化(JTAO)问题。
为解决上面提出的JTAO问题,本实施例提供一种无线传感器网络中无人机的轨迹规划方法,具体的可以参见图2所示,包括:
S1:根据无线传感器网络中各传感器节点的分布位置按照聚类算法将传感器节点分成K个节点集合,每一节点集合与一个无人机关联。
本步骤中可以从各传感器节点的分布位置中随机选择K个位置中心通过K-means算法进行计算得到K个节点集合。应当理解的是,K为需要从无线传感器网络中进行数据收集的无人机的总数量。
S2:针对当前得到的每一节点集合计算无人机访问该节点集合中的传感器节点的顺序。
S3:针对每一节点集合的访问顺序计算无人机的航迹点,并根据该航迹点计算无人机访问完相应节点集合的最小访问时间。
S4:根据当前每一节点集合对应的航迹点计算相应节点集合的中心点,并根据中心点以及各传感器节点的分布位置按照聚类算法进行计算重新得到K个新的节点集合。
对于步骤S4,可以针对当前每一节点集合对应的所有轨迹点的坐标计算平均值得到中心坐标;将中心坐标对应的位置作为新的节点集合的位置中心,并利用K-means算法进行计算得到K个新的节点集合。
S5:针对每一新的节点集合计算无人机访问该节点集合中的传感器节点的顺序。
S6:针对每一新的节点集合的访问顺序计算无人机的航迹点,并根据该航迹点计算无人机访问完相应新的节点集合的最小访问时间。
S7:判断当前得到的最小访问时间是否小于上一次计算过程中得到的最小访问时间,如是,转至S4,如否,转至S8。
S8:针对每一无人机,输出当前与该无人机关联的节点集合对应的航迹点。
步骤S2以及步骤S5中基于建立的TSP模型来计算每一节点集合对应的访问顺序。
设无线传感器网络中传感器节点的总集合为{s1,s2,...sN},与节点集合Sk关联的无人机uk对该节点集合中的传感器节点进行访问的访问顺序为∑k,σi表示传感器节点的下标索引,表示传感器节点的位置,则TSP模型为:
其中,1≤k≤K,|Sk|为节点集合Sk中的元素个数,Vmax为无人机的最大飞行速度。
所以针对每一节点集合,都应当根据其对应的TSP模型计算无人机访问该节点集合中的传感器节点的访问顺序,针对TSP模型,可以根据现有的蚁群算法,或者模拟退火算法等等进行计算,从而得到最小Tk'对应的访问顺序。
步骤S3以及步骤S6中可以在轨迹点模型的基础上利用凸优化技术进行计算得到每一节点集合对应的航迹点,轨迹点模型为:
其中,为无人机um从传感器节点收集数据的航迹点,γ0表示参考信噪比,表示最小可检测信噪比,H表示无人机的飞行高度。
下面对为何可以基于TSP模型以及轨迹点模型来解决JTAO问题进行具体介绍。
本实施例中定义二进制变量xk,n表示传感器节点sn与无人机uk的关联变量。如果xk,n=1,则表示sn与uk关联,如果xk,n=0,则表示sn与uk不关联。令节点集合Sk表示与无人机uk关联的所有传感器节点的集合,则Sk={sn|xk,n=1},其中|Sk|为节点集合Sk的元素个数。换句话说,无人机uk需要从节点集合Sk中进行可靠的数据收集。设为集合Sk中传感器节点的下标索引的排列,σi≠σj,i≠j,则∑k可以用来表示对节点集合Sk中传感器节点的访问顺序假设qk,n为无人机uk从传感器节点sn收集数据的航迹点。假设每个无人机都需要返回其初始位置,令那么无人机uk总的飞行距离可以表示为设X={xk,n},上述的JTAO问题可以模型化为下面的混合整数非凸优化问题:
在问题(P1)中,优化目标是最小化所有无人机的飞行时间。约束条件(2)确保每个传感器节点仅与一个无人机相关联。约束条件(4)表示无人机uk的总飞行距离不能超过VmaxTk。约束条件(5)意味着无人机uk可以在传感器节点sn周围半径的邻域内可靠地获取数据。
这里考虑JTAO问题的特殊情况,即只有一个无人机(K=1)和这意味着无人机需要飞行到每个传感器节点的顶部从而可靠地进行数据收集,由于K=1,为了表述上的简洁,省略无人机的索引k,则访问的每个传感器节点sn的航迹点qn=wn,JTAO问题的特例可以转换为:
问题(P2)等同于TSP问题,这是一个已知的NP难问题。由于解决JTAO问题是NP难的,找到具有多项式时间的最优解是不可行的。因此,可以寻求在多项式时间内找到有效的启发式解。
在(P1)中,需要确定关联规则X和访问顺序∑k,以及航点qk,n。根据(P1)中的式(2)和式(3),节点集合Sk是传感器节点集合{s1,s2,…sN}的一个划分。因此,确定关联规则X相当于找到传感器节点集合一个划分,这类似于无线传感器中的聚类分簇操作。由于目标是最小化所有无人机的最大飞行时间,给定传感器节点的位置信息,有效的聚类方法是将位于彼此附近的传感器节点聚类成同一簇并为其分配无人机。这种方法显着减少了对应的无人机的飞行距离。对于聚类问题,在本实施例中可以采用K-means聚类策略,这是一种有效的基于距离的聚类方法,基于传感器节点相互之间的距离被分组为K个簇。在这种情况下,给定传感器节点的位置信息,可以通过基于传感器节点相互之间的距离对传感器节点进行分簇来得到K个传感器节点集合,并且将相同的UAV关联到同一簇的传感器节点,在得到K个传感器节点集合的基础上,问题(P1)可以简化为:
为了解决问题(P3),将(P3)分解为K个子问题,每个子问题对应于与无人机uk相关联的传感器节点集合Sk。对于每个节点集合Sk,子问题可以表述如下,
在问题(P4)中,对于节点集合Sk,需要确定其访问顺序∑k以及航迹点首先可以忽略通信半径从而解决TSP问题从而确定集合Sk的访问顺序∑k。解决TSP问题的算法是NP难的,但是可以现有的蚁群算法等来解决TSP问题,在得到访问顺序∑k后,问题(P4)可以简化为:
