多无人机网络协同通信方法与流程

本发明涉及无线通信领域中的速率控制领域，特别是指一种多无人机网络协同通信方法。

背景技术：

在无人机组成的城市火情监控网络中，根据网络情况控制数据的采集速率和通信速率，减少拥塞，才能更有效的辅助火灾救援。当所有无人机同时不受限的采集数据并发送时，会浪费通信资源，同时造成网络的严重拥塞，对火灾最终监测结果以及救援决策造成影响。

目前无人机通信的研究集中在通信系统性能的研究，如《energy-efficientuavcommunicationwithtrajectoryoptimization》中研究了单个无人机到地面接收站通信的联合轨迹优化和功率控制，以优化系统的能效；《delay-constrainedthroughputmaximizationinuav-enabledofdmsystems》中则是研究了时延约束系统的联合轨迹优化和功率控制，以优化系统的吞吐量。现有的研究都集中在点对点系统的通信性能优化，没有考虑无人机组成网络带来的性能提升。另外，现有的方案没有针对城市火情监控这一场景考虑的。利用无人机进行火灾监控的研究主要集中在火灾救援无人机的设计，如有公开号为207311836u的中国专利，设计了利用于高层火灾救援的无人机的各个模块，如机载控制系统、导航模块，信息采集调制模块、摄像照相模块、发光的引导信号灯等。该专利仅从无人机本身的设计角度出发，没有从通信的角度考虑如何设计才能更好的辅助于城市火情监控的场景。

基于现有技术的分析，无人机通信网络以及无人机通信网络在城市火灾监控方面的应用存在以下缺陷：

(1)现有方案中都是研究点对点系统的通信性能优化，未考虑其他无人机的协助作用，在火灾监控场景下，由于城市建筑物的遮挡，通信链路的质量差，从而导致点对点网络无法胜任火灾监控的任务。

(2)现有研究都是纯通信场景下开展的，对于任务驱动的网络，需要与任务的执行需求相结合来进行优化，而不是单纯考虑抽象的通信场景。

(3)现有方案把重心放在无人机的轨迹优化，意图通过轨迹优化来提升系统的通信性能。然而在火灾监控的场景下，无人机有固定的监控目标，因此无人机的轨迹也是固定的，不能通过轨迹优化来提升通信性能。

技术实现要素：

有鉴于此，本发明的目的在于提出一种多无人机网络协同通信方法，提升网络的通信性能。

基于上述目的本发明提供的一种多无人机网络协同通信方法，适用于多无人机网络化系统，所述多无人机网络化系统由一个领无人机与n个从无人机连接构成，包括如下步骤：

无人机接收设定的飞行轨迹，组成无人机编队并组成由从无人机、领无人机和地面接收站组成的无人机通信网络，其中，无人机通信网络的拓扑用表示,表示拓扑结构顶点，表示链路，顶点集合表示从无人机，d表示领无人机，g表示地面接收站，链路集合记为其中是从无人机之间的链路，是从无人机到领无人机的链路，ldg是领无人机到地面接收站的链路；

在时期k，为中的每一条链路分配不同的流量，记为链路分配的流量为fl,k，从无人机以相同的中心循环，领无人机悬停在固定位置，任意两个从无人机之间以及领无人机与地面接收站之间的信道在一个时期内可以承载的数据量sl,k根据香农定理表示为：

其中wl是链路的带宽，pl,k是时期k为链路l分配给链路的功率，hl,k是时期k的信道衰落系数，σ²是加性高斯白噪声的功率，是时期k内从无人机之间的链路集合，表示时隙集合，bk和ek表示时期k的开始和结束时刻；

无人机编队在飞行时保持相同的模式以固定轨迹运行，领无人机与从无人机之间的链路可以承载的最大的数据量sl，k根据香农定理表示为：

其中hl,t是时刻t的信道衰落系数，是时期k内从无人机到领无人机的链路集合；

多无人机通信网络为每条链路分配链路流量f、链路的功率p以及信息传输速率λ，使得在单位时间内保证任意一条链路安排的流量不超过其可以承载的最大容量；

从无人机按照既定分配的链路流量，将采集的数据通过无人机通信网络发送给领无人机，领无人机将汇集的数据发送给地面接收站。

作为一种可选的实施例，所述式(3)领无人机d与地面接收站g之间的链路可以承载的最大的数据量sl,k通过引入辅助变量α后的仿射函数表达形式为：

其中，为在时期k期间与地面接收站g之间连通的无人机集合，λi,k为k时期无人机i的数据传输速率，pi,k为无人机i的发送功率，αi,k为k时期对应于无人机i的辅助变量，k为时刻的总数目，λ、f、为传输速率、流量安排和发射功率的向量形式，为可行集合。

