基于旋翼無人機近地面空間應急物聯網節點動態協同部署

王巍 彭力 趙繼軍 朱天宇 崔益豪 田立勤

物聯網的快速發展給日常生活帶來了便利.同時,伴隨著民用無人機技術的成熟,遙感、巡檢、物流、航拍等應用也豐富了人們感知世界的視角和改變世界的途徑.借助無人機平臺,近地面的全景立體監測較好地滿足了應用需求,因此,基于無人機的近地面空間物聯網得到了廣泛關注,在國防、科研及民用領域中,具有很好的應用前景[1].

近地面空間物聯網應具有對特定區域的全信息精準立體感知能力,在低空和地面快速、魯棒地形成多層次立體異構網絡的能力,以及安全可靠的區域應急全信息數據鏈,實現事件動態評估預警、資源協同調度、態勢發展智能預判[2-3].目前,基于無人機平臺的物聯網相關研究如表1 所示.

表1 國內外相關研究Table 1 Related works

可以看出,基于無人機的物聯網相關研究已成為前沿.研究者在網絡部署、通信節能、無人機軌跡規劃等方面都開展了卓有成效的工作,為基于無人機的感知網絡、通信網絡以及智能應用奠定了基礎.無人機以其出色的機動性能在自然災害、突發事件等環境的監測中得到了越來越多的關注,以此為平臺的應急物聯網研究也逐漸成為研究熱點[15-17].目前,應急物聯網中的無人機多作為空中中繼節點或感知節點搭載平臺出現,相關研究也并未將感知和中繼結合討論.當面對自然災害等公共安全事件時,需要部署大量的無人機對環境進行有效感知,同時也需要無人地面移動中繼對感知數據進行存儲和轉發.

當發生地震、洪水、泥石流等自然災害,以及污染物泄露等公共安全事件時,應急物聯網需要被快速布署以實現對特定區域的協同感知.基于無人機對受災區域的感知類型可以分為兩種,一種是分布式廣域監視應用,即通過固定翼無人機或機群搭載多類感知設備實現;另一種是立體局域監視應用,即通過旋翼無人機機群搭載多類感知設備實現,旋翼無人機往往被編隊或分簇應用.

在交通運輸通暢的情況下,空地通信可以通過多個移動地面站和衛星中繼手段,來滿足應急物聯網的通信需求.但是在自然災害和公共安全事件中,往往交通運輸不暢,尤其是面對重大的自然災害時,覆蓋面大,受災程度嚴重,此時災救現場需要大量的物資、燃料、人員運輸車輛,道路資源的占用給移動地面站快速進入受災區域帶來了極大的挑戰.應急通信保障主要通過應急通信車,而應急通信車一般都集中配置在省中心,部分省份會在地市級配置少量的應急車,當發生災害后需要從各地調集車輛,受到道路條件、距離等限制,難以保證響應速度.不同運營商或者同一運營商的不同應急車,所采用的設備接口也各不相同,這樣不利于應急通信系統之間的互聯互通.此外,應急災救所需的通信業務應首先滿足對語音業務的需求,其次滿足對應急物聯網感知數據傳輸需求.綜上,在自然災害和公共安全事件中,實現對應急物聯網感知數據傳輸的移動地面站數量較少,當需要對多個區域同時進行立體局域監視應用時,旋翼無人機編隊或分簇可能只有一個移動地面站作為存儲中繼平臺,因此研究此實際應用背景下的應急物聯網節點動態協同部署問題是十分有意義的.

在此應用背景下,按需部署的無人機平臺在分布區域內是大范圍、隊列化的,空域的分布范圍較廣,感測的數據量較大,與地面中繼的通信距離較遠.同時,地面中繼需要對多簇無人機空基平臺的感知數據進行有效中繼,數據鏈路較多,且需要移動.為了在保證數據通信質量,且有效降低無人機、移動地面站的通信能耗以及移動地面站的移動能耗,實現突發事件全信息的遠距離傳輸,本文將研究基于旋翼無人機的近地面空間應急物聯網節點部署協同優化方法,實現對旋翼無人機空基平臺和移動地面站部署的協同優化和更新迭代,完成感測數據的可靠中繼.