在问题(P5)中,由于目标函数和约束都是凸函数,所以(P5)是凸优化问题,所以可以通过现有的凸优化技术,例如通过CVX进行有效地求解。
本实施例中采用K-means聚类策略来确定节点集合Sk时使用的是传感器节点的位置,而忽略了通信半径该聚类结果取决于选择的初始中心。在K-means算法中,初始中心是在传感器节点的位置中随机选择的,所以本实施例中还通过求解问题(P5)得到的航迹点来计算中心点并根据该中心点计算出新的节点集合,因此,本实施例中提出了解决问题(P1)的无线传感器网络中无人机的轨迹规划方法,该方法中通过不断迭代寻求最优解,在每次迭代的过程中,通过相应地解决聚类问题或问题(P3),交替优化传感器节点与无人机的关联以及和无人机轨迹(无人机的访问顺序和航路点),并且每次迭代中获得的结果用作下一次迭代的输入。
为了验证本实施例提供的方法的有效性,进行了模拟实验,在实验中基于上述提供的方法流程对无线传感器网络中无人机的飞行轨迹进行规划,在这一过程中利用了K-means算法、建立了TSP模型以及轨迹点模型,并根据凸优化技术进行求解。假设N个传感器节点随机且均匀地分布在2.0×2.0km2的正方形区域中,如图3所示。使用所有无人机的最小飞行时间(访问时间)作为性能度量,并将本实施例提出的方案与基于条纹的基准方案和传感器节点顶部作为航迹点基准方案进行比较。为公平比较,在基于条纹的基准方案中,将整个区域分为K个等间距的条纹区域,不同条纹覆盖的传感器节点对应不同的Sk,并且每个Sk的访问顺序和航迹点都是根据本实施例提出的算法确定的。而在传感器节点顶部作为航迹点基准方案,Sk由本实施例提出的算法确定,然后通过简单地应用TSP算法,无人机顺序地访问每个Sk中的所有传感器节点。当K=2,N=20,并且时,本实施例提出的解决方案的优化轨迹如图3所示。从图3中可以看到,与u1相关联的传感器节点和与u2相关联的传感器不同,并且无人机从每个传感器节点收集数据的航迹点其由相应传感器节点的通信区域覆盖。
图4显示了三种不同方案中传感器节点数量对***性能的影响。假设无人机的数量是K=4,从图4中可以看出,所有无人机最小飞行时间随着传感器数量的增加而增加,本实施例提出的解决方案对应图4以及图5中的a,基于条纹的基准方案对应图4和图5中的b,传感器节点顶部作为航迹点基准方案对应图4和图5中的c,由图4可以看出,本实施例提出的方案优于其他基准方案。原因在于,由于访问顺序优化和使用凸优化技术的航迹点设计,本实施例提出的方案可以实现对传感器节点的更有效的数据收集,同时可以合理地分配传感器与无人机的关联。
在图5中,比较了传感器节点的可靠通信半径变化时的最小飞行时间。随着通信半径的增加,本实施例提出的解决方案和基于条纹的基准方案的最小飞行时间减少,因为这两个方案优化了航迹点以使无人机只需要飞到每个传感器的通信覆盖范围边缘,这就减少了每个无人机的飞行时间,另外,当通信半径变化时,传感器节点顶部作为航迹点基准方案的性能保持相同,因为对于该基准方案没有航迹点优化并且无人机需要飞到每个传感器的顶部以收集数据。此外,还观察到当时,本实施例提出的解决方案和基于条纹的基准方案性能一样。原因在于基于条纹的基准方案使用了本实施例中的方法来获得无人机与传感器节点的关联和访问顺序,并且当时无需优化航迹点。
要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种无线传感器网络中无人机的轨迹规划方法,其特征在于,包括:
S1:根据无线传感器网络中各传感器节点的分布位置按照聚类算法将传感器节点分成K个节点集合,每一所述节点集合与一个无人机关联;
S2:针对当前得到的每一节点集合计算无人机访问该节点集合中的传感器节点的顺序;
S3:针对每一节点集合的访问顺序计算无人机的航迹点,并根据所述航迹点计算无人机访问完相应节点集合的最小访问时间;
S4:根据当前每一节点集合对应的航迹点计算相应节点集合的中心点,并根据所述中心点以及各传感器节点的分布位置按照聚类算法进行计算重新得到K个新的节点集合;
S5:针对每一所述新的节点集合计算无人机访问该节点集合中的传感器节点的顺序;
S6:针对每一所述新的节点集合的访问顺序计算无人机的航迹点,并根据所述航迹点计算无人机访问完相应新的节点集合的最小访问时间;
S7:判断当前得到的最小访问时间是否小于上一次计算过程中得到的最小访问时间,如是,转至S4,如否,转至S8;
S8:针对每一无人机,输出当前与该无人机关联的节点集合对应的航迹点。
2.如权利要求1所述的无线传感器网络中无人机的轨迹规划方法,其特征在于,步骤S1包括:
从各所述传感器节点的分布位置中随机选择k个位置中心通过K-means算法进行计算得到K个节点集合。
3.如权利要求1所述的无线传感器网络中无人机的轨迹规划方法,其特征在于,步骤S2以及步骤S5中基于建立的TSP模型来计算每一节点集合对应的访问顺序。
4.如权利要求3所述的无线传感器网络中无人机的轨迹规划方法,其特征在于,设无线传感器网络中传感器节点的总集合为{s1,s2,...sN},与节点集合Sk关联的无人机uk对该节点集合中的传感器节点进行访问的访问顺序为∑k,σi表示传感器节点的下标索引,表示传感器节点的位置,所述TSP模型为:
其中,1≤k≤K,|Sk|为节点集合Sk中的元素个数,Vmax为无人机的最大飞行速度。
