基于度量学习的路标图着色无人机节能续航数据收集方法技术

本发明专利技术公布了一种基于度量学习的路标图着色无人机节能续航数据收集方法。主要解决无人机辅助传感器网络中的吞吐量和能耗问题。所述的方法包括：对无人机辅助传感器网络进行模型建立，提出了一种同构的网络模型，网络中的节点都具有移动性。利用度量学习的方法对无人机继续轨迹优化，离线训练度量矩阵，离线训练阶段采用LMNN算法构造度量矩阵。网络可以用图来表示，图中的每个点代表网络中的节点，连接两点的边代表两点的发包通信，因此多跳网络的信道分配问题可以转换为图着色问题。在支持快速移动的无人机辅助网络中，无人机飞行速度较快，且地面节点可以是具有移动性的移动机器人，因此采用接触时间划分优先级的信道接入方法。

【技术实现步骤摘要】
基于度量学习的路标图着色无人机节能续航数据收集方法
本专利技术属于无人机辅助传感器网络领域，特别涉及基于度量学习的路标图着色无人机节能续航数据收集方法。
技术介绍
随着电子、传感器和通信计数的飞速发展，无人机广泛应用于各种军事和民用领域。将无人机应用于无线传感器网络，可以有效地采集传感器数据，延长网络寿命，降低网络能耗。在无人机辅助传感器网络中(UWSNs)，信道接入算法非常重要，它不仅影响系统性能，而且影响传感器节点的能效。因此针对UWSNs设计高效的信道接入算法是一个值得研究的问题。在无人机辅助传感网中，由于无人机通常都具有其他任务，所以无人机都是按照固定的飞行轨迹飞行，在飞行的过程中顺便完成数据收集的任务。而随着无人机技术的发展，以无人机作为数据骡子的飞行基站被开发出来，无人机可以专门用来做数据收集，因此如何有效利用无人机的高速移动性规划合理的飞行轨迹收集数据提高吞吐量成为了需要解决的问题，而规划合理的飞行路径需要无人机收集全网节点的信息，网络从单跳的星型网络扩展成多跳网络，因此对无人机辅助网络的信道接入算法提出了更高的要求。在过去的研究中，研究者提出了一系列的无线信道接入算法，大致可以分为两类，基于竞争的信道接入算法和基于分配的信道接入算法。由于不依赖任何拓扑或者同步信息，基于竞争的信道接入算法(例如CSMA)对拓扑动态变化是鲁棒的，然而由于竞争带来的冲突，在高竞争环境下协议的性能会大幅下降。相反，基于分配的信道接入算法(例如TDMA)则利用相邻节点之间的同步性，通过将传输时隙分配给各个节点来实现无冲突传输，虽然基于分配的协议通常可以在高竞争环境下保证较好的网络性能，但在低竞争环境下由于不能重复利用时隙以及同步带来的开销对协议性能产生负面影响。因此如何动态权衡CSMA和TDMA是值得研究的问题。无人机(UAV)无线通信由于其高机动性、低成本、按需部署和固有的视距空对地通道，以及与第四代移动通信系统(5G)网络的结合，使无人机在军事和民用应用中受到了广泛的关注。无人机与地面设备之间的通信构成了地空通信系统，根据作用不同大致可以分为两类：无人机群组成的FANET将数据传输到地面基站以及无人机辅助网络，无人机辅助网络使用无人机作为空中基站收集地面设备的数据。地空通信系统信道模型可以使用自由空间传播模型，这意味着传统信道接入算法可以简单应用在地空通信系统中。视距(LOS)通信组件在许多实际场景中主导着空对地通道，特别是在农村地区或中等高度无人机高度。这种信道特性使得信道状态信息可以直接由每个节点的位置来确定，便于高速通信系统的设计。
技术实现思路
本专利技术实例为了解决快速移动无人机辅助网络吞吐量性能低下问题及无人机飞行能耗不足问题，采用度量学习方法进行路径规划优化吞吐量，该方法通过离线训练获取度量矩阵，在线使用度量矩阵预测吞吐量和能耗性能最优信息，为了达到上述目的，本专利技术实例提供了度量学习的路标图着色无人机节能续航数据收集方法。度量学习方法用于规划无人机飞行轨迹，图着色方法用于信道接入优化，方法包括：根据无人机辅助传感器网络进行模型建立，将网络模型、能耗模型及移动模型应用到无人机辅助传感器网络模型之中。具体的，地面机器人群在区域中进行群体移动，无人机基站是唯一的且在区域中自由移动的。在无人机基站覆盖范围R内的机器人是需要与无人机进行信道接入的机器人，无人机覆盖范围外R的机器人通过多跳传输到基站，因此不需要与无人机进行信道接入。由于机器人的快速移动性，以及无人机的快速移动性，在无人机覆盖范围R内的节点通常会跑出覆盖范围，而在覆盖范围外的节点则会进入无人机覆盖范围。无人机的覆盖范围R与无人机飞行高度h有关。在网络模型中，节点和基站都是移动的，基站在区域中处于不断移动状态，节点可在固定区域内移动检测附近的环境信息。在该模型中，节点发送数据和接收数据都需要能量。发送端能量消耗与数据大小、传输距离以及功率放大器的能耗有关，接收端能量消耗与接收数据和传输距离有关。如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型。如果不是，则采用多径衰落信道模型。其中k是数据包大小，单位为bit，d是两节点之间的距离，和是每个节点单独运行发射机和接收机电路的能量耗散。εfs是自由空间信道模型的信号放大因子，εmp是多径衰落信道模型的信号放大因子。d0是区分两种模型的边界条件阈值为：在移动模型中，我们使用的群体移动模型是参考点组移动模型。参考点组移动模型中，网络分成多个组。对于每个组，组内存在一个目标，组内的节点根据其目标进行移动，并保持一定的约束。网络根据需要分为特定的几组，组内节点的速度控制在0至最大速度之间，节点的方向控制在0至2π之间。由于组内存在目标点，这使得组内节点保持受限的随机运动。参考点组移动模型中。每个组内都存在一个参考点，每当一个组成员的参考点移动到一个新的位置，这个组成员也移动到一个随机选择的位置，这个位置在其新的参考点位置周围半径为R的圆形邻域内。同时在每个小组覆盖区域的中心是一个逻辑引导点，它的运动定义了整个小组的运动，包括速度、方向和加速度。逻辑引导点基于特定的实体移动性模型。参考点跟在逻辑引导点周围，并与逻辑引导点保持恒定的距离和方向，每个逻辑引导点引导一个或多个参考点。节点的速度大小和方向更新公式如下：v∈(vmin,vmax)(4)θ∈(0,2π)(5)假设基站的初始位置为(x0,y0)，t时刻后的坐标为：应用度量学习进行吞吐量和能量预测，可以优化无人机数据采集的吞吐量以及无人机的充电能耗。本文假设无人机无法得知全局节点信息，因此在路径规划中无法获得全局路径规划增益信息。概率地图在路径规划中不是以确定的信息构造全局地图，而是使用某种概率的方法来构造局部信息可知的地图，并用局部信息进行路径规划。概率地图是一个无向循环图，使用G＝(Gn,Ge)来表示，其中Gn表示空间中的节点集，Ge表示节点间构成的局部路径边集。具体的度量矩阵是一个矩阵结构，度量学习的目的是通过寻找一个合适的度量矩阵M，计算样本之间的马氏距离度量：DM(di,dj)2＝(di-dj)TM(di-dj)(7)其中，M是半正定对称矩阵可以表示为M＝LTL，这等价于寻找一个L矩阵作为映射矩阵将原数据d映射到一个新的分类空间L，因此欧式距离可以看成矩阵L为单位阵时的特例。通过分布式信息作为输入特征属性建立度量矩阵，具体考虑的属性如下。1、Threas是实时吞吐量性能，无人机数据收集下一时刻的吞吐量预测性能与当前吞吐量性能相关，2、Pos是地面移动机器人节点的位置信息，无人机数据收集吞吐量性能与地面移动机器人的分布相关，3、Speed是地面移动机器人的速度，无人机数据收集吞吐量性能与地面移动机器人的速度相关，4、Degree是地面移动机器人节点邻居节点的密度，密度越大代表该机器人周围存在更多的移动机器人，飞往该方向能提高吞吐量。5、Energy是地面移动机器人充电电池剩余能量，剩余能量越多给无人机的充电本文档来自技高网...