1 系統模型

本文在研究中,假設基于旋翼無人機近地面空間應急物聯網的能耗由四部分組成,即無人機空基平臺的飛行動力能耗、無人機機載設備的運行能耗、無人機與移動地面站的無線通信能耗、以及移動地面站的移動能耗.

無人機空基平臺的飛行動力能耗和無人機機載設備(如飛控、各類感知設備等) 的運行能耗主要由感知任務決定.現有應用中,隨著各類高清可見光視頻、紅外視頻等大數據量信息的出現,通信能耗極大地增加.因此,有效降低無人機與移動地面站的無線通信能耗是主要研究動機之一.與此同時,數量較少、使用頻繁的移動地面站如靜止在某一隨機位置完成中繼任務,則與各無人機群通信距離并非較優,必然會增加上述通信能耗;如靜止在某一簇無人機群的最佳中繼位置,此簇無人機群通信能耗較低,但其他機群的通信能耗較高.因此,通過移動地面站的合理移動,以其移動能耗的較少支出換取與各簇無人機群通信能耗的降低是主要研究動機之二.在此研究假設下,本小節構建了系統模型.

面向突發公共安全事件監測的近地面空間應急物聯網是一種立體異構網絡,其系統模型如圖1 所示,網絡共分為三層:第一層為由旋翼無人機組成的在近地面空間的移動Ad-hoc 網絡,第二層為由具有數據采集轉發能力的非完整約束移動地面站(Mobile earth station,MES),第三層為云端.無人機空基平臺作為感知層,MES 作為sink節點和中繼節點,完成近地面空間基于旋翼無人機空基平臺的檢測設備在能量受限條件下的遠距離通信.本文重點研究兩者的協同部署問題,即從基于旋翼無人機的應急物聯網網絡聯通性、地面移動中繼和無人機空基平臺的相互關系角度展開,著眼于根據無人機空基平臺的部署情況,實現應急物聯網節點(無人機和地面移動中繼) 的動態協同部署.為了突出本文的論述重點,此物聯網節點的感知覆蓋問題將依托其他方法解決,本文不再涉及.設在空中區域SK中,分布著K個空基監測平臺(K={1,2,···,K} ?N+),所有監測平臺按照三維Critical-square-grid 部署模型形成了L簇(L={1,2,···,L} ?N+),每簇包括Kl(l∈{1,2,···,L}) 個空基監測平臺,K=ΣKl,由1 個MES 對此空域SK中的公共安全事件信息進行匯聚、轉發.其中,t時刻MES 的坐標為(xt,yt),t時刻第j個旋翼無人機的坐標為各無人機空基平臺和移動地面站的坐標可以被云端獲知.經聚簇后,第i(i∈L) 簇無人機空基平臺Drones cube 與當前屬于本簇的移動地面站的相互關系如圖2 所示.

圖1 系統模型Fig.1 System model

假設空基監測平臺的上行通信采用正交頻分多址(Orthogonal frequency division multiple access,OFDMA),移動地面站允許同時接入的旋翼無人機空基平臺數量上限為Msup.設旋翼無人機空基平臺與移動地面站采用視距通信,MES 的仰角為θ,則視距通信概率可用式(1) 近似描述[18],

式中,ψ與β取決于載波頻率和移動物聯網所處環境的參數.

根據圖2 中空基平臺與移動地面站的空間關系可知,

圖2 位置關系Fig.2 Position relationship

2 節點動態協同部署

在基于旋翼無人機的近地面空間應急物聯網中,移動地面站可以有效地解決空中感知層設備能量受限條件下的遠距離通信問題,為超出直接通信范圍的空中感知設備提供交換信息的可能.由于搭載IoT感知設備的旋翼無人機與移動地面站采用視距通信,監測點的密度和空域范圍需求對應急物聯網空地節點通信的可靠性有一定的影響.此外,在移動地面站對Drones cube 的信息中繼轉發過程中,節能問題也不容忽視.本節將研究Drones cube 的網格密度與最小仰角的關系、最佳路徑點的計算方法以解決上述問題,實現近地面空間應急物聯網空地節點動態協同部署.

