一种多智能反射面辅助的无人机无线传感网数据收集方法技术

本发明专利技术请求保护一种多智能反射面辅助的无人机无线传感网数据收集方法，属于无人机通信技术领域，包括以下步骤：设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率；为了解决非凸问题，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的迭代算法，通过引入松弛凸函数将其转化为可解的凸形，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解。实验证明本发明专利技术数据收集率得到显著提高。实验证明本发明专利技术数据收集率得到显著提高。实验证明本发明专利技术数据收集率得到显著提高。

【技术实现步骤摘要】
一种多智能反射面辅助的无人机无线传感网数据收集方法


[0001]本专利技术属于无人机通信
，具体属于一种多智能反射面辅助的无人机无线传感网数据收集方法。

技术介绍

[0002]如今，大规模物联网(Internet of Thing,IoT)系统正在快速发展，数百万个传感器被集成到城市、车辆、工业制造等场景中，以提供智能生活[1]。无线传感器网络(Wireless Sensor Network,WSN)被认为是实现物联网不可或缺的一部分，并且已经在环境监测、交通、物流、农业种植等多种应用中发挥着关键作用[2
‑
8].网络寿命是WSN设计中的一个重要指标，它提供足够的决策信息来维持预期的网络性能和服务质量[9]。在发送数据时，每个传感器节点不仅传输自己的传感器数据，还中继其他传感器节点的传感器数据。结果，传感器节点的电源可能会被快速消耗，导致它们脱离网络，严重影响无线传感器网络的通信质量和覆盖范围[10]。
[0003]由于无人机制造技术的进步，无人机已普遍应用于航拍、物流、应急救援、军事等诸多领域[11]。特别是在无线传感器网络中，无人机凭借其高机动性和高质量的视距(Line
‑
of
‑
Sight,LoS)通信链路等优势，可以为扩大无线覆盖范围、增强网络吞吐量和延长网络寿命提供有力帮助。
[0004]近年来，RIS作为一种能够重塑无线电信号传播环境的先进无线通信技术，受到了广泛关注。简而言之，RIS是由无数由电磁材料制成的被动反射单元组成的平面结构。每个单元都具有自主操纵入射信号的幅度和相位的能力[12]。通过在WSN中适当地利用RIS并智能调整其反射系数，可以灵活地重新配置发射器和接收器之间的信号环境，从而显著提高通信性能并降低功耗[13]。
[0005]根据现有研究，在WSN中应用无人机和RIS支持传感器信息的传输，可以提高WSN的通信服务质量，增加网络覆盖范围，延长网络生命周期。因此，很自然地想到可以将这两种技术结合起来应用到WSN中，进一步提高网络通信性能。然而，它们也给实际设计和应用带来了新的挑战，无人机在从地面传感器节点采集数据时，必须折衷地面传感器节点与RIS之间的无线信道增益，以达到最佳的数据通信速率。另外，RIS的反射系数也是影响反射链路信号质量的关键变量。
[0006]为了解决传统无人机辅助无线传感器网络中无线信号传播环境差、无线网络覆盖范围有限、无线通信信号强度低的问题，作者在[14]中考虑了一种支持RIS辅助无人机的无线传感器网络来有效收集来自多个传感器节点的消息，并基于逐次凸近似(SCA)和块坐标下降(Block Coordinate Descent,BCD)联合优化RIS相移和无人机轨迹。结果显示了提高通信系统性能的有效性。文献[15]使用RIS来帮助无人机减轻阻塞造成的不利影响，并确保传输新鲜和最新的信息。由于混合整数非凸问题，作者提出了一种基于软演员评论家(Soft Actor Critic,SAC)的深度强化学习算法来学习无人机轨迹和传感器节点通信调度，并使用交替优化(Alternating Optimization,AO)算法解决RIS相位优化，结果证明，即使在无
人机与地面通信受阻的情况下，也能有效保持数据新鲜度，平均信息年龄(Age of Information,AoI)性能也有显着提升。[16]联合优化了无人机的部署和轨迹，为了解决混合整数非凸问题，作者使用弹性环自组织映射(Elastic Ring Self
‑
Organizing Map,ERSOM)和自适应鲸鱼优化算法(Adaptive Whale Optimization Algorithm,AWOA)来改进无人机的部署和轨迹。结果显示了框架的稳定性和鲁棒性。在[17]中，由于RIS阶段、传感器节点通信调度和无人机轨迹，优化问题具有挑战性，作者使用近端策略优化(Proximal Policy Optimization,PPO)来开发无人机通信调度，并使用BCD来解决RIS阶段，这最大化了传感器节点的总数并显着提高了无人机的能量效率。文献[18]提出了一种在城市环境中使用概率LoS信道的RIS辅助无人机启用WSN，并联合设计了通信调度、无人机轨迹和RIS相移。由于非凸问题，通过使用SCA、AO和半定松弛(SDR)可以获得次优解。仿真结果表明了仰角
‑
距离权衡对于支持RIS辅助无人机的WSN的重要性。
[0007]尽管一些相关工作考虑了RIS辅助的无人机WSN，但仍然存在一些局限性和挑战：
[0008]1)基于自由空间损失模型的不准确的视距信道模型(LoS Channel Model，LCM)，忽略了小尺度衰落、阴影衰落和障碍物阻挡的实际影响，使其更适用于没有高大障碍物的场景，如农村地区和草原；
[0009]2)地面传感器节点与无人机之间的通信在市区总是会被高楼等障碍物阻挡，造成非视距(Non
‑
LoS,NLoS)通信链路。目前的二维无人机轨迹设计无法充分发挥无人机在空间飞行的自由度，无法与地面部署的RIS集成，挖掘其有效提升通信性能的能力；
[0010]3)支持无人机的WSN中，传感器分布部署范围广，仅部署一个RIS无法覆盖所有传感器，提高通信传输性能，降低传感器功耗。多个RIS的部署有望显着提高支持无人机的WSN系统的性能。然而，多个RIS的相移参数设置与无人机的3D航迹高度相关，因此它们的联合设计解决起来比较复杂。
[0011]基于上述局限性，针对单个智能反射器只能为其附近的传感器节点提供有效反射增益，且无人机飞行高度固定，导致无人机权衡时缺乏自由度的问题仰角
‑
距离，本文设计了一个多RIS辅助无人机使能的WSN数据采集和通信系统，通过联合优化传感器节点的通信调度，最大化最小平均数据采集率，多相移系数RIS，以及无人机3D轨迹。然而，由于多RIS的相移矩阵与无人机三维轨迹之间的深度耦合，约束中存在复杂的非凸函数，难以解决构造的优化问题。为此，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的高效迭代算法，通过引入松弛凸函数将其转化为可解的凸形，并应用AO算法、SDR和SCA技术求解其高
‑
质量次优的解决方案。仿真结果验证了本文提出的算法具有显着的数据采集效果，更好地平衡了仰角
‑
距离，有效调整了无人机3D轨迹。这也证明了多RIS的部署可以带来更好的性能。