【技术保护点】
1.基于度量学习的路标图着色无人机节能续航数据收集方法，其特征在于，包括以下步骤：/n第一步，根据无人机辅助传感器网络进行模型建立，将网络模型、能耗模型及移动模型应用到无人机辅助传感器网络模型之中。/n第二步，应用概率路标以局部信息构造全局地图，概率地图不是确定信息构造地图，而是使用某种概率的方法来构造局部信息可知的地图，并用局部信息进行路径规划。概率地图是一个无向循环图，使用G＝(Gn,Ge)来表示，其中Gn表示空间中的节点集，Ge表示节点间构成的局部路径边集。/n第三步，离线训练度量矩阵，具体的度量矩阵是一个矩阵结构，度量学习的目的是通过寻找一个合适的度量矩阵M，计算样本之间的马氏距离度量/n第四步，使用LMNN算法构造度量矩阵。LMNN算法的核心是通过学习一种距离度量使得在一个新的转换空间中，对于一个输入的K个近邻都属于同一类别，而不同类别的样本保持一定大的距离。/n第五步，广播Hello包收集地图信息，广播包通过逐跳的方式传播到全网的移动机器人节点，收到广播包的移动机器人利用自身信息重新生成包ID相同的广播包通过相同的路径回传到无人机基站，无人机基站利用这些信息作为度量学习的输入进行路径规划。/n第六步，基于图着色方法进行信道接入。建立无冲突的着色图的机制是在节点i转发数据包的过程中，通过在数据包加入本节点的着色信息，与一跳范围内的邻居保持无颜色冲突的分配方式，即每个节点需要保证本节点的颜色与所有邻居节点颜色不一样。/n第七步，基于接触时间度量接入优先级。无人机基站对每个群内节点进行时分多址时隙分配，按照接触时间的优先级顺序对无人机覆盖范围内的节点分配时隙传输数据包。并将实时吞吐量结果返回给无人机轨迹优化模块，优化无人机飞行轨迹。/n...

