一种无人机-物联网数据采集方法和系统与流程

本发明涉及无人机-物联网领域，更具体地说，涉及一种无人机-物联网数据采集方法和系统。
背景技术：
：在过去的二十年中，无线技术，微传感器，rfid和嵌入式系统的巨大进步，加上工业自动化和智能家居网络的巨大需求，推动了物联网的激增。在物联网系统中，传感器或rfid标签附加到数据收集目标上，大量物理和虚拟“事物”无缝集成到互联网中，实现远程监控和智能控制这些相关目标。虽然物联网的应用看起来很吸引人，但必须首先在网络边缘侧收集数据，以便在云中心进行进一步分析和处理。在拥有丰富基础设施支持的地区，数据收集很容易。但是，在电信和电力基础设施部署成本非常高的偏远地区，或者这些地区的工作环境充满敌意和无法进入的情况下，数据收集是非常困难或者难以实现的。例如，大量的物联网传感器被放置在恶劣的地形中用于环境监测或野生动物追踪，物联网数据收集的数据无法传递到外部世界，因为这些遥远的区域不在蜂窝网络的覆盖范围内；又例如在牧场中，rfid标签附着在每只牛的耳朵上，不断收集其生理和位置数据，由于畜群的高度随机流动性，以人工方式采集数据是不可行的；又例如在部署了物联网的无人自动码头中，工作人员不允许进入危险的货物处理区域，需采用自动装置用于从码头操作员急需的集装箱中安装的传感器/标签收集信息。在上述应用场景中，在移动自组织网络中的传统多跳中继方法是不可行的，因为传感器由微型电池供电并且具有弱的通信和计算能力，因此大量iot数据将很快使得网络不堪重负。因此，其内在的物理性限制和严苛的环境限制极大制约了物联网的部署应用。因此，需要一种能够对位于偏远地区或者危险区域或者其他不适用移动自组织网络中的传统多跳中继方法的区域中的传感器数据进行采集的方法和系统。技术实现要素：本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种无人机-物联网数据采集方法和系统，其不但能够对于位于偏远地区或者危险区域或者其他不适用移动自组织网络中的传统多跳中继方法的区域中的传感器数据进行采集，还能够获得最佳的能量效率。本发明解决其技术问题所采用的技术方案是：构造一种无人机-物联网数据采集方法，包括：s1、构建无人机-物联网数据采集系统，所述无人机-物联网数据采集系统包括设置在地面的用于数据采集的传感器和与所述传感器进行通信的无人机，其中所述传感器上附着rfid标签以存储采集数据，所述无人机上装载rfid阅读器；s2、所述无人机飞越部署区域时，基于帧时隙算法通过atg信道接收所述传感器上的rfid标签上存储的采集数据。在本发明所述的无人机-物联网数据采集方法中，步骤s2进一步包括：s21、计算所述无人机接收所述采集数据的最佳帧长系数；s22、基于所述最佳帧长系数控制所述无人机接收所述采集数据。在本发明所述的无人机-物联网数据采集方法中，所述步骤s21进一步包括：s211、基于所述无人机-物联网数据采集系统的最佳能量效率计算所述最佳能量效率帧长系数；和/或s212、基于所述无人机-物联网数据采集系统的最佳系统吞吐量计算所述最佳系统效率帧长系数。在本发明所述的无人机-物联网数据采集方法中，所述步骤s211包括：s2111、依据以下公式(7)和(10)分别计算系统效率和能量效率；其中ηe表示能量效率；ηs表示系统效率，eo表示传感器在每个时隙开始因监听queryrep的能量消耗，es表示传感器在成功时隙中的能量消耗，ec表示传感器在冲突时隙中的能量消耗，l表示帧长，n表示传感器个数，αt表示归一化空时隙周期，βt表示归一化冲突时隙周期；s2112、基于帧长和传感器个数远大于1改写等式(7)和(10)为等式(13)s2113、根据公式(13)获取最佳能量效率以获得最佳能量效率帧长le_opt；s2114、根据公式(13)最大化系统效率求解最佳能量效率帧长系数其中αe表示传感器时隙时序中同步监听的归一化能量消耗；βe表示传感器在冲突时隙中的归一化能量消耗。在本发明所述的无人机-物联网数据采集方法中，所述步骤s212包括：s2121、依据以下公式(7)和(10)分别计算系统效率和能量效率；其中ηe表示能量效率；ηs表示系统效率，eo表示传感器在每个时隙开始因监听queryrep的能量消耗，es表示传感器在成功时隙中的能量消耗，ec表示传感器在冲突时隙中的能量消耗，l表示帧长，n表示传感器个数，αt表示归一化空时隙周期，βt表示归一化冲突时隙周期；s2122、基于帧长和传感器个数远大于1改写等式(7)和(10)为等式(13)s2123、基于预设参数αt、βt、αe、βe计算最佳系统效率帧长系数βs_opt为定值。