2.1 網格密度

在待監測區域內,基于3D-critical-square-grid覆蓋的無人機空基監測平臺在空中編隊組網,此時需要討論網格布點密度(垂直密度下限ρVmin、水平密度下限ρH-min)、監測空域底層高度hmin(m)、頂層高度hmax(m) 以及最小仰角θmin(rad)間的關系.

圖3 Drones cube 中無人機空基監測平臺立體結構Fig.3 The three-dimensional structure of the air based monitoring platform for unmanned aerial vehicle in drones cube

也可在給定部署密度和監測區域的指標下,計算Drones cube 中的水平面監測點個數KV、垂直面監測點個數KH.

2.2 最佳路徑點

搭載異構感知設備的旋翼無人機與移動地面站采用視距通信時,為了使近地面空間應急物聯網系統有效節能,在保證可靠通信的前提下,可以通過降低通信能耗、縮短移動地面站的移動距離等方式實現,進而延長旋翼無人機的滯空時間和移動地面站的生存周期.

在PLOS(θ)≥ε的約束下,需要最小化通信功率和移動地面站在L簇無人機空基平臺Drones cube 間的移動距離,

其中,di-1,i為移動地面站從i－1 簇無人機空基平臺Drones cube 移動到第i簇的移動距離.

結合式(4) 可得優化問題為[1]:

其中,|Ci|為與移動地面站通信的第i簇Drones cube 中空基平臺的數量.對于L簇無人機空基平臺,當移動地面站按照式(8) 和(9) 優化的結果運動時,就能得到上述問題的最優解,即得到移動地面站的運動策略.結合系統模型,由式(8)和(9)可得[19],

其中,j∈Ci,i∈L,為MES 移動到第i簇Drones cube 時的坐標.

上述最小化問題是一個二次約束二次規劃(Quadratically constrained quadratic program,QCQP) 問題,可描述為,

定理1.式(12) 中的二次型矩陣P0正定.

證明.根據引理1,P0為嚴格對角占優實方陣.又因為pij=pji,pii＞0(i=1,2,···,2L),則P0的任何主子式仍為嚴格對角占優的,根據引理3,可知P0的任何主子式大于零,即P0的順序主子式必大于零,二次型矩陣P0正定.

定理2.式(13) 中的矩陣Pi半正定.

證明.設矩陣Pi=(pij)2L×2L,p2i-1,2i-1=p2i,2i=2,其余元素為0,則Hermitian 矩陣Pi半正定.

根據上述的證明結論,可知式(12) 和(13) 描述的優化問題為凸二次約束二次規劃問題(Convex-QCQP).

通過求解凸二次約束二次規劃問題,即可在保證可靠通信的前提下,得到移動地面站MES 在L簇無人機空基平臺Drones cube 間的最佳路徑點(i∈L),降低通信能耗的同時縮短移動地面站的移動距離,進而延長了旋翼無人機的滯空時間和移動地面站的生存周期.此外,通過算法的迭代也可適應由旋翼無人機空基平臺飄移帶來的網絡拓撲結構微弱變化的影響,在保持近地面空間應急物聯網的通信動態節能的前提下,使得具有移動地面站的最佳路徑點得到實時更新.

算法1.近地面空間應急物聯網的移動地面站最佳路徑點更新算法

3 實驗與分析

在面向突發公共安全事件監測的近地面空間應急物聯網中,移動地面站MES 可以有效地解決旋翼無人機能量受限條件下的遠距離通信問題,為超出直接通信范圍的旋翼無人機提供交換信息的可能.此時,網絡的能耗主要來自于MES 與旋翼無人機的通信以及MES 的移動,因此,本小節將從移動能耗和通信能耗兩方面開展實驗與分析.

仿真實驗中,設近地面空間應急物聯網的旋翼無人機空基平臺被初始部署在0.5×0.5(km2) 的空域內,飛行高度0.10～0.50(km),仿真參數如表2所示.