5.如权利要求4所述的无线传感器网络中无人机的轨迹规划方法,其特征在于,步骤S3以及步骤S6中在轨迹点模型的基础上利用凸优化技术进行计算得到每一节点集合对应的航迹点,所述轨迹点模型为:
其中,为无人机um从传感器节点收集数据的航迹点,γ0表示参考信噪比,表示最小可检测信噪比,H表示无人机的飞行高度。
6.如权利要求4所述的无线传感器网络中无人机的轨迹规划方法,其特征在于,步骤S4包括:
针对当前每一节点集合对应的所有轨迹点的坐标计算平均值得到中心坐标;
将所述中心坐标对应的位置作为新的节点集合的位置中心,并利用K-means算法进行计算得到K个新的节点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028176.0A CN109547938B (zh) | 2019-01-11 | 2019-01-11 | 无线传感器网络中无人机的轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028176.0A CN109547938B (zh) | 2019-01-11 | 2019-01-11 | 无线传感器网络中无人机的轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109547938A true CN109547938A (zh) | 2019-03-29 |
CN109547938B CN109547938B (zh) | 2020-08-04 |
Family
ID=65835078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910028176.0A Active CN109547938B (zh) | 2019-01-11 | 2019-01-11 | 无线传感器网络中无人机的轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109547938B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857143A (zh) * | 2019-04-09 | 2019-06-07 | 大连大学 | 一种吞吐量最大化的无人机轨迹规划方法 |
CN110166110A (zh) * | 2019-05-22 | 2019-08-23 | 南京理工大学 | 基于边缘计算的无人机路径规划方法 |
CN110224723A (zh) * | 2019-05-21 | 2019-09-10 | 电子科技大学 | 一种无人机辅助反向散射通信***设计方法 |
CN110364031A (zh) * | 2019-07-11 | 2019-10-22 | 北京交通大学 | 地面传感器网络中无人机集群的路径规划和无线通信方法 |
CN110579214A (zh) * | 2019-10-16 | 2019-12-17 | 中国人民解放军国防科技大学 | 无人机路径规划方法和装置 |
CN110634331A (zh) * | 2019-09-12 | 2019-12-31 | 广州大学 | 基于负载均衡的多uav路径设计方法 |
CN110645988A (zh) * | 2019-10-11 | 2020-01-03 | 广州大学 | 一种基于最优寿命的无人机路径规划方法 |
CN110753354A (zh) * | 2019-10-08 | 2020-02-04 | 河南理工大学 | 基于无人机协作星地联合noma通信***位置部署方法 |
CN112068596A (zh) * | 2020-09-24 | 2020-12-11 | 东南大学 | 一种面向无线传感网数据采集的无人机能耗最优飞行控制方法 |
CN112445238A (zh) * | 2020-11-19 | 2021-03-05 | 西南大学 | 一种基于神经网络的无人机循迹*** |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN112954584A (zh) * | 2021-01-28 | 2021-06-11 | 西安电子科技大学 | 基于量子退火算法的无人机通信网络路由规划方法 |
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN114485705A (zh) * | 2022-01-12 | 2022-05-13 | 上海于万科技有限公司 | 一种基于路网地图的清扫路径确定方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572997A (zh) * | 2012-03-03 | 2012-07-11 | 南昌航空大学 | 移动无线传感器网络Sink节点的开发方法 |
CN106327024A (zh) * | 2016-09-18 | 2017-01-11 | 成都天麒科技有限公司 | 一种无人机农药喷洒路径规划***及方法 |
CN108718454A (zh) * | 2018-05-09 | 2018-10-30 | 中国人民解放***箭军工程大学 | 一种多无人机通信中继平台协作自主布设方法 |
US20190003807A1 (en) * | 2015-12-15 | 2019-01-03 | Tradewinds Technology, Llc | UAV Defense System |