在本发明所述的无人机-物联网数据采集方法中，所述步骤s2进一步包括：s2a、计算所述无人机的飞行速度、飞行高度和帧长系数；s2b、基于所述飞行速度、飞行高度控制所述无人机飞越所述部署区域，并基于所述帧长系数控制所述无人机接收所述采集数据。在本发明所述的无人机-物联网数据采集方法中，所述步骤s2a进一步包括：s2a1、根据最佳能量效率和性能约束构建约束等式(18.a)-(18.c)：tf＝dlα[t0βe-1/β+tse-1/β+tc(β-e-1/β-βe-1/β)](18.c)；其中l表示地面上无人机-传感器有效通信区域，v表示无人机的飞行速度，d表示地面布置的传感器的密度，tf表示每轮读取周期的时间长度，∈表示数据收集率限制，β表示帧长系数，t0，tc和ts分别表示空、冲突、成功时隙的时间长度；s2a2、根据所述约束等式(18.a)-(18.c)采用pso定位选择所述帧长系数，所述飞行速度和飞行高度。在本发明所述的无人机-物联网数据采集方法中，所述步骤s2a2进一步包括：s2a21、将所述飞行高度限定到最低飞行高度；s2a22、根据实际需要选择所述飞行速度；s2a23、根据所述飞行速度分别求解满足最佳系统效率和最佳能量效率的最佳系统效率帧长系数和最佳能量效率帧长系数。在本发明所述的无人机-物联网数据采集方法中，所述步骤s2a2进一步包括：s2a24、根据所述最佳系统效率帧长系数和最佳能量效率帧长系数切换所述无人机-物联网的数据采集工作状态。本发明解决其技术问题采用的技术方案是，构造一种无人机-物联网数据采集系统，包括设置在地面的用于数据采集的传感器和与所述传感器进行通信的无人机，其中所述传感器上附着rfid标签以存储采集数据，所述无人机上装载rfid阅读器；所述无人机飞越部署区域时，基于帧时隙算法通过atg信道接收所述传感器上的rfid标签上存储的采集数据；其中所述无人机包括处理器和存储在所述处理器上的计算机程序，所述计算机程序被处理器执行时实现以下步骤：s21、计算所述无人机接收所述采集数据的最佳帧长系数；s22、基于所述最佳帧长系数控制所述无人机接收所述采集数据；和/或s2a、计算所述无人机的飞行速度、飞行高度和帧长系数；s2b、基于所述飞行速度、飞行高度控制所述无人机飞越所述部署区域，并基于所述帧长系数控制所述无人机接收所述采集数据。实施本发明的无人机-物联网数据采集方法和系统，其不但能够对于位于偏远地区或者危险区域或者其他不适用移动自组织网络中的传统多跳中继方法的区域中的传感器数据进行采集，还能够获得最佳的能量效率。进一步地，通过控制无人机进行数据采集的帧长，可以获得最佳能量效率或者最佳系统吞吐量。更进一步地，通过调节无人机的飞行速度、高度以及帧长，可以获得最佳能量效率。附图说明下面将结合附图及实施例对本发明作进一步说明，附图中：图1是本发明的无人机-物联网数据采集方法的第一实施例的流程图；图2示出无人机高度h和覆盖半径r的变化范围；图3示出随着帧长改变的最佳系统效率和能量效率；图4示出随着传感器数量的变化的最佳系统效率和最佳能量效率的最佳帧长系数；图5示出系统最佳系统效率和最佳能量效率之间的权衡；、图6a-d分别示出了计算的phy-mac参数；图7示出了用于最佳能量效率帧长系数的一维搜索算法；图8示出了两种搜索算法的搜索线比较示意图；图9a-b分别示出了优选地phy-mac参数；图10分别示出了“系统效率模式”和“能量效率模式”下的效率；图11显示了“系统效率模式”和“能量效率模式”下每轮询问中竞争传感器的数量；图12显示了“系统效率模式”和“能量效率模式”下与飞行速度有关的传感器的数量；图13示出了最佳帧长的一维搜索算法；图14和15分别示出对于不同的传感器密度的最佳帧长变化以及效率变化；图16示出了获得的能量效率增益。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。图1是本发明的无人机-物联网数据采集方法的第一实施例的流程图。如图1所示，在步骤s1中，构建无人机-物联网数据采集系统。在本发明的优选实施中，所述无人机-物联网数据采集系统包括设置在地面的用于数据采集的传感器和与所述传感器进行通信的无人机，其中所述传感器上附着rfid标签以存储采集数据，所述无人机上装载rfid阅读器。在步骤s2中，所述无人机飞越部署区域时，基于帧时隙算法通过atg信道接收所述传感器上的rfid标签上存储的采集数据。在本发明的一个优选实施例中，在所述步骤s2中，可以首先计算所述无人机接收所述采集数据的最佳帧长系数；然后基于所述最佳帧长系数控制所述无人机接收所述采集数据。