物聯網數據收集中無人機路徑智能規劃

孔沛洋

【摘?要】近年來，無線傳感器網絡行業的快速增長對企業數據高速增長的應用程序產生了巨大影響。WSN中的大量數據需要捕獲。根據數據收集的類型，可以分為靜態數據收集和移動數據收集兩種類型。靜態數據收集意味著傳感器網絡中的節點通過一個自助收集的傳感器數據通過一個過大的躍點上傳到數據中心。移動數據收集是為監控環境中的數據收集建立移動數據收集器。該無人機為在移動設備上收集傳感器設備提供了一種高效的方法，可用于地球上更大的無線傳感器網絡。

【關鍵詞】無人機;數據收集;路徑規劃

引言

近年來，得益于人工智能的飛速發展及計算機技術的顯著提升，無人機集群控制已成為軍事作戰任務的核心內容。作為組隊協同的基本作戰模式，多無人機（UAVs）路徑規劃是無人機作戰的研究熱點與發展趨勢之一。在無人機集群協同執行作戰任務前，根據不同目標位置有效且快速規劃出最佳航跡路線能夠縮短任務執行時間、提高能源利用率和擴展活動空間范圍。

1無人機技術

一個是對環境的認識和感知。主要組成部分是提取環境特征和識別與無人機安全相關的目標。無人機的安全性和自主性通過自我感知和識別得到提高。二：共同任務調度和決策。尤其是通過感知環境、實現信息交互、規劃航跡、有效處理相關飛行干擾以及提高自主飛行決策能力的傳感器。三個是自主導航控件。今天的無人機主要配備了遙測技術，以便能夠在航空和當地環境中進行精確導航。它們提供了高度精確的遠程定位，并為未來無人駕駛飛機的自主決策提供了良好的技術安全。四是智能集成。無人機教學的未來將包括更多的人工智能，使機器人能夠自主發展，獲得無人機飛行的智能。

2智能自主能力評價

隨著智能無人機的發展，智能無人機正朝著智能人道的方向發展，美軍根據無人機的智能性、個性化和自主性將智能無人機分為三個階段。第一種是半自主無人機，即半自主無人機，在電路階段需要飛行員識別和操作，其次是在電路階段具有一定敏感度的自主監控動作，用于確定和解密感知信息，但在決策和操作時尚未完全自動化。最后，還有一些自主無人駕駛飛機，它們不需要處于電路中，從而能夠全面了解和分析環境，根據結果作出決策，并通過評估和相應地提高電路外無人駕駛飛機的質量而相應地采取行動。

3全局路徑規劃

本文考慮了無人機數據采集過程中出現的能量限制和路徑規劃問題。無人機的能耗不僅與行駛時間、行駛速度有關，而且與風速、周圍障礙有關。將無人機路由算法分類為恒定速度、自適應速度無人機、最大瓦特數（HMS、懸停速度服務Time等）。本文采用HMS的轉發方法，其中無人機以恒定速度v在相應節點上移動，最長停留時間。圖1所示的系統模型是機器人無人機“ddepot”的啟動和結束。Ddepot處理無人機收集的數據并加載無人機，在地圖上隨機分布需要收集數據的傳感器節點，允許通過收斂算法隨機分布傳感器節點，并確定簇的中心坐標（圖1中的黑點）。無人駕駛飛機訪問此群集的順序問題可以建模為方向問題：選擇點和確定最短路徑（兩點）的組合。由于無人機在數據收集方面的能量限制，并非所有群集都得到服務。

4K-means++聚類算法

求解MPM模型的關鍵在于如何規劃每架無人機的路徑，要求以最佳劃分方式將所有發現目標劃分為m類，f函數將其最小化。K means of a group algorithm，unssupervised class ification（unssupervised class ification）中最常用的算法之一，簡單快捷，足以處理大量數據。該算法將相似的點分組到一個集群中，每個集群都用同一集群（cen troid）中所有點的平均值來描述。但是，K means算法的初始質心是隨機確定的，大數據集上的收斂不穩定，可能收斂到局部最小值。為此，本文采用K means聚類算法的K means + +變體來區分檢測目標。選擇第一個質心時，K means++算法可確保質心之間的距離盡可能遠，即選擇距離當前質心最遠的點。第一個重心選取流程為：1）隨機選取目標點做為第一個形心C1。2）計算每個目標點與當前選定質心之間的最短距離。3）根據車輪方法從樣例數據中選擇下一個質心。這是所有目標點與選定質心之間的最小距離的計算。距離越大，選擇點的可能性越大。4）確定質心數是否為m。否則，請返回到步驟2。如果是這樣，則輸出所有原始質心{C1，C2，ε，Cm}。指定第一個m形心后，將所有探測目標指定給相應的叢集，即計算每個目標點的Ti到m之間的距離，然后選取下一個形心。

5動態路徑規劃

在實踐中，由于工作環境的不確定性，飛行軌跡可能會出現動態障礙。本節介紹動態環境中無人機的路徑規劃和避免。當無人機正面出現障礙物時，無人機會遇到障礙物，因為傳統方法無法及時識別障礙物。無人機正面有一個方形障礙物。在這種情況下，傳感器會滾動以實時檢測環境中的障礙物，并向無人機發送有關障礙物的消息，以重新配置無人機的飛行路徑。新配置的飛行路線成功地繞過了障礙。本文由于采用滾動策略檢測無人機周圍的環境條件，因此該方法還可以在突然出現動態障礙后實時檢測和繞過UVAV的合理路徑。

6模型評價與改進

利用GIS強大的數據管理、分析和可視化功能，通過引入Pev策略，將單目標規劃中不確定的問題轉化為解決原始問題的有效方法。但是，該模型是一種基于許多假設的理想情景，在實踐中要復雜得多。實例大小越大，生成的搜索樹越多，計算時間也就越長。有兩個領域需要進行模式變革，以考慮到廣泛的影響因素，特別是經濟和文化因素。采用智能優化算法模型進一步研究了布局優化的位置，擴大了研究范圍，驗證了模型的結果大小。

結束語

本文首先通過將鼠標指針放在網絡上進行深度定向學習，解決了機器人數據采集的全球路徑規劃問題，并對一系列機器人服務節點和序列的定向直接問題建模。然后，目標節點將根據目標節點的RSS提要通過dql查找出站機器人，并接近目標節點。dql提供比Q-Learning更好的延遲性能。最后通過仿真驗證了所提學習機制的有效性。

參考文獻：

[1]孫越林，呂熒.基于人工勢場的無人機航路規劃研究[J].艦船電子工程，2019，39（12）：52-53+82.

[2]張樂，袁鎖中，黃永康.連續障礙環境下無人機實時避障控制[J].電光與控制，2020，27（04）：6-10+14.

[3]饒安琪，楊小彤，謝忠良，邵漢欽.智慧城市建設中的無人機路徑規劃機制研究[A].中國通信學會、中國電子學會.物聯網與無線通信-2018年全國物聯網技術與應用大會論文集[C].中國通信學會、中國電子學會：中國通信學會，2018：5.

（作者單位：河南工學院計算機科學與技術學院）