作为一种可选的实施例，所述式(12)通过引入拉格朗日乘子β和kkt条件来求解，式(12)引入拉格朗日乘子β的表达式为：

并且根据kkt条件有：

式中，(·)^*表示求解得到的相应的变量的最优解，e是自然对数的底数，βi,k为时期k内无人机i的拉格朗日乘子，βi,k为时期k内无人机i的拉格朗日乘子；

其中采用双层循环算法来求解式(13)的解：链路流量f、链路的功率p以及信息传输速率λ。

作为一种可选的实施例，所述式(13)的拉格朗日函数表达形式为：具体可分解成式(18)和式(19)，式(18)为速率控制问题，式(19)为功率控制问题：

其中，式(7)为：af＝s^g，为多无人机网络中关联矩阵和数据速率向量的流量守恒表达式；式(8)为：pi,max是无人机i的峰值发送功率。

作为一种可选的实施例，所述双层循环算法具体包括如下步骤：

步骤301，初始化参数，选择在可行域中的λ、f、p，给定初始值r＝m＝0，

定义α＝α⁰，β＝β⁰，v＝v⁰,其中，r和m分别表示外部迭代次数和内部迭代次数；

步骤302，更新外部迭代次数r；

步骤303，开始内部循环，并更新内部迭代系数m；

步骤304，求解式(18)速率控制问题的解；

步骤305，求解式(19)功率控制问题的解；

步骤306，根据子梯度算法更新对偶变量v^m+1的值；

步骤307，当|ν^m+1-ν^m|＜ε时，内循环停止，下一步执行外循环步骤308，条件|ν^m+1-ν^m|＜ε不满足时，返回步骤303，其中ε是预定义的阈值；

步骤308，根据式(21)和式(22)更新参数变量α^r+1和β^r+1：

其中和是第m次内循环得到的最优解；ξα为辅助变量α的更新步长，ξβ为辅助变量β的更新步长；

步骤309，当|α^r+1-α^r|＜σ和|β^r+1-β^r|＜σ同时满足的情况下，外循环停止，下一步执行步骤310，否则返回步骤302；

步骤310，输出为每条链路分配链路流量f、链路的功率p以及信息传输速率λ。

作为一种可选的实施例，步骤306具体步骤为：对偶变量ν计算式(20)为：

其中[·]⁺＝max{·,0}，δν为对偶变量ν的更新步长。

作为一种可选的实施例，所述由从无人机、领无人机和地面接收站组成的无人机通信网络采用ad-hoc的方式组网。

一种多无人机网络协同通信方法，所述多无人机网络协同通信方法应用于城市火灾救援中，并按照如下步骤执行：

领无人机和从无人机根据预先设定的飞行轨道，飞行到设定轨道后开始监控，采集火灾灾情数据；

按照所述多无人机网络协同通信方法确认分配的链路流量f、链路的功率p以及信息传输速率λ，将采集的数据通过多无人机网络汇总到领无人机；领无人机将汇集的数据发送给地面接收站。

从上面所述可以看出，本发明提供的多无人机网络协同通信方法，首先，本发明提出利用无人机组成网络监控城市火灾的设计，相对于现有的单个火灾救援无人机设计，本发明通过多个无人机协同组网的方式，提升了火灾监控的能力，为城市火灾救援提供了辅助。

其次，本发明针对城市建筑物遮挡导致通信链路质量差，从而影响点对点网络的性能的情况，提出了无人机火灾监控网络采用无线自组织组网的通信方式，并针对任务驱动的无人机火灾监控网络，提出了联合的信源速率和信道速率控制，以及通过两层的循环算法进行求解的方案，保证了网络的通信性能，通过动态的速率分配，提升网络的整体监控性能。

附图说明

图1为本发明实施例面向城市火灾监控的无人机网络工作场景示意图；

图2为本发明实施例示意图无人机城市火灾监控场景下多无人机网络协同通信方法的流程示意图；

图3为本发明实施例算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

借助于无人机的迅速普及，本发明中，我们提出了利用无人机组成网络并应用于城市火灾监控中。在城市火灾频发的今天，当发生火灾的时候，建筑物内的传感器可能已经遭到一定程度的破坏，利用无人机配备的多种传感器，可以有效了解火灾的情况，为火灾的救援提供指导。针对这一特定场景所引入的通信挑战，我们设计的无人机网络采用ad-hoc的方式进行组网，并针对这一方案进行了优化设计，联合考虑无人机的数据采集速率控制、信道的速率控制和资源分配，从而提升无人机网络的性能。

如图1所示，移动无人机火灾监控网络由一个具有远距离通信能力的领无人机d和一组只有近距离通信能力的从无人机组成。根据实际情况，组建多无人机通信网络，并按照如下步骤执行，来监控火灾灾情，如图2所示：