在本发明的一个进一步的优选实施例中，该最佳帧长系数可以是最佳能量效率帧长系数，也可以是最佳系统效率帧长系数。例如，可以基于所述无人机-物联网数据采集系统的最佳能量效率计算所述最佳能量效率帧长系数；也可以基于所述无人机-物联网数据采集系统的最佳系统吞吐量计算所述最佳系统效率帧长系数。在本发明的另一个优选实施例中，在步骤s2中，可以计算所述无人机的飞行速度、飞行高度和帧长系数；然后基于所述飞行速度、飞行高度控制所述无人机飞越所述部署区域，并基于所述帧长系数控制所述无人机接收所述采集数据。实施本发明的无人机-物联网数据采集方法，其不但能够对于位于偏远地区或者危险区域或者其他不适用移动自组织网络中的传统多跳中继方法的区域中的传感器数据进行采集，还能够获得最佳的能量效率。进一步地，通过控制无人机进行数据采集的帧长，可以获得最佳能量效率或者最佳系统吞吐量。更进一步地，通过调节无人机的飞行速度、高度以及帧长，可以获得最佳能量效率。下面将结合具体实施例对本发明的无人机-物联网数据采集方法做进一步说明如下。在本发明的无人机-物联网数据采集方法中，无人机通过atg信道下载存储在地面物联网设备，即传感器中的数据，与地面信道相比，由于无人机较高的飞行高度，atg信道容易具备满足los视线传输的条件。atg信道的路径损耗取决于发射机和接收机之间的距离d，电波频率f和地面环境的统计参数。在本文中，我们采用已知的的los概率模型，它是基于测量数据的曲线拟合，可以通过简化的sigmoid函数来近似其中prblos是atg信道的los概率，h是无人机的高度，r是atg信道覆盖区域的半径，a和b是与地面环境密切相关的拟合参数。因此，atg信道不满足los条件的概率是prbnlos＝1-prblos。用于los和nlos的atg信道的路径损耗可表示为：其中ξlos和ξnlos分别是与los和nlos与信道相关联的额外路径损耗，为无人机与传感器之间的距离，c为光速；atg信道平均路径损耗可写为：为了有效地在无人机和传感器之间进行通信，我们假设atg信道可以承受的最大路径损耗是plmax，它对应于最大r＝r，即只有位于半径为r的无人机覆盖圆内的地面设备的路径损失小于plmax，因此只有圆内的节点可以将它们的数据发送到无人机。让且r＝r，然后通过将等式(1)和(2)代入(3)，我们得到：在(4)中我们可以看到覆盖半径是无人机高度h的隐函数，因此我们相对于r对h求导，使得导数为0，获得然后我们得到最佳高度，以最大化无人机的覆盖范围。图2描绘了r相对于高度h的变化范围，其中参数为a＝1，b＝0.65，ξlos＝0.1，ξnlos＝21，f＝915mhz。从图中可以看出，高度的升高增加了los概率，导致无线电覆盖范围更大。然而，这种影响被无人机高度的进一步增加所抵消，因为高度的上升也会导致传输距离的增加，从而导致无线电信号的衰减更高。我们假设rfid标签附着在地面上的每个传感器上。传感器收集的数据存储在标签上，并发送到安装了rfid阅读器的无人机。标签由传感器上的电池供电，为有源标签。由于atg信道有利于los传输，且标签有源，因此有效通信范围可达数百米，适用于郊区和野外环境中的长距离传输。我们在epcglobal标准框架下讨论rfid传感器空中数据采集，epcglobal是世界各行业广泛应用的最流行的标准。该标准基于框架时隙aloha(fsa)，其中，通信时间被分成由多个时隙组成的连续帧，从而使标签之间的信道访问随机化并减少传输冲突的概率。其机制总结如下：在每一帧的开头，阅读器广播“query”命令，其中包括帧长(时隙数)以启动轮询周期(inventoryround)。在接收到命令时，附近的标签随机地并且独立地选择帧中的时隙以发送其存储的数据。帧中时隙的位置用作传输计数器。如果计数器为零，标签会立即发送数据包；阅读器使用“queryrep”命令启动时隙。听到此命令后，每个标签将其计数器递减1。当计数器达到零时，标签通过向读取器发送包含标签临时id的16位长“rn16”数据包来争用该时隙；如果多个标签同时向阅读器发送“rn16”数据包，则会发生冲突并浪费此时隙。如果没有标签发送“rn16”数据包，则该时隙为空。在任何一种情况下，阅读器将通过广播“queryrep”命令开始下一个时隙，并且每个等待标签再次将其计数器减1；如果只有一个标签向阅读器发送“rn16”，则阅读器通过向标签发回“ack”数据包来确认接收，确认该时隙的成功预留。然后，标签将其存储的数据(包括pc，epc，存储的数据和crc-16)发送到阅读器，完成数据收集。