基于多目標跟蹤FANET 網絡的UAV 協(xié)同通信算法研究*

陸淵章 謝海燕吉訓生

(1.江蘇信息職業(yè)技術學院電子信息工程學院，江蘇 無錫 214153；2.伊利諾伊州立大學應用科學技術學院，美國 伊利諾伊州 61790；3.江南大學物聯(lián)網工程學院，江蘇 無錫 214000)

近年來，無人飛行器(unmanned aerial vehicles，UAV)得到快速發(fā)展，廣泛用于醫(yī)療設備，環(huán)境監(jiān)測和救援活動。多臺無人機可以協(xié)同工作以完成復雜任務，縮短無人機通信時延和降低無人機功耗可以降低風險[1]。低空無人機通信具有便捷的部署和更低的成本，可以減少建筑物等障礙物的遮擋，獲得更準確的傳輸效果[2-3]。而多無人飛行器的動態(tài)通信網絡主要依賴于基礎設施架構和飛行自組織網絡(flying ad-hoc network，F(xiàn)ANET)，主要由無人機群之間的以及無入機的無線訪問網絡構成[4]。

現(xiàn)階段無線通信網絡部署在無人機通信控制算法優(yōu)化領域中已有大量研究，有的通過無人機中繼基站對無人機同時進行無線信息和能量傳輸，聯(lián)合多參量使通信容量最大化[5]?；蛘呤褂脽o線功率傳輸向用戶充電，用戶使用收集能量后向UAV 發(fā)送信息，提高通信容量[6]；還有的通過多跳路由數(shù)據包[7]或者無人機中繼輔助通信[8]，實現(xiàn)廣泛的信號覆蓋范圍。但由于在無人機飛行網絡覆蓋能力不足的情況下，傳統(tǒng)的基礎設施架構網絡效率較低，F(xiàn)ANET 高擴展性能夠提升協(xié)同通信算法，優(yōu)化網絡性能，包括提高無線系統(tǒng)的容量以及通信速率，并降低電池能耗[9]。

本文針對無人機群協(xié)同通信提出了一種基于遞歸神經網絡(recursive neural network，RNN) 的FANET 模型，通過對影響因素建模來研究動態(tài)不確定性。構建FANET 網絡動態(tài)優(yōu)化且穩(wěn)定鏈路的移動性傳播模型，基于自適應預測控制(adaptive predictive control，APC)算法和仿真實驗數(shù)據，通過分析兩個適用場景的無線電傳播模型，比較基礎架構模式和優(yōu)化FANET 模式，獲取對照組實驗數(shù)據用于比較[10-11]。同時為了測試RNN-FANET 模型，比較了每種工作模式的最大傳輸速率、覆蓋范圍和能量消耗，將結果數(shù)據進行了比較，并證明了所提出的模型已使用通信參數(shù)進行優(yōu)化。仿真結果表明，該模型在不同的傳輸數(shù)據速率下，通過確定無人飛行器的最佳覆蓋區(qū)域，總功率將有所降低，最大程度地確保地面設備最大的吞吐量，提高了UAV 協(xié)作通信控制的準確性和靈敏度。

1 多UAV 協(xié)作無線通信系統(tǒng)模型

多UAV 群構建的通信區(qū)域中，與地面控制站建立的自組織無線網絡，每個UAV 都充當接入網的接入點，并將地面移動設備連接到主干網[12]。由于高速飛行的無人飛行器視距通信鏈路不穩(wěn)定性，通常會造成鏈路中斷和通信失效。多無人機間的通信不可完全依賴于地面控制站或衛(wèi)星等基礎設施網絡架構，而是將無人機作為網絡節(jié)點，各節(jié)點間相互轉發(fā)控制指令，自動組建FANET[13-14]。

由于FANET 中節(jié)點的位置，可以區(qū)分具有不同特征的兩種類型的鏈接。存在連接兩個飛行節(jié)點(U2U)的鏈接以及連接飛行UAV 和地面節(jié)點(U2G)的鏈接。FANET 使用無線通信框架在UAV 之間(U2U)或UAV 與地面設備(U2G)之間進行鏈接，圖1顯示了FANET 中用于無線通信的多個UAV 的情況，其中的虛線圓圈半徑RC表示覆蓋范圍和設備數(shù)量。當將無人機作為FANET 中的中間節(jié)點時，飛行設備的姿態(tài)或高度會對無線連接的信號功率、網絡覆蓋范圍造成影響。地面設備接收包括視線距離(line of sight，LoS)、非視線距離(non line of sight，NLoS)和多徑衰落的多重反射分量信號[15-16]。主要考慮LoS 和NLoS 分量及其出現(xiàn)概率，多徑衰落信號概率低可忽略，根據地面設備和UAV 之間的鏈接不同，設備處的接收信號功率如式(1)所示[17]。

