【技术实现步骤摘要】
本专利技术属于通信和计算处理，尤其是基于计算卸载的无人机轨迹规划系统及其应用方法。
技术介绍
1、随着移动通信技术的快速发展，许多计算密集型和延迟敏感型的应用，如增强现实(ar)和虚拟现实(vr)，已经出现了；但这些应用对计算能力和电池容量有限的移动设备构成了挑战，使其难以有效地处理这些任务。
2、为了应对这些问题，移动边缘计算(mobile edge computing，mec)技术已经成为一种有效的解决方案；它通过在网络边缘部署计算服务器，为移动设备提供通信、计算和存储服务；因此，这种方法减少了计算密集型任务的传输和计算延迟，并大大降低了设备的计算能耗。
3、现有的mec服务器通常是以固定的方式部署的，这使得按需部署具有挑战性；由于无人机(unmanned aerial vehicles，uav)的高机动性和灵活部署，它们已被用来协助移动边缘计算系统；在无人机辅助的mec系统中，无人机可以作为具有高效计算资源的飞行服务器或飞行中继节点，帮助移动设备卸载其计算任务；此外，无人机辅助的mec系统可以灵活部署，并在不同的场景中呈现出显著的优势，如在野外和森林中；无人机可以面向地面终端设备按需提供计算资源，有效提高用户的服务体验。
4、目前，学术界和产业界围绕多无人机辅助的mec系统展开研究；例如现有技术中：
5、①x.qi,j.chong,q.zhang and z.yang,"collaborative computationoffloading in the multi-uav
6、②n.n.ei,m.alsenwi,y.k.tun,z.han and c.s.hong,"energy-efficientresource allocation in multi-uav-assisted two-stage edge computing for beyond5g networks,"in
extit{ieee transactions on intelligent transportationsystems},vol.23,no.9,pp.16421-16432,sept.2022.考虑到无人机的有限资源和任务的可容忍延迟，作者制定了一个联合任务卸载、通信和计算资源分配方案，使系统总能耗最小。
7、上述现有设计术虽然解决了部分边缘计算问题，但由于计算能力和能量能力有限，一架无人机可能提供相当有限的任务卸载性能；且几乎都集中在固定终端的静态无人机辅助mec系统上；在实际应用中，移动设备在计算过程中始终处于移动状态，难以获得最优策略。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于计算卸载的无人机轨迹规划系统及其应用方法，克服了现有技术中无人机计算能力和能量的有限性的不足，采用多个无人机向移动设备提供通信和计算服务，通过对无人机轨迹、计算任务卸载策略和计算资源分配联合优化，使得完成最大任务的处理时延最小化。
2、一种基于计算卸载的无人机轨迹规划系统及其应用方法，其中：
3、基于计算卸载的无人机轨迹规划系统，包括：
4、多架无人机和多个地面终端设备；
5、通过多架无人机向多个地面终端设备提供通信和计算服务，联合优化无人机轨迹、计算任务卸载策略和计算资源分配，达到最大任务处理时延最小化。
6、基于计算卸载的无人机轨迹规划系统的应用方法，包括：
7、步骤一、系统模型的建立；
8、设多架无人机u＝{1,2,...,u,...,u}和
9、多个地面终端设备(mds)：m＝{1,2,...,m,...,m}；
10、考虑时隙可以划分为t＝{1,2,...,t,...,t}；
11、在时隙t内，地面终端设备m的位置坐标为：
12、pm(t)＝[xm(t),ym(t),0]t，并以速度vm随机移动；
13、无人机u的位置坐标为：qu(t)＝[xu(t),yu(t),h]t；
14、同时md m携带的计算任务可以表示为wm(t)＝{dm(t),cm(t),tm(t)}，其中：dm(t)为计算任务数据量大小，cm(t)为处理每比特的数据所需要的cpu循环，tm(t)为最大允许处理计算任务的时间；
15、步骤二、无人机移动模型的建立；
16、在时隙t内，无人机u的飞行角速度为β(t)∈[0,2π)；
17、因此，无人机u飞行到新的位置坐标可以表示为：
18、qu(t+1)＝[xu(t)+lu(t)cosβ(t),yu(t)+lu(t)sinβ(t)]；
19、其中，lu(t)＝vu(t)tfly为无人机飞行的距离，tfly为飞行时间，vu(t)为无人机的飞行速度；
20、同时，为了避免无人机之间的碰撞，任意两架无人机之间应该满足运动约束：
21、
22、其中：dmin为任意两架无人机之间安全距离；
23、因此，无人机的飞行能耗可以表示为：efly＝φ||vu(t)||2，
24、其中，φ＝0.5mutfly，mu是无人机质量；
25、步骤三、通信模型的建立；
26、考虑无人机部署在空中，无人机和mds之间以视距传输为主，无人机u和md m之间的信道增益可以表示为：
27、
28、其中，g0表示参考距离1m时的信道增益，为无人机和md m之间的距离；
29、md m将计算任务部分卸载给无人机的传输时延为：
30、
31、其中：dm(t)为md m所携带的计算任务数据量大小，为md m选择卸载任务的比例，为mdm和无人机之间的传输速率，定义为：
32、
33、其中，bm(t)是无人机和mds之间通信的可用带宽，pm(t)是mds的传输功率，是白高斯噪声。
34、因此，传输能耗可以表示为：
35、
36、步骤四、计算模型的建立；
37、首先，地面终端设备m本地计算任务时延为：
38、
39、其中：fm(t)为md m的计算能力，单位是每秒cpu的圈数；
40、此时本地计算任务产生的能量消耗为：
41、elocal(t)＝γm(本文档来自技高网...
【技术保护点】
1.基于计算卸载的无人机轨迹规划系统，其特征在于，包括：
2.基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，包括：
3.根据权利要求2所述的基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，所述MADDPG算法基于Actor-Critic和DDPG进行了一系列的改进，并且采用集中式学习和分布式应用的原理，使其能够适用于传统强化学习算法无法处理的复杂多智能体环境。
4.根据权利要求2所述的基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，传统强化学习算法在学习和应用时都必须使用相同的信息数据，所述MADDPG算法允许在学习时使用一些额外的信息，即全局信息，但在应用决策的时候只使用局部信息。
5.根据权利要求3所述的基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，相对于传统Actor-Critic算法，MADDPG算法环境中共有K个智能体,第i个智能体的策略用πi表示，且其策略参数为θi,则可以得到K个智能体的策略集为π＝{π1,...,πK},策略参数集合为θ＝{θ1,...,θK}；第i个智能体的累计期
6.用于实现权利要求3-5任一权利要求所述的应用方法之存储介质，其特征在于，包括：计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求2至5的全部技术方案。
...【技术特征摘要】
1.基于计算卸载的无人机轨迹规划系统，其特征在于，包括：
2.基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，包括：
3.根据权利要求2所述的基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，所述maddpg算法基于actor-critic和ddpg进行了一系列的改进，并且采用集中式学习和分布式应用的原理，使其能够适用于传统强化学习算法无法处理的复杂多智能体环境。
4.根据权利要求2所述的基于计算卸载的无人机轨迹规划系统的应用方法，其特征在于，传统强化学习算法在学习和应用时都必须使用相同的信息数据，所述maddpg算法允许在学习时使用一些额外的信息，即全...
【专利技术属性】
技术研发人员：刘宜明，王熠鹏，张家祥，刘宝玲，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。