从以上可知，一个帧由多个不同类型的时隙组成，按照时序长度升序排列有t0<tc<ts，其中t0，tc和ts分别是空、冲突、成功时隙的时间长度。帧中不同时隙的平均数量取决于传感器的个数n和帧长l。在数学上，它们可以表示为：其中α0，αs，和αc分别表示帧中的空，成功和冲突时隙的平均数量。信道利用效率定义为帧中成功时隙总长度的百分比，可以写成：我们通过设置αt＝t0/ts和βt＝tc/ts来将t0和tc相对于ts进行归一化。将(5)代入(6)，我们有(7)；对于给定传感器个数n，最佳系统效率是帧长l的函数。因此对ηs相对l进行求导，并让导数获得1-n/l＝(1-αt/βt)(1-1/l)n(8)通过求解等式(8)，我们得到使得吞吐量最大的最佳帧长ls_opt，即阅读器可以最高吞吐量从地面传感器收集数据。下表列出了本节中使用的相关符号表示。现在我们分析地面传感器的能耗。在每轮数据收集中，传感器随机选择帧中的一个时隙进行传输。每次传输都可能成功(单个时隙)或不成功(冲突时隙)分别导致es和ec的能量消耗。此外，在每个时隙的开头，传感器需要监听“queryrep”命令用于时隙同步，导致能耗eo。因此，平均而言，帧中每个传感器的由于监听而消耗的能量是类似地，我们通过设置αe＝eo/es和βe＝ec/es来将eo和ec相对于es进行归一化。我们假设有n个传感器竞争帧中的l时隙。因此，能量效率(定义为每帧中所有传感器成功传输数据所使用能量的百分比)可写为：将(5)代入(9)，得到让β＝l/n，假设l＞＞1和n＞＞1，那么(1-1/l)n-1≈e-1/β.因此能量效率简化为当n＞＞l，相互竞争的传感器数量远远超过帧长，得到β→0，ηe→0，这意味帧中的全部时隙冲突，没有能量用于成功的数据传送。当l＞＞n，得到1/β→0且这意味着没有时隙冲突，能量均被用于数据包传送和时隙的同步监听。如果我们进一步假定es＞＞eo，这意味着用于时隙同步监听的能耗可以忽略，得到ηe→1。给定传感器数量n，在(10)中最大能量效率等于最小化函数f(l)的一阶和二阶导数分别为：显然，f″(l)>0，因此f(l)是l的凸函数，表示最小化f(l)时有唯一的le_opt。让f′(l)＝0，求解等式eol2-eonl-2ecn＝0，得到两个根:因le_opt>0，可以将最佳能量效率的帧长表示成我们采用物理参数(基于bpsk和96位id的40kbps信道数据速率)并设置n＝1000。利用等式(7)和(9)，我们可以得到随着帧长改变的系统效率和能量效率，即图3。从图3中可以看出，le_opt和ls_opt是不同的，这也意味着系统效率和能量效率不能同时被优化。并且在两者之间存在相互制约关系。在无人机-物联网数据采集系统中，我们假设n＞＞1和l＞＞1，因此等式(7)和(10)可以被重写为：将ηs写作在此g(β)＝(αt-βt)β+βtβe1/β。g(β)的一阶和二阶导数分别写作g′(β)＝(αt-βt)+βte1/β-βtβ-1e1/β和g″(β)＝βtβ-3e1/β。可以看到g″(β)>0，因此g(β)为β的凸函数，这表示系统效率ηs是凹的。让g′(β)＝0且求解等式，得到可将ηs最大化的唯一βs_opt。在等式(11)和(12)中，我们得到将ηe最大化的唯一解因此我们将最佳能量效率帧长系数设置成在以上讨论中，我们看到βs_opt是等式g′(β)＝0的根，因此βs_opt是定值.然而与传感器个数n密切相关。根据设置的参数：αt＝0.01，βt＝0.65，αe＝0.025，βe＝0.12，求解等式g′(β)＝0，获得根βs_opt＝5.998，其为与传感器个数n无关的定值。我们还在求解方程(7)中发现，除非传感器数量n小于10，否则根非常接近5.998(见图4)。当n＞＞1，“系统效率模式”下的最佳长度系数为该常数值，可以近似为βs_opt＝5.998。在图3和4中，观察到无人机-物联网数据采集系统不能同时在最佳“系统效率模式”和最佳“能量效率模式”下工作。我们只能以更多的能量消耗为代价来实现更高的系统吞吐量，反之亦然。因此，两个指标之间存在权衡。为了更明确地解释这种现象，我们让帧长系数β在区间[βe_opt，βs_opt]之间变化，并采用等式(13)计算ηs和ηe。结果如图5所示。在图中，我们可以观察到两种效率之间的相互制约关系，因而我们无法同时优化两种效率。此外，我们同时观察到可以利用帧长的调整来调节传感器的能耗与系统吞吐量。因此，根据应用场景，通过适当调整帧长，我们可以选择让系统在最佳“系统效率模式”或最佳“能量效率模式”下工作。在无人机-物联网系统中，我们观察到mac层的帧长设置可以影响系统吞吐量和能耗。另一方面，phy层的参数-无人机飞行高度和速度，实际上也可以影响这两个指标。