試述受限空域下的無人機協作無線傳感網絡避障數據收集

潘婷

四川大學電子信息學院 四川 成都 610065

引言

在目前的研究中，WSN的空中數據收集多以UAV作為移動中繼，構建為UAV-WSN數據收集系統。軍事應用UAV-WSN系統時，在受限空域的場景下，對特殊使用空域，必須進行避讓，任何被預測到即將進入特殊使用空域的航空器必須改航[1]。

針對受限空域下大規模地面分散節點的數據收集，通常先使用分簇算法將節點進行分簇，并選舉出簇頭sink節點，簇內節點將數據都匯聚到該簇的sink節點，UAV通過遍歷這些sink節點來完成數據采集任務。目前，主要的路徑規劃算法包括A*算法、模擬退火算法、遺傳算法、差分進化算法、粒子群優化算法、蟻群算法等[2]。在這些方法中，隨著障礙物復雜性的增加，遺傳算法、模擬退火算法、A*算法和差分進化算法的收斂速度將減慢[3]。 粒子群算法的魯棒性稍差，最優解依賴于初始化。 蟻群算法在正反饋、魯棒性等方面具有優勢， MMAS在蟻群算法的基礎上，運用了比蟻群算法更為貪婪的搜索，被證明為是最佳的蟻群優化之一。

為了減少能耗，最小化UAV飛行時間，本文提出受限空域下的UAV-WSN避障數據收集算法。

1 UAV-WSN避障路徑規劃

在受限空域的場景下，簇頭sink節點通常分布較為分散，UAV在飛行過程中不但要完成sink節點的數據采集任務，還需要進行障礙區規避。UAV路徑規劃的目的就是遍歷這些sink節點，基站根據這些sink節點的分布，以及障礙區的位置，計算出一條相對最短路徑。本文提出一種改進的避障MMAS算法。

最開始，m只螞蟻被放置在n個隨機選擇的城市上。當前，螞蟻k位于城市i，前往j城市的狀態轉移概率為：

每只螞蟻在選擇的路徑上會留下一定量的信息素，更多螞蟻選擇的城市，其信息素濃度就更高。MMAS的信息素更新機制如下：

由于MMAS使用了更為貪婪的搜索，算法更容易陷入最優解。為了避免這種情況，首先對算法中揮發系數進行了自適應調整，使算法能夠在陷入局部最優的狀態時及時跳脫，加快收斂速度。

當進行迭代的輪次大于10輪時，如果連續10輪的最優解質量沒有更新，則判定此時陷入局部最優，對揮發系數進行自適應調整[5]。

2 仿真與分析

本文利用Matlab工具對本文的算法進行了仿真分析。

2.1 改進的MMAS算法

我們在1000m×1000m的仿真環境中隨機部署10個節點，分別經過多次試驗后，使用基本MMAS算法求得的最優解為3313m，使用改進MMAS得到的最優解也為3313m，說明兩種算法都能夠較好地求得最優解。然而，正如本文所分析的，兩次求解都是經過多次試驗才能求得最優解，所以，本文做了一個穩定性對比試驗：利用兩種算法重復10次規劃10個節點的最短路徑，重點比較兩種算法所求得的最短路徑。實驗結果顯示，在10次試驗中，MMAS算法有6次獲得了最優解，改進的MMAS算法（藍線）只有一次沒有求得最優解。另外，對比求得的解的情況，改進的MMAS算法所求得的解明顯優于基本蟻群算法。綜合來看，說明本文提出的改進MMAS算法的穩定性優于MMAS算法。

最后，比較兩種算法在大規模環境下，節點較多時的性能。同樣在1000m×1000m的場景中，隨機部署120個節點，分別用兩種算法規劃路徑。用MMAS算法經過多次試驗后規劃得到的最短路徑最優解為6584m，用改進MMAS算法經過多次試驗后得到的最短路徑為5676m。對比兩種算法求得的最優解發現，改進MMAS算法的最優解明顯優于MMAS算法的最優解，算法性能較為穩定[6]。

2.2 避障算法

為了分析本文提出的避障算法的性能，針對不同的節點規模進行了比較。首先，在1000m×1000m的環境中，設置一個受限區域。通過隨機部署10個節點、50個節點、120節點分別進行30次避障實驗，比較在不同數量規模節點下的避障算法穩定性，實驗結果如下表。

表1 不同節點數量避障率對比

可見，傳感器節點的個數的確會對避障算法的避障率產生一定影響，隨著節點個數的增多，避障成功率有所降低，但依然維持在一個很高的避障成功率[7]。

3 結束語

本章針對受限空域下的UAV-WSN數據收集問題，重點分析了其路徑規劃和避障問題。本文通過改進現有的MMAS算法，進一步提高路徑規劃算法的魯棒性和規劃效率；然后針對受限空域的避障問題，提出了一種新的避障算法。仿真結果表明本文提出的改進避障MMAS算法提高了路徑規劃的求解穩定性，且具有較高的避障成功率。