表2 仿真參數Table 2 Simulation parameters

圖4 展示了不同分布的4 簇Drones cube,應用K近鄰方法和本文方法確定的最佳路徑點.實驗中每簇Drones cube 包括27 個空基監測平臺,Drones 間距10(m),Drones cube 間距D(m),按照三維Critical-square-grid 部署模型進行部署.圖中“○” 表示Drones cube 中的無人機監測平臺,“◆” 表示根據本文所提出的協同優化方法計算得到的在各Drones cube 間進行監測數據中繼轉發的最佳路徑點,“*” 表示基于K近鄰方法計算得到的在各Drones cube 間進行監測數據中繼轉發的最佳路徑點.可以看出,在Drones cube 的不同分布下,相比較基于K近鄰方法得到的最佳路徑點,基于本文方法得到的最佳路徑點有向對稱中心匯聚的趨勢.特別是當Drones cube 的間距D較大時,此特征較為明顯.通過匯聚作用,減小移動地面站MES 在不同簇之間的移動距離,降低移動能耗,進而提高移動地面站的生存周期.

圖4 不同分布的最佳路徑點(hmin=160 m)Fig.4 The optimal path points in different distribution condition (hmin=160 m)

設t時刻MES 的位置、速度分別為pt=本文僅討論面向非突發狀況的MES 數據中繼,因此假設其運動狀態穩定,速度vt恒定.此時,MES 的移動能耗主要由路徑點變化決定.設t時時刻MES 由最佳路徑點運動到t+1 時刻的最佳路徑點,位移為Di,l=pt+1－pt=,則移動能耗為[20],Ei,l(Di,l,vt)=,與MES 的移動距離正相關.

圖5 展示了在上述實驗中應用K近鄰方法和本文方法對MES 移動距離的定量化影響.針對直線、三角和圓形分布,MES 的移動距離在兩種方法的影響下,都表現出隨Drones cube 間距D增大的線性增長.但基于本文方法的移動距離增加速率較小,使得兩種方法下的移動距離差線性增加.以K近鄰方法為基準方法,通過計算兩種方法下的MES 移動距離差和K近鄰方法下的移動距離的比值ratio=12.9%,表明K近鄰方法下的MES 移動距離增長率是本文方法下的MES 移動距離增長率的1.148 倍,因此,當Drones cube 大間距部署時,本文方法對降低MES 移動能耗是十分有效的,此結論與上述對最佳路徑點的匯聚作用定性分析是一致的.

圖5 三種Drones cube 分布下的MES 移動距離Fig.5 MES moving distance under three kinds of drones cube distribution

此外,實驗中還對Drones cube 的網格布點密度(垂直密度下限ρVmin、水平密度下限ρH-min)、底層高度H=hmin參數進行了調整,ρV-min=ρHmin∈[0.03,0.1875],H∈[100,500],并基于K近鄰方法和本文方法,進行了相似實驗.實驗結果表明,參數的變化對上述的結論無顯著影響,在確定的近地面空間應急物聯網節點部署協同優化方法下,Drones cube 的間距D是影響MES 移動能耗的主要參數.

為了進一步探討本文算法隨優化問題規模增加導致的時間復雜度變化,在仿真平臺中通過測試程序,對算法運行時長進行統計,數據如表3、表4 所示.

表3 旋翼無人機數量與算法運行時長Table 3 Number of drones and algorithm running time

表4 Drones cube 簇數與算法運行時長Table 4 Number of drones cube and algorithm running time

表3 展示了Drones cube 的簇數L=4 時,旋翼無人機的數量與算法運行時長的關系.可以看出算法運行平均運行時長隨無人機數量增加而增長.三種分布相比較,圓形分布下的算法運行平均時長與直線分布情況相比有所增加,主要是分布情況復雜所致.表4 展示了旋翼無人機數量K=108 時,Drones cube 的簇數與算法運行時長的關系.實驗中針對各種情況分別運行5 次算法,可以看出隨著簇數L的增加,算法運行平均運行時長均有所增長,說明算法的時間復雜度隨優化問題規模增加.根據文獻[21－22],通過分析可知本文提出的核心算法時間復雜度為O(L3.5K).Drones cube 的簇數對算

法的性能影響較大,因此在使用本文所提出算法時,應對簇數加以限制.