飞行速度的增加可以使单位时间内采集到更多的数据，但是，这也会使得信道竞争更为激烈，从而增加能量消耗；较低的飞行速度可以缓解信道竞争，但会导致信道资源利用效率低下。同样，飞行高度的变化能导致无线电覆盖范围、系统吞吐量、竞争传感器的数量、以及相关的地面节点能量和系统吞吐量的波动。在本节中，我们将讨论如何调整phy-mac层的三个参数以避免不必要的地面节点能量和信道资源浪费。具体而言，在无人机-物联网数据采集系统中，我们将找到最佳的phy-mac参数，旨在尽可能地节省能源，同时满足所需的系统性能。当无人机以速度v飞越部署区域时，传感器将物联网数据传输到无人机。l表示机载阅读器的有效读取范围。即只有该范围内的传感器才能可靠地将存储的数据发送到无人机。覆盖区域的半径是r，这是由前述分析的无人机飞行高度ｈ决定的，其中l＝2r。注意到传感器传输其数据的时间限制为l/v，过了该时间限制，无人机将飞出有效的通信范围。部署的传感器的密度为d，，即平均而言，沿着地面上的飞行轨迹每米有d个传感器。下表给出了本节中使用的符号的含义在每轮读取中，传感器通过随机选择帧中的时隙来发送数据包来竞争信道访问。因此，传感器可以经历多个读取周期，直到其存储的数据最终发送到无人机。我们假设在每轮开始时，要读取的传感器的百分比是α，因此，在有效通信区域中等待传输的传感器的数量是dlα，因此帧长应该设置为dlα。根据等式(5)，在每轮读取之后，在等待的dlα传感器中，成功发送其数据到无人机的传感器的百分比是设tf是帧长的平均时长，可写为tf＝α0t0+αsts+αctc。假设l＝dlαβ＞＞1且n＝dlα＞＞1，通过使用等式(5)，我们可以通过下列近似公式简化tf：假定有效读取范围是l且无人机飞行速度是v，传感器可能经历的最大读取轮数是对于每轮读取，新加入的传感器数量是dl/k。因此在通信区域中等待传输的传感器的数量是因此，我们获得为了在数据采集中提供质量保证，规定在k轮读取之后，未读取的传感器的百分比不超过∈，即我们有性能约束(1-pi)k≤∈，其可以进一步写为对于数据采集，我们需要尽可能地降低地面传感器的能耗，同时满足(17)中的性能约束。因此，根据(10)中能量效率的定义，优化问题可以表述为：应注意到帧长l＝dlαβ和地面上有效的无人机-传感器通信区域l都会受到无人机飞行高度h的影响。在公式(18)的优化问题中，可以观察到目标函数的最小化需要正确设置phy-mac变量v，h和β。另外，受(18.a)-(18.c)的约束。每个变量的变化将导致其他两个变量的调整，这增加了问题的复杂性。我们可以看到问题(18)中的目标函数和约束是非凸的，因此我们采用启发式方法-粒子群优化(pso)来找到最佳解。pso通过以下方法求解优化问题：对于给定质量标准，迭代地改进候选解决方案(也称为粒子)。具体而言，它将基于粒子群组的个体的位置和速度在搜索空间中移动粒子群组。粒子的运动由其自身的局部最佳已知位置以及整个群中其他粒子发现的最佳已知位置决定。每当找到更好的位置时，两个位置都会更新，因此当pso最终收敛时，群组将移动到最佳解。在使用pso求解该问题之前，我们需要决定参数组{v，h，β}的搜索空间。对无人机飞行高度，为了避免因地面障碍物引起的碰撞，在无人机上有一个最小的安全高度限制。在本文中，我们设置hmin为10米。同时，最高飞行高度设置为hmax，在该高度下，无人机拥有最大的地面覆盖范围。通过将等式(4)中的可以计算最高飞行高度。因此，我们获得无人机的高度[hmin，hmax]的搜索空间。对于帧长系数β，在图中得最佳系统效率模式为βs_opt＝5.998，因此可以将其设为β上限值，有βmax＝βs_opt.为了确保搜索空间包含最佳值，我们选择相对较低的下限值βmin＝0.2。因此β的搜索空间范围是[βmin，βmax]＝[0.2，5.998]。接着，我们确定无人机飞行速度的搜索空间[vmin，vmax].通过等式(18.b)and(18.c)，获得为了简化等式(19)，让a1＝t0βe-1/β+tse-1/β+tc(β-e-1/β-βe-1/β)，a2＝dve1/β，a3＝1-e-1/β，这样等式(19)写作因此，最大读取轮数是：当k>0且0<a3<1，得到a1a2>1，这意味着v>(da1e1/β)-1。因此，让vmin＝(da1e1/β)-1。现在我们分析最大飞行速度的上限。约束条件(18.a)对飞行速度施加限制，约束条件可以重写为：同时，约束条件(18.a)的边界条件写作我们可以观察到(18.b)，(18.c)和(22)是具有三个变量{v，l，β}的独立等式(应注意到，h和l之间存在一对一映射)。