一种用于收集森林防火监控数据的无人机部署方法与流程

本发明属于森林防火监控场景下无线通信技术领域，具体涉及用于收集森林防火监控数据的无人机部署方法。

背景技术：

森林草原防火是林业部门的一项常规且重要的工作，火灾发生对国家和牧民带来了不可估量的损失。1997年夏季被称为“世纪灾难”的印度尼西亚森林大火持续了几个月，烧毁森林30多万公顷，直接经济损失达1250万美元，印尼本国受害者多达2000万，烟雾造成大范围的呼吸道疾病，患者多达5万人以上。2019年我国共发生森林火灾2345起，受害森林面积高达13505公顷，共出动了2.5万人的国家森林消防队伍、12万人的地方专业森林消防队伍以及百余架应急航空救援力量。特别是进入到秋冬季，受高温大风干雷暴等极端天气影响，防火工作依然形势严峻。因此，为了有效降低火情和管控火灾发生的风险，需要对森林草原进行全天候的监控。各地相关部门投入使用森林草原防火综合信息管理平台，推进建设“天空地”一体化监测体系，使用互联网+森林草原防火督查系统，实现对森林草原地区全覆盖、全天候、全要素的防火监控。一般需要在森林区域内安装大量传感器节点，收集相关信息，用于信息平台分析和预测火灾的发生。然而，偏远地区的基础设施成本高昂，无法使用地面通信设施。随着无人机技术的发展，特别是旋翼无人机，安装多旋翼无人机通信基站，可以迅速建立起新的通信链路，无人机飞到相关区域协助收集传感器节点的数据，保障传感器节点数据的及时传输。

与部署地面基站相比，无人机可以在没有基础设施覆盖或传统地面基站较难支持的场景，如车森林防火监控数据传输系统，提供更可靠的无线传输。因此，利用无人机进行辅助通信十分有必要。针对森林防火监控数据传输的需求，设计一种无人机作为移动基站的通信方案，可以根据通信的需求，灵活部署或撤离，从而降低运营成本。如何保证传感器节点qos的前提下确定无人机的最优部署位置非常具有挑战性的。本发明设计了一种分布式算法以指导多个无人机的位置部署，在保证传感器节点qos的前提下，最大化数据传输的和速率。

技术实现要素：

本发明为解决特殊环境例如受限于通信基础设施成本或者森林草原等通信能力受限的特殊区域而导致了地面传感器终端无法通信的情况，提出用于收集森林防火监控数据的无人机部署方法。

发明内容：本发明提出用于收集森林防火监控数据的无人机部署方法，具体包括以下步骤：

(1)构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点；

(2)构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题；

(3)构建基于博弈论的优化模型，将步骤(2)中的问题建模为无人机为参与者的非合作博弈模型；

(4)采用分布式学习算法迭代得到无人机的部署策略，直到步骤(2)中的优化问题达到最优，旋翼无人机最终位置被确定。

进一步地，步骤(2)所述优化函数为：

其中，为k个地面传感器节点的集合，为m个无人机基站的集合，表示地面传感节点所部署的区域，表示ω被平均划分为n个小区域中的一个，ρ表示ω内关于安置的传感器节点的密度函数，ρ(n)是小区域n内存在传感器节点的比例，即满足约束和，定义函数γn(·)用于衡量随着距离的增大通信性能的减弱情况，即表示在区域n内传感器节点的最小qos要求，mk表示与地面传感器节点k相关联的无人机m，其中为传感器节点的位置，wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。令为从地面传感器节点k到无人机mk的发射功率，μ0是参考距离d0＝1m的信道增益，是收到节点k数据的噪声，那么节点k和无人机m之间的信道增益为和无人机收到节点k的信噪比为

进一步地，所述步骤(3)包括以下步骤：

(31)每个无人机的高度固定，并在一定的区域内飞行找到最好的位置，对于无人机m飞行区域投影到地面的区域被均分为个小区域，其中表示所有小区域的集合和表示小区域n的中心位置，那么无人机m的动作策略集合无人机m的行动策略为a＝(a1，a2，…，am)为所有无人机的行动选择，为所有无人机可能选择的动作空间；

(32)将每个无人机视为博弈参与者，将优化问题建模为有qos约束的非合作博弈模型：

其中，是无人机集合，是参与者k的策略空间，uk是参与者k的效用函数，效用函数如下：

其中情况1是小区域n的中心位置到无人机k的所有可能飞行到位置之间最小距离大于n和其他无人机之间的距离，情况2是情况1的相对应情况且mn，0表示n内的地面传感器节点关联到一个离n非常远的虚拟无人机。