圖6 展示了4 簇Drones cube 與位于最佳路徑點的MES 通信時的能耗變化.其中圖6(a)～6(c) 為對稱型規則分布情況,4 簇Drones cube 的總傳輸能量隨部署間距D的增大而非線性增長,圖6(d) 為非對稱隨機分布情況,由于Drones cube 的隨機部署,因此靜態通信能量變化無明顯規律.為了更進一步展現各簇的傳輸能量差異,本文以D=50(m) 和D=100(m) 的情況為例,如圖6(a)～6(c) 中的兩個子圖所示,分析近地面空間應急物聯網通信能耗的縱向不均衡性[20].子圖中“■”和“▲” 分別為基于本文方法和K近鄰方法的4 簇Drones cube 的通信能耗.可以看出,基于本文方法,直線分布和三角分布情況下,各簇Drones cube間存在通信能耗的縱向不均衡現象.這主要是由于本文方法得到的最佳路徑點有向對稱中心匯聚的趨勢,特別是當Drones cube 的間距D較大時,不均衡現象較強.對于直線分布,位于兩端的Drones cube 距離其對稱中心較遠,對于三角分布,位于角點的Drones cube 距離其對稱中心較遠,因此通信能耗相比較其他位置的Drones cube 較高.而圓形分布情況下,位于圓上的Drones cube 距離其對稱中心相同,因此不存在縱向不均衡現象.此外,在圖6(d) 所示的Drones cube 隨機分布情況下,由于各簇Drones cube 位置隨機,無明顯對稱中心,因此各簇均表現出縱向不均衡現象.因此,在實際使用中,應盡可能采用圓形分布以避免縱向不均衡現象.

圖6 不同分布的Drones cube 靜態通信能量(H=160 m)Fig.6 Static communication energy under different kinds of Drones cube distribution (H=160 m)

對于近地面空間應急物聯網的各簇Drones cube,其通信能耗的縱向不均衡性將降低網絡整體生存周期,因此需度量其縱向不均衡性,并分析其對網絡的影響.定義靜態通信能耗不均衡率κ為所有Drones cube 最大和最小通信能量之差與剩余能量的比值.以直線分布為例,計算κ隨Drones cube的間距D和通信時長t的關系,如圖7 所示.

圖7 直線分布Drones cube 靜態通信能耗縱向不均衡率Fig.7 Vertical disequilibrium rate of energy consumption in Drones cube static communication under linear distribution

圖7 展示了Drones cube 直線分布時κ隨間距D非線性增加,隨時間t線性增加的趨勢.盡管各簇Drones cube 通信能耗的不均衡率有所上升,但由于空基監測平臺應用于突發狀況,且空中懸停飛行能耗使得其一般應用于短時監測,在較短時間內,t對κ的影響不大.根據本文設定的部署空域0.5×0.5(km2),取D=400(m),則縱向不均衡率κ為0.005725%.對κ與D的關系進行擬合,可知當D ＞6 000(m) 時,κ ＞1%,因此,本文提出的方法在中遠距離范圍內,對通信能耗縱向不均衡性影響不大,適用于中遠距離通信.

本文方法是以移動能耗和通信能耗的協同優化為目標,而非K近鄰方法僅考慮通信能耗,因此各簇Drones cube 通信能耗有所提高,但增加不大.圖8 展示了在直線、三角和圓形分布下,以K近鄰方法為參考方法,基于本文方法的各簇Drones cube 通信能耗增長率.可以看出,直線分布的Drones cube部署方法,其通信能耗增加最快,當D=400(m)時,通信能耗增長率僅為0.12%,相比較于圖5 所示的K近鄰方法下移動距離的增長率ratio=12.9%,本文提出的協同優化方法是可行的.同時,在實際使用中,應盡可能采用圓形分布以降低通信能耗增長率.

圖8 三種Drones cube 分布下的靜態通信能耗增長率Fig.8 Energy consumption growth rate of static communication under three kinds of Drones cube distribution

在移動地面站對空中Drones cube 監測平臺進行信息中繼轉發的過程中,Drones cube 的網格布點密度(垂直密度下限ρV-min、水平密度下限ρH-min)、底層高度H=hmin、及其間隔距離D的變化都將對通信能耗產生影響.面向突發公共安全事件,按照無人機空基監測平臺的部署要求和監測精度,在一定的近地面監測空域SK內,假設Drones cube 的網格布點密度為定值,本文實驗中取ρV-min=ρH-min=0.0675,討論Drones cube 底層高度H、間隔距離D變化時對通信能耗的影響.根據上述分析,相比較于K近鄰方法,不同分布下應用本文方法確定的最佳路徑點,均具有向對稱中心匯聚的趨勢,因此本文中將以直線分布的Drones cube 為例,分析其與移動地面站通信時的總傳輸能耗、H和D的關系,如圖9 所示.