通过设置β＝βs_opt，我们可以通过采用数值方法求解等式(18.b)，(18.c)和(22)获得边界速度v2。边界速度v2对应于在最佳系统效率模式下的无人机飞行速度。因此我们设置vmax＝min(v1，v2)，这样我们获得v的搜索空间[vmin，vmax]。在pso算法中，为了在求解质量和计算时间之间获得平衡，我们将群体大小和迭代次数分别设置为200和300。传感器参数列于表3中。计算出的phy-mac参数{v，h，β}如图6a-6d所示。在图中，我们观察到最佳飞行高度位于搜索空间的最低边界点处。这也意味着为了节省地面传感器的能量，我们应该通过将无线电覆盖范围设置为最低值，以便限制竞争传感器的数量。该参数设置的机理将在后一部分详细分析。同时，我们还观察到最佳飞行速度随着传感器密度的增加而降低。这是因为传感器密度的增加导致数据采集负荷的增加，并且为了满足性能约束，飞行速度必须减慢，以避免因不断增加的传感器数量而导致系统饱和。从图中我们也观察到，最佳飞行速度位于搜索空间的最低边界点vmin＝(da1e1/β)-1处。为了更清楚地说明这一点，我们将图6b中计算出的βe_opt代入vmin＝(da1e1/β)-1。采用vmin通过计算vopt/vmin归一化vopt。在图6c中示出的结果中可见，归一化值在1附近微小波动，这意味着计算结果收敛于边界点vmin。下表中示出了采用的传感器参数我们重写等式(10)中的能量效率可以看到对于给定的帧长，传感器数量n的增加可将导致ηe降低。特别地，当系统在最佳“能量效率模式”下工作时，获得在此同时，当增加传感器数量n时，le_opt和将增加，使得ηe降低。这意味着，为了尽可能地节省地面传感器的能量，我们应该将飞行高度h设置为最低值，以减小无线电覆盖区域，从而限制竞争传感器的数量。采用限制条件(18.c)，获得将其代入(18.b)，获得当固定帧长系数β时，a1值也被固定下来(参见a1的定义).这样α仅仅取决于飞行速度v。因为v>vmin＝(da1e1/β)-1，因此0<(dva1e1/β)-1<1且ln[1-(dva1e1/β)-1]<0。并且因为β>0，ln[1-e1/β]<0，竞争传感器的百分比为让f(v)＝-vln[1-(dva1e1/β)-1]，因此f′(v)＝-ln[1-(dva1e1/β)-1]-(dva1e1/β-1)-1。为了进一步简化f′(v)，让x＝(dva1e1/β)-1，因此因为0<x<1，通过使用泰勒展开式，获得和这样f′(v)可以表示为因f(v)＝-vln[1-(dva1e1/β)-1]>0且f′(v)<0，因此将随着飞行速度v增加。换句话说，当我们增加v时，竞争传感器的数量nw＝dlα也将增加，因此根据上一段的分析，能量效率ηe将减小。因此，为了节省地面传感器的能量，我们应该让无人机尽可能以最低速度vmin飞行。从以上分析，我们知道，为了最大化地面传感器的能量效率，我们可以将无人机飞行高度和速度设置为最低允许值。因此，phy-mac参数{v，h，β}的优化可以简化为找到βe_opt的一维搜索问题，即最小化能耗。这将极大地减少pso中启发式搜索的计算时间。一维优化由下式给出：在此，通过设置h＝hmin采用等式(1-4)可以计算l。同时，通过设置v＝vmin，并采用等式(18.b)和(18.c)可以计算α。这样等式(23)简化为只有一个变量β的函数。注意，函数(23)不是凸的或凹的，并且为了找到函数的极值点，我们可以将其导数值设置为零，然后选择最小化函数(23)的最佳βe_opt点。同时，为确保a1a2>1和函数(23)在vmin附近可微分，我们设置v＝vmin+σ，其中σ是一个足够小的正值(例如σ＝10-5)。一维搜索算法如图7所示。为了验证图7中所示的一维搜索算法的可行性，我们将从该算法获得的计算结果与从pso启发式搜索获得的计算结果进行比较。结果如图8所示，其中，我们可以看到计算结果与pso搜索线非常吻合。这表示我们可以使用简化的一维搜索来替代耗时的pso搜索方案。利用图7中给出的简化算法，我们可以计算联合phy-mac最佳参数，结果如图9a-b所示。注意，在上述分析中得出最佳飞行高度为10米。通过采用这些参数，无人机-物联网系统可以在“能量效率模式”下工作，在此模式下，我们可以尽最大努力降低地面传感器的能耗，同时满足性能约束。在图9a中，可以看到最佳帧长系数βe_opt随着传感器密度增加而减少，这是由于传感器密度增加导致竞争传感器数量n的增加，导致数βe_opt减少。在图9b中观察到，当传感器密度上升时，为了满足性能限制，无人机必须减慢飞行速度，以便系统容纳更多的传感器。