【技术特征摘要】
1.基于度量学习的路标图着色无人机节能续航数据收集方法，其特征在于，包括以下步骤：
第一步，根据无人机辅助传感器网络进行模型建立，将网络模型、能耗模型及移动模型应用到无人机辅助传感器网络模型之中。
第二步，应用概率路标以局部信息构造全局地图，概率地图不是确定信息构造地图，而是使用某种概率的方法来构造局部信息可知的地图，并用局部信息进行路径规划。概率地图是一个无向循环图，使用G＝(Gn,Ge)来表示，其中Gn表示空间中的节点集，Ge表示节点间构成的局部路径边集。
第三步，离线训练度量矩阵，具体的度量矩阵是一个矩阵结构，度量学习的目的是通过寻找一个合适的度量矩阵M，计算样本之间的马氏距离度量
第四步，使用LMNN算法构造度量矩阵。LMNN算法的核心是通过学习一种距离度量使得在一个新的转换空间中，对于一个输入的K个近邻都属于同一类别，而不同类别的样本保持一定大的距离。
第五步，广播Hello包收集地图信息，广播包通过逐跳的方式传播到全网的移动机器人节点，收到广播包的移动机器人利用自身信息重新生成包ID相同的广播包通过相同的路径回传到无人机基站，无人机基站利用这些信息作为度量学习的输入进行路径规划。
第六步，基于图着色方法进行信道接入。建立无冲突的着色图的机制是在节点i转发数据包的过程中，通过在数据包加入本节点的着色信息，与一跳范围内的邻居保持无颜色冲突的分配方式，即每个节点需要保证本节点的颜色与所有邻居节点颜色不一样。
第七步，基于接触时间度量接入优先级。无人机基站对每个群内节点进行时分多址时隙分配，按照接触时间的优先级顺序对无人机覆盖范围内的节点分配时隙传输数据包。并将实时吞吐量结果返回给无人机轨迹优化模块，优化无人机飞行轨迹。


2.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法，其特征在于，所述的无人机辅助传感器网络模型建立。具体是，网络模型定义了节点和基站的移动状态，规定了节点传输数据的方式，确定了信道接入机制。
能耗模型定义了边界条件阈值d0。



εfs是自由空间信道模型的信号放大因子，εmp是多径衰落信道模型的信号放大因子。
如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型。如果不是，则采用多径衰落信道模型。
移动模型描述了节点了不稳定运动，节点随机选择行进的方向和速度，新的速度和方向在预定范围中选择。所选择的群体移动模型是参考点组移动模型。参考点组移动模型中，网络分成多个组。对于每个组，组内存在一个目标，组内的节点根据其目标进行移动，并保持一定的约束。网络根据需要分为特定的几组，组内节点的速度控制在0至最大速度之间，节点的方向控制在0至2π之间。由于组内存在目标点，这使得组内节点保持受限的随机运动。参考点组移动模型中随机方向和随机速度的选择如下：
v∈(vmin,vmax)(2)
θ∈(0,2π)(3)


3.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法，其特征在于，应用概率地图以局部信息构造全局地图，本文假设无人机无法得知全局节点信息，因此在路径规划中无法获得全局路径规划增益信息。概率地图在路径规划中不是以确定的信息构造全局地图，而是使用某种概率的方法来构造局部信息可知的地图，并用局部信息进行路径规划。概率地图是一个无向循环图，使用G＝(Gn,Ge)来表示，其中Gn表示空间中的节点集，Ge表示节点间构成的局部路径边集。


4.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法，其特征在于，离线训练度量矩阵。通过分布式信息作为输入特征属性建立度量矩阵，具体考虑的属性如下。1、Threas是实时吞吐量性能，无人机数据收集下一时刻的吞吐量预测性能...

【专利技术属性】
技术研发人员：唐碧华，王涛，方宏昊，刘亭亭，吕秀莎，张青松，王春辉，张洪光，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11