基于多目標跟蹤FANET 網絡的UAV 協同通信算法研究*

陸淵章 謝海燕吉訓生

(1.江蘇信息職業技術學院電子信息工程學院，江蘇 無錫 214153；2.伊利諾伊州立大學應用科學技術學院，美國 伊利諾伊州 61790；3.江南大學物聯網工程學院，江蘇 無錫 214000)

近年來，無人飛行器(unmanned aerial vehicles，UAV)得到快速發展，廣泛用于醫療設備，環境監測和救援活動。多臺無人機可以協同工作以完成復雜任務，縮短無人機通信時延和降低無人機功耗可以降低風險[1]。低空無人機通信具有便捷的部署和更低的成本，可以減少建筑物等障礙物的遮擋，獲得更準確的傳輸效果[2-3]。而多無人飛行器的動態通信網絡主要依賴于基礎設施架構和飛行自組織網絡(flying ad-hoc network，FANET)，主要由無人機群之間的以及無入機的無線訪問網絡構成[4]。

現階段無線通信網絡部署在無人機通信控制算法優化領域中已有大量研究，有的通過無人機中繼基站對無人機同時進行無線信息和能量傳輸，聯合多參量使通信容量最大化[5]。或者使用無線功率傳輸向用戶充電，用戶使用收集能量后向UAV 發送信息，提高通信容量[6]；還有的通過多跳路由數據包[7]或者無人機中繼輔助通信[8]，實現廣泛的信號覆蓋范圍。但由于在無人機飛行網絡覆蓋能力不足的情況下，傳統的基礎設施架構網絡效率較低，FANET 高擴展性能夠提升協同通信算法，優化網絡性能，包括提高無線系統的容量以及通信速率，并降低電池能耗[9]。

本文針對無人機群協同通信提出了一種基于遞歸神經網絡(recursive neural network，RNN) 的FANET 模型，通過對影響因素建模來研究動態不確定性。構建FANET 網絡動態優化且穩定鏈路的移動性傳播模型，基于自適應預測控制(adaptive predictive control，APC)算法和仿真實驗數據，通過分析兩個適用場景的無線電傳播模型，比較基礎架構模式和優化FANET 模式，獲取對照組實驗數據用于比較[10-11]。同時為了測試RNN-FANET 模型，比較了每種工作模式的最大傳輸速率、覆蓋范圍和能量消耗，將結果數據進行了比較，并證明了所提出的模型已使用通信參數進行優化。仿真結果表明，該模型在不同的傳輸數據速率下，通過確定無人飛行器的最佳覆蓋區域，總功率將有所降低，最大程度地確保地面設備最大的吞吐量，提高了UAV 協作通信控制的準確性和靈敏度。

1 多UAV 協作無線通信系統模型

多UAV 群構建的通信區域中，與地面控制站建立的自組織無線網絡，每個UAV 都充當接入網的接入點，并將地面移動設備連接到主干網[12]。由于高速飛行的無人飛行器視距通信鏈路不穩定性，通常會造成鏈路中斷和通信失效。多無人機間的通信不可完全依賴于地面控制站或衛星等基礎設施網絡架構，而是將無人機作為網絡節點，各節點間相互轉發控制指令，自動組建FANET[13-14]。

由于FANET 中節點的位置，可以區分具有不同特征的兩種類型的鏈接。存在連接兩個飛行節點(U2U)的鏈接以及連接飛行UAV 和地面節點(U2G)的鏈接。FANET 使用無線通信框架在UAV 之間(U2U)或UAV 與地面設備(U2G)之間進行鏈接，圖1顯示了FANET 中用于無線通信的多個UAV 的情況，其中的虛線圓圈半徑RC表示覆蓋范圍和設備數量。當將無人機作為FANET 中的中間節點時，飛行設備的姿態或高度會對無線連接的信號功率、網絡覆蓋范圍造成影響。地面設備接收包括視線距離(line of sight，LoS)、非視線距離(non line of sight，NLoS)和多徑衰落的多重反射分量信號[15-16]。主要考慮LoS 和NLoS 分量及其出現概率，多徑衰落信號概率低可忽略，根據地面設備和UAV 之間的鏈接不同，設備處的接收信號功率如式(1)所示[17]。

圖1 FANET 中多UAV 協作通信模型

式中:Pu是無人機的發射功率；Du是距離；αug是U2G 鏈路上的路徑損耗指數；η是由于NLoS 產生的附加衰減因子；C，B為環境常數。根據用戶和UAV 之間的不同連接，地面設備處的接收信號功率是對LoS 節點互連性存在主要影響的變量，LoS 測量控制FANET 的U2G 鏈路。如(2)所示視距連接的概率與建筑物的密度和高度，地面設備和無人機的位置以及設備和無人機之間的仰角θ有關[18]。

2 基于Ad-Hoc 網絡無人機群協同通信算法

2.1 無人機群Ad-Hoc 網絡協同通信參數優化

Ad-Hoc 網絡的路由協議分為平面路由協議和分層路由協議。路由協議主要功能是將數據包從源選擇路由傳輸到目標聚合節點。無人機群在構建網絡時根據UAV 的位置信息估算預期的路由路徑和無線介質的擁塞情況，根據分層路由協議確定路徑損耗定期收集信息[19-20]。確定FANET 網絡的路由協議參數通常使用多跳機制，該機制強調算法和數據結構的完整性。系統任務分層管理執行可以改進無線網絡的局限性，對于分層網絡聚類下的RNN，可將UAV 之間不同的模型組合和參數優化，確定路徑預測模型的無線網絡來評估覆蓋區域和能源損耗。