技术实现思路

[0012]本专利技术旨在解决以上现有技术的问题。提出了一种多智能反射面辅助的无人机无线传感网数据收集方法。本专利技术的技术方案如下：
[0013]一种多智能反射面辅助的无人机无线传感网数据收集方法，其包括以下步骤：
[0014]设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；
[0015]通过联合优化地面传感器节点的通信调度、多相移系数RI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，包括以下步骤：设计一种多智能反射面辅助无人机无线传感器网络WSN，包括设计3D笛卡尔坐标系、无人机3D轨迹模型、概率视距信道模型；通过联合优化地面传感器节点的通信调度、多相移系数RIS和无人机3D轨迹，最大化最小平均数据采集率；为了解决非凸问题，提出了一种联合3D轨迹和被动波束形成联合采集无人机数据的迭代算法，通过引入松弛凸函数将其转化为可解的凸形，所述迭代算法采用交替优化AO算法、半定松弛SDR和逐次凸近似SCA技术求解。2.根据权利要求1所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述设计3D笛卡尔坐标系具体包括：传感器节点k位于水平地面上，它们的水平坐标表示为K表示地面传感器节点总数且K≥1，、表示在包含地面所有传感器节点的一个集合，元素包括地面从1到K的K个节点，k表示集合中任意的一个传感器节点，此外，RIS安装在固定高度z
R
，RIS上对应的反射单元r水平坐标表示为表示为被定义为包含RIS中所有反射单元的集合，元素包括1到R的R个反射单元，R表示RIS中反射单元的个数，r表示集合中任意的一个反射单元，每个RIS具有M＝M
row
×
M
col
可调相位的无源反射单元。M
row
、M
col
分别RIS中横向和纵向排列的反射单元个数。3.根据权利要求2所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特征在于，所述设计无人机3D轨迹模型具体包括：假设无人机在不同的时间间隔与地面传感器节点通信进行数据采集，将无人机飞行任务时间T离散成间隔为δ
t
的N等份足够小的时隙，即T＝δ
t
N，离散时隙集合表示为因此，无人机的3D轨迹记为其中q[n]＝[x[n],y[n]]
T
表示无人机在时隙n内的水平轨迹坐标，Z_n表示无人机在时隙内的垂直轨迹坐标，进行周期性的数据采集，完成本次任务后无人机将飞回原位等待下一次，因此，无人机活动受到以下约束:q[N]＝q[1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)z[N]＝z[1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)(2)其中，q[1]和z[1]表示无人机的初始水平和垂直坐标，q[N]无人机在第N个时隙的水平、z[N]表示无人机在第N个时隙的垂直坐标，S
xy
＝V
xy
δ
t
和S
z
＝V
z
δ
t
描述了无人机在n时隙内的最大水平和垂直距离，V
xy
和V
z
分别表示无人机的最大水平和垂直速度，H
min
和H
max
分别表示无人机的最小和最大高度。4.根据权利要求3所述的多智能反射面辅助的无人机无线传感网数据收集方法，其特
征在于，所述用概率视距信道模型PLCM来表示地面传感器和无人机之间的信道，因此，地面传感器与无人机在第n个时隙的LoS概率定义为式中，c1、c2取决于环境参数，以及表示传感器节点k与无人机之间的仰角，对应地，在第n时隙时地面传感器节点k与无人机之间的NLoS概率可以表示为...

【专利技术属性】
技术研发人员：多滨，李苗，邵明谦，罗俊松，宁进，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：