通过设置帧长系数β＝βs_opt，我们可以让无人机-物联网系统工作在“系统效率模式”，从而系统可以以最大吞吐量从地面传感器采集数据。换句话说，在相同性能约束下，与“能量效率模式”相比，无人机在“系统效率模式”下，可以允许采用更高的飞行速度，代价是地面传感器消耗的能量更多。为了在“系统效率模式”下计算最大无人机飞行速度，我们重写函数(18)的约束在下边。我们假设系统应该满足边界条件，因此约束(18.a)中的不等号被替换为(18.a1)中的等号。tf＝dlα[t0βe-1/β+tse-1/β+tc(β-e-1/β-βe-1/β)]＝dlαa1(18.c)为了计算最大飞行速度，在等式(18.a1)中，让β＝βs_opt＝5.998，然后我们可以计算将该计算值代入(18.b)，我们还可以计算α。接着采用(18.a1)和(18.c)，其可以采用β＝βs_opt和α计算。这样在“系统效率模式”下的最大速度可以仅仅通过β＝βs_opt决定，并且其与飞行高度h(或l)无关。在“系统效率模式”下，有β＝βs_opt＝5.998，该模式下的系统效率是恒定值，因此其与飞行高度h和飞行速度v无关。为了节省地面传感器的能量，我们应该通过将飞行高度h(或l)设置为最低允许值来减少竞争传感器的数量。我们在“系统效率模式”和“能量效率模式”下计算系统效率及能量效率，结果如图10所示。图中的下标“e_opt”和“s_opt”分别表示系统在“能量效率模式”下工作和在“系统效率模式”下工作。为了在“系统效率模式”下降低传感器能耗。我们将无人机飞行高度设置为最小允许值，即h＝hmin＝10m。如图所示，我们可以看到“系统效率模式”可以提供最高的系统效率(大约90％)，这是“能量效率模式”下的1.2-1.3倍。这也意味着，在“系统效率模式”下，无人机的地面数据吞吐量达到最大。因此，考虑到地面上的传感器密度d和性能约束∈，无人机允许的飞行速度高于“能量效率模式”中的飞行速度。然而，其成本是，能量效率非常低(10％或更低)。因为当飞行速度增加时，更多传感器将加入信道竞争中(见图12)。正如预期的那样，在图中，“能量效率模式”下的能量效率远高于“系统效率模式”下的能量效率(约4-6倍)。再次，我们可以在图中看到，能量效率在两种工作模式下随着传感器密度的增加而下降，因为竞争传感器数量的增加会降低能量效率。图11显示了两种工作模式下每轮询问中竞争传感器的数量。如图所示，竞争传感器的数量随着地面传感器密度线性上升。此外，“系统效率模式”下的较高飞行速度也意味着较重的数据收集负载，因此竞争传感器的数量大于“能量效率模式”(约2.5倍)，使得“系统效率模式”的能量效率要比“能量效率模式”的能量效率要低得多。对于给定性能约束∈，最大允许飞行速度如图12所示，其中ve_opt、vs_opt分别代表“能量效率模式”和“系统效率模式”下的最大速度。我们可以在图中观察到，当传感器密度增加时，为了满足约束条件，必须减慢飞行速度。正如所料，vs_opt高于ve_opt(约1.3-1.4倍)，这对应于“系统效率模式”的更高数据吞吐量。但是，如图10所示，其代价是能耗约为“能量效率模式”的4-6倍。从上面的分析，我们观察到两个指标之间的相互制约关系-更高的系统效率，但能源效率更低；或更高的能源效率，但系统效率更低。换句话说，我们无法同时让系统效率和能量效率达到最大。问题的关键是如何在两者之间取得平衡。显然，让系统始终在高能耗的“系统效率模式”下工作是不合理的。设计理念应该是消耗刚好足够的能量来满足所需的系统性能需求。接下来，我们将讨论如何根据变化的飞行速度来调整系统参数以平衡这两个冲突的指标。在某些应用场景中，及时获取远程环境信息非常重要，尤其是在环境条件变化急遽的情况下。例如，当太阳照射在一天的中午时刻是最强的，葡萄园的温度和湿度在中午的短时间内会有很大的变化。因此，无人机需要更快地飞行以及时收集和发回感应到的环境数据。故根据具体情况，无人机有与具体应用相关的最小速度约束vapp。因此，无人机-物联网系统包含两个性能约束-最小飞行速度vapp和最大允许数据丢失率∈。下表中列出了两种工作模式下的phy-mac参数(h＝10米)d＝5sen/md＝8sen/md＝12sen/md＝18sen/m(βe_opt，ve_opt)(1.041,46.17m/s)(0.972,28.01m/s)(0.930,18.30m/s)(0.901,12.02m/s)(βs_opt，vs_opt)(5.998,59.94m/s)(5.998,37.46m/s)(5.998,24.97m/s)(5.998,16.65m/s)在上标中，列出了“系统效率模式”和“能量效率模式”的飞行速度vs_opt和ve_opt，以及相关最佳βs_opt和βe_opt。