-
2019
- 2019-01-11 CN CN201910028176.0A patent/CN109547938B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572997A (zh) * | 2012-03-03 | 2012-07-11 | 南昌航空大学 | 移动无线传感器网络Sink节点的开发方法 |
US20190003807A1 (en) * | 2015-12-15 | 2019-01-03 | Tradewinds Technology, Llc | UAV Defense System |
CN106327024A (zh) * | 2016-09-18 | 2017-01-11 | 成都天麒科技有限公司 | 一种无人机农药喷洒路径规划***及方法 |
CN108718454A (zh) * | 2018-05-09 | 2018-10-30 | 中国人民解放***箭军工程大学 | 一种多无人机通信中继平台协作自主布设方法 |
Non-Patent Citations (2)
Title |
---|
GONG JIE等: "《Flight Time Minimization of UAV for Data Collection Over Wireless Sensor Networks》", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
詹成等: "《Trajectory Design for Distributed Estimation in UAV-Enabled Wireless Sensor Network》", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857143A (zh) * | 2019-04-09 | 2019-06-07 | 大连大学 | 一种吞吐量最大化的无人机轨迹规划方法 |
CN109857143B (zh) * | 2019-04-09 | 2022-02-22 | 大连大学 | 一种吞吐量最大化的无人机轨迹规划方法 |
CN110224723A (zh) * | 2019-05-21 | 2019-09-10 | 电子科技大学 | 一种无人机辅助反向散射通信***设计方法 |
CN110166110A (zh) * | 2019-05-22 | 2019-08-23 | 南京理工大学 | 基于边缘计算的无人机路径规划方法 |
CN110364031A (zh) * | 2019-07-11 | 2019-10-22 | 北京交通大学 | 地面传感器网络中无人机集群的路径规划和无线通信方法 |
CN110634331A (zh) * | 2019-09-12 | 2019-12-31 | 广州大学 | 基于负载均衡的多uav路径设计方法 |
CN110753354A (zh) * | 2019-10-08 | 2020-02-04 | 河南理工大学 | 基于无人机协作星地联合noma通信***位置部署方法 |
CN110753354B (zh) * | 2019-10-08 | 2022-11-11 | 河南理工大学 | 基于无人机协作星地联合noma通信***位置部署方法 |
CN110645988A (zh) * | 2019-10-11 | 2020-01-03 | 广州大学 | 一种基于最优寿命的无人机路径规划方法 |
CN110645988B (zh) * | 2019-10-11 | 2023-08-29 | 广州大学 | 一种基于最优寿命的无人机路径规划方法 |
CN110579214A (zh) * | 2019-10-16 | 2019-12-17 | 中国人民解放军国防科技大学 | 无人机路径规划方法和装置 |
CN110579214B (zh) * | 2019-10-16 | 2022-06-14 | 中国人民解放军国防科技大学 | 无人机路径规划方法和装置 |
CN112068596A (zh) * | 2020-09-24 | 2020-12-11 | 东南大学 | 一种面向无线传感网数据采集的无人机能耗最优飞行控制方法 |
CN112445238A (zh) * | 2020-11-19 | 2021-03-05 | 西南大学 | 一种基于神经网络的无人机循迹*** |
CN112445238B (zh) * | 2020-11-19 | 2021-09-10 | 西南大学 | 一种基于神经网络的无人机循迹*** |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN112731967B (zh) * | 2020-12-24 | 2021-11-19 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN112954584B (zh) * | 2021-01-28 | 2022-12-02 | 西安电子科技大学 | 基于量子退火算法的无人机通信网络路由规划方法 |
CN112954584A (zh) * | 2021-01-28 | 2021-06-11 | 西安电子科技大学 | 基于量子退火算法的无人机通信网络路由规划方法 |