對于使用仿真的理論研究，最大覆蓋率和能耗是飛行自組織網絡的重要參數，它與預測分析結合可確認低功耗環境下實際系統部署滿足目標覆蓋范圍[21]。分層路由協議可用于路徑損耗模型以預測信號功率。針對各種環境設置的路徑損耗(path loss，PL)模型，作為不同測量活動的結果。式(3)描述了路徑損耗模型[22]。

式中:M為路徑損耗指數擬合參數；N為噪聲功率。從通道數據中提取路徑損耗，總發射功率結合(1)(2)得不同模型下平均覆蓋率為[23]:

式中:Rc為覆蓋區域半徑；h為UAV 高度。由式(4)、式(5)可以看到增加無人機高度h可以提高視線距離概率和覆蓋率。盡管增加UAV 高度會增加路徑損耗項，為了提高覆蓋性能，必須優化參數，增加Pu或減小Rc，相比在信道干擾忽略不計情況下，減低UAV 密度和地面設備發射功率得到最大覆蓋率，當UAV 的接收信號占主導時，設備可獲得的最大覆蓋性能，如式(6)所示[24]。

2.2 基于RNN 協作通信算法

為了優化無人機無線通信系統容量和覆蓋范圍，降低能耗，構建基于RNN 協作通信算法，根據FANET 移動模型的各類干擾因素提供模擬預測。所有的無人機都應保持彼此之間的臨時連接，減少接入網絡和自組織網絡的擁塞[25]。在空閑狀態下以恒定比特率(constant bit rate，CBR)進行測量，使用傳輸流的RNN 定義n個輸入變量:x1，x2，…，xn和r個輸出變量:y1，y2，…，yr。第一層是輸入層，每個節點都直接連接到輸入向量的分量，n是輸入維數；第二層是融合層，該層的節點函數是徑向基函數，每個節點代表一個語氣變量值[26]。如果隸屬函數使用高斯函數:

式中:cij代表輸入隸屬度函數的中心，更改輸入隸屬度函數在全局分布位置；σij表示寬度值，并且可以更改輸入隸屬函數的形狀；j表示包含輸入變量的數量:

在第三層中，每個節點代表一個模糊規則，用于匹配該模糊規則的先決條件[24]。使用推理計算每個規則的適用性，然后實施歸一化計算:

最后對中心計算，其中不僅是遞歸神經網絡的連接權重，還包括隸屬函數的中心值[25]:

根據以上理論，無人飛行器在指定區域內按照預先計劃的路線搜索中低速飛行。在整個過程中，網絡中無人機節點之間的相對運動速度非常小。無人機網絡的拓撲基本穩定，考慮到外部任務到達率的時變特性，不同的無人機需要計算每個節點的功耗和覆蓋范圍[26]。該方法主要是與其最近的鄰節點進行通信，將所有位置信息共享給相鄰節點，并考慮相鄰節點的成本最小值[27]。每個節點i只能根據其鄰節點提供的信息來降低其自身目標函數的成本，ρi表示無人機覆蓋范圍。

算法描述如下[28]:

第一步:設置計時器中斷Tc，如果無人機廣播幫助消息(broadcast help information，BHI)時間小于Tc，追蹤前一個dvi；

第二步:否則廣播幫助消息所有節點，等待Tw秒，一旦超過設置時間，BHI 重新啟動，直到計算出最新的功耗值為止；

第三步:如果相鄰無人機的平均MPU 利用率小于設置的閾值，則更新dvi

第四步:再次廣播幫助消息，重新追蹤前個dvi；

第五步:重復以上步驟。

3 實驗仿真結果分析

實驗在配備QuarkTMSoCX1000(16K 高速緩存，400 MHz)處理器的英特爾?Galileo 主板上進行的，并在Arduino 下進行了模擬飛行測試。無人機機動模型及測試設備如圖2 所示。無人機飛行測試包括算法任務仿真，無人機功率仿真和通信鏈路仿真。為了便于實驗，假設所有UAV 資源信息的剩余能量、實時MPU 負載等均可用，電池功率均勻分布[29]。在三個維度上的隨機位置生成目標，以隨機但恒定速率調整無人機的協作通信覆蓋范圍。

圖2 無人機機動模型及測試設備

圖3 和圖4 表述不同流量數據包下電流消耗隨時間變化特性。圖5 和6 顯示不同高度條件下覆蓋率變化趨勢。圖中測試持續時間從空閑狀態開始，仿真結果表明優化FANET 模式消耗的電流少于基礎架構模式，在覆蓋率方面也具有較好性能。優化FANET 在兩種模式之間的數據速率和覆蓋范圍方面均優于基礎架構模式。如表1 所示，在效率恒定的情況下，性能和能耗幾乎是線性的，當UAV 的能量消耗率小于多UAV 通信網絡的計算值，考慮通過增加某些能量消耗來提高性能和效率。

圖3 基礎設施模式電流消耗

圖4 優化FANET 模式電流消耗

圖5 優化FANET 覆蓋率

圖6 基礎設施模式覆蓋率

表1 不同模式總體優化性能比較

4 結論

本文主要研究了地面設備與無人機之間在不同模式下協同通信算法。該方法的主要貢獻在于，針對無人機群協同通信提出了一種采用RNN 的FANET 模型的構建，通過對影響因素建模來研究動態不確定性。構建FANET 網絡滿足動態且穩定鏈路優化要求以及移動性傳播的模型，對FANET 通信系統的容量、覆蓋范圍和能源功耗幾個關鍵因素分析[30]。仿真結果表明，在不同的傳輸數據速率下，該模型通過確定無人飛行器的最佳覆蓋區域，總所需的功率將有所降低，最大程度地確保地面設備的最大吞吐量，提高UAV 協作通信控制的準確性和靈敏度。在未來的研究中，計劃將該算法應用于無人機的復雜動態場景分析。