特别地。vapp>vs_opt是不可行区域，在区域中，无法满足性能约束ε；如果vapp<ve_opt，设置v＝ve_opt和β＝βe_opt，以减少地面传感器的能耗；如果ve_opt<vapp<vs_opt，设置v＝vapp且适当调节β以满足性能约束∈，同时最大限度地减少能耗。现在我们讨论如何在ve_opt<vapp<vs_opt时调整β。让v＝vapp并将其代入约束条件(18.b)和(18.c)，我们将优化问题重写为：tf＝dlαa1(18.c)采用(21)，经过重新安排(18.a2)，(18.b2)和(18.c)，获得我们接着计算满足该不等式的β的可行区域b1。同时，我们之前也已经证明v>(da1e1/β)-1，我们接着计算可行区域b2，在此区间中使得vapp>(da1e1/β)-1。接着将(18.b2)和(18.c)代入(23)，现在该函数中仅仅剩下一个变量β。这样，(23)中的e(β)的最小化再次变成一维搜索求解，其可以通过在可行区域b＝b1∩b2中找到满足e′(β)＝0的βapp来求解。图13中示出了计算最佳βapp的搜索算法。在上表格中，列出了“系统效率模式”和“能量效率模式”下的飞行速度vs_opt和ve_opt，以及相关最佳βs_opt和βe_opt。我们根据图13中给出的算法在[ve_opt，vs_opt]范围内改变与应用相关的飞行速度vapp，并计算最佳βapp。结果如图14所示，其中，我们观察到，当vapp从ve_opt变化到vs_opt，为满足性能约束，算法可以自适应地调整βapp让系统自动从“能量效率模式”(βapp＝βe_opt)切换到“系统效率模式”(βapp＝βs_opt＝5.998，参见上表中两种模式的βopt值)。对应于图14中的变化，系统效率和能量效率的相关变化如图15所示，其中，“ηe”和“ηs”分别代表能量效率和系统效率。同样，在性能需求∈的约束下，当与应用关联的飞行速度vapp增加时，根据图14中的计算结果，系统会通过牺牲地面传感器的能量效率来自动增加系统吞吐量。因此，根据性能约束vapp和∈，我们可以使用mac参数βapp来自适应地调整能耗和系统吞吐量，从而保持能量效率与系统效率之间的平衡。根据图14中给出的最佳βapp，可以对在“系统效率模式”(图10中的ηe，s_opt)下的能量效率进行归一化，其结果在图16中示出。我们观察到在最佳βapp的调节下，我们可以实现能量效率的显着提高。在优化之后，“能量效率模式”下的能量效率是“系统效率模式”下的4-5倍。当进一步增加vapp时，为了满足性能约束，如图14所示，系统自适应地将βapp从βe_opt增加到βs_opt，对βapp及进行调整，从而逐步将无人机-物联网平台切换到“系统效率模式”(βapp＝βs_opt且增益＝1)。从以上分析可以看出，最佳phy-mac参数——帧长、无人机飞行速度、高度的计算，需要综合考虑mac控制层和物理层的相关信息。具体来说，通过综合来自应用和物理层的感知负载、性能约束、信道信息，参数优化器执行计算，然后将结果参数输出到mac层(帧长)和物理层(无人机速度和高度)。在这些经优化后的参数环境下，无人机-物联网系统可以高能量效率地采集地面数据，同时满足系统性能约束。因此，系统的层间联合设计是必要的，因为我们可以更好地实现系统性能和能量效率的平衡。在本文中，我们讨论了无人机-物联网系统中基于节能的数据采集问题。具体而言，我们揭示了系统吞吐量和能量效率之间的制约关系——我们可以以地面传感器的更多能量消耗为代价来提高系统效率，或者我们可以通过降低系统吞吐量来节省传感器能量。基于这一观察，为了在系统效率和能量效率之间取得平衡，我们将无人机-物联网数据采集描述为一非凸问题。通过pso启发式搜索，我们发现可在边界点上找到最佳值，从而大大简化了问题的复杂性，原始问题可以简化为一维优化。通过问题的求解，我们可以获得最佳能量效率的phy-mac参数——帧长，无人机飞行速度、高度。在这些最佳参数的系统环境下，通过跨层设计，我们可以在能量效率方面实现大约4-5倍的增益，并同时满足性能约束。此外，我们还发现，mac层的帧长可以用作一“控制旋钮”，可根据性能要求自适应地调整能量消耗和系统吞吐量。该发现对网络工程师在相关方面的算法设计和产品实现中有一定的参考意义。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12