所述步骤(4)包括以下步骤：

(41)初始化：在迭代t＝0时，根据无人机的数目m把地面传感器节点聚类为相同数目的区域并标记相同的集合确定聚类后小区域的均分集合基于此设置所有无人机的初始位置和无人机的位置选择概率矢量

(42)对于每次迭代t＝1，2，…循环，直到任意无人机不改变其动作策略，即存在

(43)更新无人机的部署策略：无人机依据目前的位置选择概率矢量pk(t)确定部署位置ak(t)；

(44)计算无人机的效用函数：每个无人机根据其确定的部署位置，计算无人机的效用函数uk(t)；

(45)更新位置选择策略：每个无人机使用以下规则更新其在下一次迭代中的位置选择概率矢量：

其中，b是步长，是归一化的效用值，即

(46)结束循环。

有益效果：本发明提出了一种用于收集森林防火监控数据的无人机部署方法，即在森林地区部署多架无人机来为地面传感器节点提供通信服务，构建以最大化地面传感器节点和无人机之间通信的和速率为目标的优化函数，将每个无人机视为参与者通过博弈论进行建模，然后采用一种分布式算法优化无人机的部署策略，在保证传感器节点qos的前提下，达到整个系统中无人机与地面传感器节点之间最大的和速率。

附图说明

图1为构建无人机辅助通信收集节点数据的上行链路系统模型图；

图2为无人机部署策略优化算法流程图；

图3为某个无人机的位置选择概率趋势图；

图4为算法收敛行为与不同切分节点安装区域大小的关系；

图5为算法收敛行为与不同切分飞行区域大小的关系。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。

本实施例提供一种用于收集森林防火监控数据的无人机部署方法，具体包括以下步骤：

步骤1：构建地面传感器节点接入空中无人机基站的上行链路通信系统，所述系统包括多个旋翼无人机和地面传感器节点，无人机能够低空静止飞行，且飞行高度被预先指定了不同的值，这样就防止了避免之间碰撞。

如图1所示，构建地面传感器节点接入空中无人机基站的上行链路通信系统，无人机基站个，表示无人机集合。对于无人机wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。地面传感器节点是k个，表示节点集合。对于节点位置用表示。节点k和无人机m之间的信道增益为其中μ0是参考距离d0＝1m的信道增益，是收到节点k数据的噪声。每台无人机都有一个信号覆盖范围，且这里固定飞行高度将信号覆盖范围垂直覆盖到地面上，便于分析范围内的地面传感器节点与无人机之间的关系，在信号范围内的地面传感器节点可以通过上行通信链路上传收集的数据到无人机基站。

步骤2：构建以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标的优化问题。

以最大化地面传感器节点上传数据到无人机基站通信的和速率为目标，以满足传感器节点的qos为约束条件，建立以无人机部署位置为设计变量的数学优化模型，即：

其中，为k个地面传感器节点的集合，为m个无人机基站的集合，表示地面传感节点所部署的区域，表示ω被平均划分为n个小区域中的一个，ρ表示ω内关于安置的传感器节点的密度函数，ρ(n)是小区域n内存在传感器节点的比例，即满足约束和定义函数γn(·)用于衡量随着距离的增大通信性能的减弱情况，即表示在区域n内传感器节点的最小qos要求，mk表示与地面传感器节点k相关联的无人机m，

其中为传感器节点的位置，wm＝(bm，cm)为从无人机m到地面传感器节点k的水平坐标和hm为无人机飞行高度。令为从地面传感器节点k到无人机mk的发射功率，μ0是参考距离d0＝1m的信道增益，是收到节点k数据的噪声，那么节点k和无人机m之间的信道增益为：

无人机收到节点k的信噪比为：

步骤3：构建基于博弈论的优化模型，将步骤(2)中的问题建模为无人机为参与者的非合作博弈模型。

如图1所示，每个无人机的高度固定，并在一定的区域内飞行找到最好的位置，对于无人机m飞行区域投影到地面的区域被均分为个小区域，其中表示所有小区域的集合和表示小区域n的中心位置，那么无人机m的动作策略集合无人机m的行动策略为为所有无人机的行动选择，为所有无人机可能选择的动作空间；