CN113325875B (zh) * | 2021-06-21 | 2022-06-07 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN114485705A (zh) * | 2022-01-12 | 2022-05-13 | 上海于万科技有限公司 | 一种基于路网地图的清扫路径确定方法及*** |
CN114485705B (zh) * | 2022-01-12 | 2024-05-14 | 上海于万科技有限公司 | 一种基于路网地图的清扫路径确定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109547938B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109547938A (zh) | 无线传感器网络中无人机的轨迹规划方法 | |
CN110087189A (zh) | 一种无人机基站部署位置的确定方法及装置 | |
CN101547450B (zh) | 移动通信网络的位置区划分方法及装置 | |
Farman et al. | Grid‐based hybrid network deployment approach for energy efficient wireless sensor networks | |
CN104618896A (zh) | 一种基于网格密度的位置服务隐私保护方法及*** | |
CN102170697A (zh) | 一种室内定位方法及装置 | |
Wang et al. | Data aggregation point placement problem in neighborhood area networks of smart grid | |
Jafarali Jassbi et al. | Fault tolerance and energy efficient clustering algorithm in wireless sensor networks: FTEC | |
US11418400B2 (en) | Method and apparatus for configuring cluster in wireless communication system | |
He et al. | PUAR: Performance and usage aware routing algorithm for long and linear wireless sensor networks | |
Al-Muhtadi et al. | A critical analysis of mobility management related issues of wireless sensor networks in cyber physical systems | |
Mancini et al. | Optimal fault-tolerant placement of relay nodes in a mission critical wireless network | |
CN110113807A (zh) | 无线传感器网络中基于数据相似度的节点休眠调度方法 | |
CN103051531B (zh) | 一种基于统计优化的ZigBee层级路由组网方法 | |
Pei et al. | UAV swarm for connectivity enhancement of multiple isolated sensor networks for Internet of things application | |
He et al. | A bio-inspired approach for cognitive radio networks | |
Yuxing et al. | Weak node protection to maximize the lifetime of wireless sensor networks | |
CN106789641A (zh) | 智能电网中集中式广域保护通信网的拓扑设计方法 | |
CN105848177B (zh) | 一种获取天线姿态信息的方法及*** | |
CN107257565B (zh) | 基于能量和传输的无线传感器网络可靠性计算方法 | |
Nugroho et al. | Male-silkmoth-inspired routing algorithm for large-scale wireless mesh networks | |
CN107197499A (zh) | 一种用于通信中继的无人机拓扑双向生成方法 | |
Chen et al. | An intersection-based coverage algorithm for PEGASIS architecture in wireless sensor networks | |
CN105246121A (zh) | 一种移动sink信息收集路径的可变维粒子群构建方法 | |
Chang et al. | Planning rendezvous using the Halin graph in wireless 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
OL01 | Intention to license declared |