圖9(a)中列出了H={150,160,170,180,190,200}(m),D={50,75,100,125,150,175}(m)時與移動地面站通信的 Drones cube靜態通信能耗.通過對計算,可知在的函數中無H和D的交叉項.圖9(b) 為直線分布的Drones cube 與移動地面站通信時的靜態通信能量場,能量梯度表明H對影響較大.

圖9 直線分布的Drones cube 靜態通信能耗與H 和D 的關系Fig.9 The relationship between the energy consumption of drones cube static communication and H and D

基于上述(H,D) 的離散數據,進行二項式擬合,可以得到Drones cube 在直線分布時的擬合靜態通信能量為(H,D)=2.622+0.01533D+0.4845H+0.00295D2+0.02268H2.在95% 的置信區間內,擬合方差SSE 為8.519×10-12,確定系數R-square 為1,均方根誤差RMSE 為5.42×10-7.根據擬合結果,可知在(H,D) 的函數中無H和D的交叉項,且H及H2項系數較大,因此在H∈[150,200](m),D∈[50,175](m) 范圍內,H對影響較大.

圖11 展示了Drones cube 直線分布情況下MES 在最佳路徑點間移動過程中,對空基監測平臺數據中繼轉發的動態通信能量變化.定義相鄰Drones cube 中心連線的垂直平分線與相鄰最佳路徑點連線的交點位置為軟切換點(Soft switch point),相鄰最佳路徑點的中點位置為硬切換點(Hard switch point).若MES 在軟切換點改變中繼簇,即停止對第i個Drones cube 中繼,開始對第i+1 個Drones cube 中繼,稱為軟切換模式.若MES 在硬切換點改變中繼簇,則稱為應切換模式.對于圖中所示的Drones cube 直線分布情況,軟切換點即為相鄰Drones cube 中心連線的中點,其中實線為硬切換模式下的動態通信能耗及平均通信能耗,虛線為軟切換模式下的動態通信能耗及平均通信能耗.可以看出,軟切換模式下的平均通信能耗較低,較為節省能量,且通信功率無突變,降低網內干擾,延長設備壽命.因此,MES 在基于本文方法確定的最佳路徑點間移動時,需在軟切換模式下運行.對于三角分布和圓形分布的Drones cube,也有相似的結論.

圖10 直線分布的Drones cube 靜態通信能耗擬合Fig.10 Energy consumption fitting of drones cube static communication under linear distribution

圖11 直線分布的Drones cube 動態通信能耗(H=150,D=75)Fig.11 Dynamic communication energy consumption of drones cube under linear distribution(H=150,D=75)

綜上,針對按照三維Critical-square-grid 模型編隊的Drones cube,首先,在根據應用需求確定部署坐標(x,y) 后,應盡可能減小H以降低通信能耗;其次,若監測高度H確定,應首選圓形分布部署,再選三角分布和直線分布部署,以避免或弱化通信耗能的縱向不均衡現象,并降低通信能耗增長率,提高網絡整體生存周期;再次,當上述部署方案確定后,可應用本文提出的方法,減小移動地面站MES在不同簇之間的移動距離,降低移動能耗,進而提高移動地面站的生存周期,特別是當Drones cube 大間距D部署時;最后,MES 在最佳路徑點間移動時需采用軟切換模式,降低通信能耗,降低網內干擾,延長設備壽命.

4 結論

面向基于旋翼無人機的近地面空間應急物聯網應用,本文提出了一種物聯網空地節點部署協同優化方法.根據按需部署的旋翼無人機平臺在分布區域內大范圍、隊列化、存在位置漂移的特點,通過協同優化旋翼無人機空基平臺和移動地面站的部署,并迭代更新,在提供可靠通信的同時,減少移動地面站的移動能耗,提高了單位時間內移動地面站和旋翼無人機空基平臺信息交換的次數,進而提高了中繼效率.進而解決近地面空間應急物聯網應用中物聯網空地節點能量受限條件下的遠距離通信問題.