步骤201，根据现场的火灾灾情，部署无人机的位置，不同的无人机按需飞到安排的高度进行监控，组建好无人机编队。

根据对火灾监视的需求，所有从无人机都以相同的模式飞行：它们在水平面上以恒定的速度在建筑物周围盘旋，但在不同的高度观察不同的楼层。与此同时，领无人机悬停在建筑物顶部的固定位置，从顶部观察火情。

步骤202，综合考虑任何两个从无人机之间的链路数据量、所有从无人机与领无人机之间的链路数据量、以及领无人机到地面接收站的链路数据量，多无人机通信网络为每条链路分配链路流量f、链路的功率p以及信息传输速率λ，使得在单位时间内保证任意一条链路安排的流量不超过其可以承载的最大容量，所有链路传输的数据流量之和不超过领无人机与地面接收站之间链路的数据总量；每个从无人机及其链路按照分配的速率传输数据；所有无人机都可以通过多个传感器收集数据，以检测火灾行为，建筑物结构损坏和幸存者情况。

步骤203，从无人机根据当前的网络拓扑，将数据通过网络以ad-hoc的方式汇集到领无人机。

步骤204，采集的数据通过网络实时传回地面接收站，以辅助火灾救援的决策。

由于建筑物的遮挡造成通信信号严重衰减，因此本发明中采用视距信道模型，即任意两个无人机之间不存在直射径的时候不能通信。在这种情况下，某些从无人机可能无法与领无人机通信，从而无法把收集到的数据发送给领无人机，因此网络采用ad-hoc的方式进行组织，领无人机除了发送自己产生的数据之外，还承担着辅助其他从无人机的任务，从而能将不同高度的火情反馈到控制中心。

该网络以如下的模式运行：首先，从无人机在其轨迹上运动过程中采集与火灾相关的数据。然后，从无人机采集的数据通过ad-hoc网络汇集到领无人机，最后，领无人机把汇集到的数据返回到地面接收站，辅助火灾救援决策。

无人机火灾监控网络的拓扑用描述，表示拓扑结构顶点，表示链路，其中顶点集合计为由从无人机、领无人机和地面接收站组成，其中，表示从无人机，d表示领无人机，g表示地面接收站。链路集合记为其中是从无人机之间的链路，是从无人机到领无人机的链路，ldg是领无人机到地面接收站的链路。由于无人机的运动，是随时间变化的。

由于本场景下的从无人机以固定的轨迹运行，因此网络的拓扑以周期t循环。进一步，可以将周期t分为k个时期，在每个时期内，网络的拓扑是不变的。记划分的时隙集合为用bk和ek表示时期k的开始和结束时刻，tk＝ek-bk表示时期k的时长。在时期k，链路集合表示为具体的，在时期k内，从无人机之间的链路集合可以表示为其中有向边<i,j>代表从无人机i为发送端、j为接收端的链路，di,j为从无人机i和j之间的距离，dmax为从无人机的最大通信距离。相似的，表示从无人机到领无人机之间的链路集合，其中di,d为从无人机i到领无人机d之间的距离。每条链路分配互相正交的信道以避免干扰。

在时期k，用关联矩阵表示节点和边的关系

其中ai,l,k是矩阵的第i行第l列，|·|表示集合元素数目。根据图论，若通过一条有向边的集合，使得从定点i可以到达顶点j，则两个顶点之间是连通的。在时期k期间与地面接收站之间连通的无人机集合记为

集合中的从无人机才能向地面接收站发送数据。在时期k，为无人机分配的数据传输速率为λi,k，因此，无人机i可以传输的数据量为

在时期k，为中的每一条链路分配不同的流量，记为链路分配的流量为fl,k。由于所有无人机在建筑物周围绕相同的中心循环，因此任何两个从无人机之间的信道在一个时期内保持不变。另外，领无人机到地面接收站的信道也是保持不变的。对于上述的信道，在一个时期内可以承载的数据量sl,k可以根据香农定理表示为：

其中wl是链路的带宽，pl,k是时期k为链路l分配给链路的功率，hl,k是时期k的信道衰落系数，σ²是加性高斯白噪声的功率，是时期k内从无人机之间的链路集合。

领无人机也有可能悬停在从无人机的圆周运动的中心以外的位置，以更好地观察火情。因此，领无人机和从无人机之间的信道衰落系数是动态变化的。类似的，根据香农定理，从无人机和领无人机之间的链路所能够承载的数据量可以被计算为

其中，hl,t是时刻t的信道衰落系数，是时期k内从无人机到领无人机的链路集合。

为了在任何时期内保证任何链路可以完成数据传输，为每条链路分配的流量不能超过其最大负载，即

f≤s(4)