圖1 FANET 中多UAV 協(xié)作通信模型

式中:Pu是無人機的發(fā)射功率；Du是距離；αug是U2G 鏈路上的路徑損耗指數(shù)；η是由于NLoS 產生的附加衰減因子；C，B為環(huán)境常數(shù)。根據用戶和UAV 之間的不同連接，地面設備處的接收信號功率是對LoS 節(jié)點互連性存在主要影響的變量，LoS 測量控制FANET 的U2G 鏈路。如(2)所示視距連接的概率與建筑物的密度和高度，地面設備和無人機的位置以及設備和無人機之間的仰角θ有關[18]。

2 基于Ad-Hoc 網絡無人機群協(xié)同通信算法

2.1 無人機群Ad-Hoc 網絡協(xié)同通信參數(shù)優(yōu)化

Ad-Hoc 網絡的路由協(xié)議分為平面路由協(xié)議和分層路由協(xié)議。路由協(xié)議主要功能是將數(shù)據包從源選擇路由傳輸?shù)侥繕司酆瞎?jié)點。無人機群在構建網絡時根據UAV 的位置信息估算預期的路由路徑和無線介質的擁塞情況，根據分層路由協(xié)議確定路徑損耗定期收集信息[19-20]。確定FANET 網絡的路由協(xié)議參數(shù)通常使用多跳機制，該機制強調算法和數(shù)據結構的完整性。系統(tǒng)任務分層管理執(zhí)行可以改進無線網絡的局限性，對于分層網絡聚類下的RNN，可將UAV 之間不同的模型組合和參數(shù)優(yōu)化，確定路徑預測模型的無線網絡來評估覆蓋區(qū)域和能源損耗。

對于使用仿真的理論研究，最大覆蓋率和能耗是飛行自組織網絡的重要參數(shù)，它與預測分析結合可確認低功耗環(huán)境下實際系統(tǒng)部署滿足目標覆蓋范圍[21]。分層路由協(xié)議可用于路徑損耗模型以預測信號功率。針對各種環(huán)境設置的路徑損耗(path loss，PL)模型，作為不同測量活動的結果。式(3)描述了路徑損耗模型[22]。

式中:M為路徑損耗指數(shù)擬合參數(shù)；N為噪聲功率。從通道數(shù)據中提取路徑損耗，總發(fā)射功率結合(1)(2)得不同模型下平均覆蓋率為[23]:

式中:Rc為覆蓋區(qū)域半徑；h為UAV 高度。由式(4)、式(5)可以看到增加無人機高度h可以提高視線距離概率和覆蓋率。盡管增加UAV 高度會增加路徑損耗項，為了提高覆蓋性能，必須優(yōu)化參數(shù)，增加Pu或減小Rc，相比在信道干擾忽略不計情況下，減低UAV 密度和地面設備發(fā)射功率得到最大覆蓋率，當UAV 的接收信號占主導時，設備可獲得的最大覆蓋性能，如式(6)所示[24]。

2.2 基于RNN 協(xié)作通信算法

為了優(yōu)化無人機無線通信系統(tǒng)容量和覆蓋范圍，降低能耗，構建基于RNN 協(xié)作通信算法，根據FANET 移動模型的各類干擾因素提供模擬預測。所有的無人機都應保持彼此之間的臨時連接，減少接入網絡和自組織網絡的擁塞[25]。在空閑狀態(tài)下以恒定比特率(constant bit rate，CBR)進行測量，使用傳輸流的RNN 定義n個輸入變量:x1，x2，…，xn和r個輸出變量:y1，y2，…，yr。第一層是輸入層，每個節(jié)點都直接連接到輸入向量的分量，n是輸入維數(shù)；第二層是融合層，該層的節(jié)點函數(shù)是徑向基函數(shù)，每個節(jié)點代表一個語氣變量值[26]。如果隸屬函數(shù)使用高斯函數(shù):