将每个无人机视为博弈参与者，将优化问题建模为有qos约束的非合作博弈模型：

其中，是无人机集合，是参与者k的策略空间，uk是参与者k的效用函数，效用函数如下：

其中情况1是小区域n的中心位置到无人机k的所有可能飞行到位置之间最小距离大于n和其他无人机之间的距离，情况2是情况1的相对应情况且mn，0表示n内的地面传感器节点关联到一个离n非常远的虚拟无人机。

的势函数被定义为其与优化目标的关系如下：当n→∞时，

博弈模型可视为一个非合作的博弈过程若φ(a)是的势函数，然后φ(a)能够被重写成如下形式。

假设一个任意参与者k单方面改变其行动策略从ak到a′k，则有下列关系：

φ(a′k，a-k)-φ(a)＝uk(a′k，a-k)-uk(a)

上面的等式表明，单方改变策略偏差导致的任何单个参与者效用函数的变化都会与导致势函数的变化量完全相同。所以，是一个含有势函数φ(a)的势博弈。

步骤4：采用如图2所示的分布式学习算法迭代得到无人机的部署策略，直到步骤(2)中的优化问题达到最优，旋翼无人机最终位置被确定。

(1)初始化：在迭代t＝0时，根据无人机的数目m把地面传感器节点聚类为相同数目的区域并标记相同的集合确定聚类后小区域的均分集合基于此设置所有无人机的初始位置和无人机的位置选择概率矢量

(2)对于每次迭代t＝1，2，…循环，直到任意无人机不改变其动作策略，即存在pk，l＞0.99，

(3)步骤1：更新无人机的部署策略。无人机依据目前的位置选择概率矢量pk(t)确定部署位置ak(t)。

(4)步骤2：计算无人机的效用函数。每个无人机根据其确定的部署位置，计算无人机的效用函数uk(t)。

(5)步骤3：更新位置选择策略。每个无人机使用以下规则更新其在下一次迭代中的位置选择概率矢量：

其中，b是步长，是归一化的效用值，即

(6)结束循环。

为了证明算法的收敛性，将步骤3中的更新规则写为

其中，ik，t表示第t选择策略对应序号的元素为1的维单位向量。若将所有参与者的策略选择概率矢量表示为得到博弈中所有参与者的策略选择概率矢量更新规则：

其中，f(·)是步骤3中的更新规则，

获得如下引理1：当迭代步长值b充分小时，序列{p^t}将收敛到如下常微分方程的解

其初始状态为条件期望函数

接下来证明如下引理2：当迭代步长值b充分小时，所提算法可收敛到常微分方程的稳定点。

令hk，m(m，p-k)表示当参与者k采用纯策略m而其他参与者采用概率策略p-k＝(p-1，…，pk-1，pk+1，…，p-m)时，参与者k概率的期望回报函数，即

常微分方程重写为：

根据上式重写为：

因此，h(p)的偏差为

其中

若上式推导为

根据上面的推导结果得到下面结果：若则即p是的固定点。

所以，{p^t}收敛到的稳定点。

由于博弈的所有纯策略纳什均衡点与常微分方程的稳定点重合，得到如下定理：当迭代步长值b充分小时，所提算法可收敛到博弈的纯策略纳什均衡点。因此，算法的收敛性得到了证明。

在matlab仿真中，假设地面森林区域是一个1000m×1000m的矩形空间，这一区域被均匀的分为了50m×50m的单元，同时地面拥有k＝20个地面传感器节点等待与无人机基站链接通信，在空中部署了4台无人机用于接收地面传感器节点传输的信号，且他们的飞行高度各不相同，分别为[90m，91m，92m，93m]这样有效避免了无人机相互碰撞，无人机做水平面的位移飞行，这样就构成了支持无人机通信的上行链路系统。设每个传感器节点传输功率设置为0.4w，μ0被定义为系统中心频率点为f＝1ghz，对于每个无人机收到终端信号中噪声功率谱密度为把地面节点聚成4类，每一类的上方部署一台无人机通信，无人机所能移动的区域被设定为朝四个方向各移动6个单位。

仿真之后的结果：某个无人机的位置选择概率趋势图如图3所示；

算法收敛行为与不同切分节点安装区域大小的关系如图4所示；

算法收敛行为与不同切分飞行区域大小的关系如图5所示。

本实施例在森林地区部署多架无人机来为地面传感器节点提供通信服务，构建以最大化地面传感器节点和无人机之间通信的和速率为目标的优化函数，将每个无人机视为参与者通过博弈论进行建模，然后采用一种分布式算法优化无人机的部署策略，在保证传感器节点qos的前提下，达到整个系统中无人机与地面传感器节点之间最大的和速率。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。