其中f和s是对应的链路安排流量和链路可承载的数据总量的向量表示。

流量守恒定律意味着流入任何一个结点的流量加上自身生成数据的数据量应等于流出流量。对于每个无人机，它可以表示为

其中是无人机i的流出链路，是无人机i的流入链路。所有生成的数据都会发送到地面接收站，地面接收站的流量守恒定律可以表示为

上述的流量守恒定律的表达式是多余的，因为也就是说，矩阵是线性相关的。将矩阵的最后一行和式(6)去掉，可以得到简化的关联矩阵和数据速率向量因此，整个网络中流量守恒定律的紧凑表达式可以写成

af＝s^g(7)

无人机的发送功率可以表示为对任意无人机而言，其峰值发送功率都是有限的，可以表达为

其中pi,max是无人机i的峰值发送功率。

因此，无人机火灾监视网络的能效最大化问题可以表述为

并利用效用函数log(·)来保证公平性。其中λ为分配的数据传输速率向量，为链路分配的发射功率向量。

由于式(3)中的积分难以处理，我们用它的下界代替直接求解积分，即

其中hl,k＝minhl,t,t∈[bk,ek]。因此，s更新的矢量形式可以表示为s，因此原问题(9)可以转化为

很明显，式(11)中的约束关于优化变量集合形成了一个凸的可行集，记可行集合为但是，由于优化问题的目标包含分数项，因此仍然很棘手。借助于引入辅助变量α，我们将式(11)中的目标转换为形式，并将问题重新表述为

αi,k为时期k内无人机i的辅助变量，尽管式(12)的目标函数是一个仿射函数，由于对数形式约束，转换后的问题仍然不是凸的。为了使问题易于处理，我们进一步将式(12)转换为参数减法形式，并引入另一个拉格朗日乘子β。

假设是式(12)的解，存在β^*使得对于参数变量α＝α^*和β＝β^*，满足下式的kkt条件：

其中，e是自然对数的底数，βi,k为时期k内无人机i的拉格朗日乘子，λi,k为为无人机i的传输速率，pi,k为无人机i发送功率；并且，根据kkt条件，有

其中(·)^*表示求解得到的相应的变量的最优解。

因此，式(12)的解可以通过在保证式(14)的前提下求解式(13)得到。

整个算法可以分为两部分。内循环应用对偶分解来求解凸优化问题，直到达到收敛准则，这意味着达到内部的对偶和原始问题达到了最优解。外循环使用内循环的输出更新参数变量α和β，直到达到外循环的收敛标准。否则，使用更新的α和β重新开始内部优化来继续迭代。设r和m分别表示外部迭代次数和内部迭代次数，如图3所示：

步骤301，初始化参数，选择在可行域中的λ、f、p，并定义r＝m＝0,α＝α0，β＝β0，v＝v0。

步骤302和步骤303，开始内循环算法，并根据循环次数更新外部迭代次数r和内部迭代次数m。

假设外循环上次更新后的参数变量是α^r和β^r。引入拉格朗日乘子后，式(14)的拉格朗日函数为

1)原始问题：原始问题

可以分解为两个关于优化变量的独立子问题

将式(15)展开，可以得到

观察上式，可以分解为两个独立的子问题，即

步骤304，求解信源速率和链路速率控制子问题也即式(18)和求解功率控制子问题也即式(19)：

式(18)是一个线性规划问题，可以用许多工具求解，例如matlab工具求解。

步骤305，求解功率控制子问题，也即式(19)：

式(19)是一个凸优化问题，容易通过内点法等凸优化方法求解。

2)对偶问题：

步骤306，对偶变量ν^m+1可以根据子梯度算法求解。记第m次内循环的求得的解为因此，根据子梯度下降算法，第m+1次内循环的对偶变量根据下面的式子进行更新

其中[·]⁺＝max{·,0}，δν为对偶变量ν的更新步长。

步骤307，通过求解两个子问题并迭代计算式(20)，当收敛准则达到的时候，可以找到最优解。当|ν^m+1-ν^m|＜ε时，内循环应该停止，其中ε是预定义的阈值。

a外循环算法

步骤308，更新α^r+1和β^r+1，外循环优化问题是参数减法的形式，目标函数如式(13)所示。其中α是辅助变量，β是式(12)中的约束引入的拉格朗日乘子。采用子梯度法更新参数变量如下：

其中和是第m次内循环得到的最优解，ξα为辅助变量α的更新步长，ξβ为辅助变量β的更新步长。

步骤309，类似的，当|α^r+1-α^r|＜σ和|β^r+1-β^r|＜σ同时满足的情况下，外循环停止。

步骤310，在外循环结束时，输出最后一次迭代后的链路流量f、链路的功率p以及信息传输速率λ数值。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。