式中:cij代表輸入隸屬度函數(shù)的中心，更改輸入隸屬度函數(shù)在全局分布位置；σij表示寬度值，并且可以更改輸入隸屬函數(shù)的形狀；j表示包含輸入變量的數(shù)量:

在第三層中，每個節(jié)點代表一個模糊規(guī)則，用于匹配該模糊規(guī)則的先決條件[24]。使用推理計算每個規(guī)則的適用性，然后實施歸一化計算:

最后對中心計算，其中不僅是遞歸神經網絡的連接權重，還包括隸屬函數(shù)的中心值[25]:

根據以上理論，無人飛行器在指定區(qū)域內按照預先計劃的路線搜索中低速飛行。在整個過程中，網絡中無人機節(jié)點之間的相對運動速度非常小。無人機網絡的拓撲基本穩(wěn)定，考慮到外部任務到達率的時變特性，不同的無人機需要計算每個節(jié)點的功耗和覆蓋范圍[26]。該方法主要是與其最近的鄰節(jié)點進行通信，將所有位置信息共享給相鄰節(jié)點，并考慮相鄰節(jié)點的成本最小值[27]。每個節(jié)點i只能根據其鄰節(jié)點提供的信息來降低其自身目標函數(shù)的成本，ρi表示無人機覆蓋范圍。

算法描述如下[28]:

第一步:設置計時器中斷Tc，如果無人機廣播幫助消息(broadcast help information，BHI)時間小于Tc，追蹤前一個dvi；

第二步:否則廣播幫助消息所有節(jié)點，等待Tw秒，一旦超過設置時間，BHI 重新啟動，直到計算出最新的功耗值為止；

第三步:如果相鄰無人機的平均MPU 利用率小于設置的閾值，則更新dvi

第四步:再次廣播幫助消息，重新追蹤前個dvi；

第五步:重復以上步驟。

3 實驗仿真結果分析

實驗在配備QuarkTMSoCX1000(16K 高速緩存，400 MHz)處理器的英特爾?Galileo 主板上進行的，并在Arduino 下進行了模擬飛行測試。無人機機動模型及測試設備如圖2 所示。無人機飛行測試包括算法任務仿真，無人機功率仿真和通信鏈路仿真。為了便于實驗，假設所有UAV 資源信息的剩余能量、實時MPU 負載等均可用，電池功率均勻分布[29]。在三個維度上的隨機位置生成目標，以隨機但恒定速率調整無人機的協(xié)作通信覆蓋范圍。

圖2 無人機機動模型及測試設備

圖3 和圖4 表述不同流量數(shù)據包下電流消耗隨時間變化特性。圖5 和6 顯示不同高度條件下覆蓋率變化趨勢。圖中測試持續(xù)時間從空閑狀態(tài)開始，仿真結果表明優(yōu)化FANET 模式消耗的電流少于基礎架構模式，在覆蓋率方面也具有較好性能。優(yōu)化FANET 在兩種模式之間的數(shù)據速率和覆蓋范圍方面均優(yōu)于基礎架構模式。如表1 所示，在效率恒定的情況下，性能和能耗幾乎是線性的，當UAV 的能量消耗率小于多UAV 通信網絡的計算值，考慮通過增加某些能量消耗來提高性能和效率。

圖3 基礎設施模式電流消耗

圖4 優(yōu)化FANET 模式電流消耗

圖5 優(yōu)化FANET 覆蓋率

圖6 基礎設施模式覆蓋率

表1 不同模式總體優(yōu)化性能比較

4 結論

本文主要研究了地面設備與無人機之間在不同模式下協(xié)同通信算法。該方法的主要貢獻在于，針對無人機群協(xié)同通信提出了一種采用RNN 的FANET 模型的構建，通過對影響因素建模來研究動態(tài)不確定性。構建FANET 網絡滿足動態(tài)且穩(wěn)定鏈路優(yōu)化要求以及移動性傳播的模型，對FANET 通信系統(tǒng)的容量、覆蓋范圍和能源功耗幾個關鍵因素分析[30]。仿真結果表明，在不同的傳輸數(shù)據速率下，該模型通過確定無人飛行器的最佳覆蓋區(qū)域，總所需的功率將有所降低，最大程度地確保地面設備的最大吞吐量，提高UAV 協(xié)作通信控制的準確性和靈敏度。在未來的研究中，計劃將該算法應用于無人機的復雜動態(tài)場景分析。