多無人機協同超視距測控中的衛星通信資源動態分配與能效優化

中圖分類號：TN927 文獻標志碼：A

0 引言

在遠程復雜環境下，執行任務的多無人機系統對測控通信的實時性、可靠性和能效性提出了更高的要求。傳統地面站測控通信受視距與地理障礙影響，難以支持遠端多無人機協同任務中的大帶寬、低延時數據傳輸。星地融合通信由于其能夠提供“即插即用”的衛星鏈路，在滿足數據傳輸實時性的同時，可提升多架無人機協同執行任務過程中的測控鏈路冗余。但有限的衛星鏈路資源在多無人機并發傳輸時易引發沖突與擁塞，降低多無人機協同執行任務的效能以及飛行的安全性。因此，本文針對多無人機協同執行任務場景下的超視距測控，分析多無人機超視距測控的系統框架，提出基于能效性的多無人機測控任務分配模型，設計多無人機測控任務的資源調度算法，以期為復雜任務環境下測控系統的測控提供參考。

1多無人機協同超視距測控系統架構分析

1. 1 系統組成

多無人機協同超視距測控系統主要由三大核心組成模塊構成：空中無人機集群、星地融合通信鏈路以及地面指揮與數據處理中心，如圖1所示。

圖1多無人機協同超視距測控系統組成

空中無人機集群主要由固定翼及多旋翼無人機組成，這些無人機均搭載慣導模塊、機載電臺、能耗監測及其他各類環境傳感器，均可實現自主飛行、局部智能聯動。星地融合測控鏈路由低軌衛星攜帶的高速星間/星地數據鏈路承載。該鏈路能夠實現無人機與監控中心間的數據上、下載以及圖傳。多通道組網、多跳鏈路機制及復用技術可以提升傳輸的可靠性。地面控制與處理中心主要包括綜合任務管理器、綜合資源管理器與數據融合、數據分析中心3個部分。該中心可以對多源數據進行即時解碼解析，對通信資源以及飛行任務進行規劃與修改，從而實現多無人機的遠程管理和調度。

1.2協同控制策略與任務分配機制

多無人機協同超視距測控系統協同控制策略和任務分配機制主要通過基于優先級的任務分配算法和集群協同控制方法實現。任務分配機制主要是通過對任務要求（區域覆蓋、傳感器布點等）與無人機平臺的特點（續航時間、載荷能力等）進行評價，用優化算法（遺傳算法）實現任務分配。任務分配目標函數可以定義為：

其中， d_i 表示任務與無人機的距離， t_i 表示任務執行時間， c_i 是任務的能耗代價， w₁，w₂，w₃ 為任務分配的權重。協同控制策略以集群控制算法為基礎，如領導-跟隨模型、分布式控制模型等，基于無人機間的信息共享與局部優化控制，實現系統穩定性與任務高效率執行[1]。每個無人機在運行過程中實時接收其他無人機、地面站狀態信息，調整飛行軌跡與速度，避免碰撞，優化隊形。

2衛星通信資源動態分配機制

2.1資源分配需求建模

多無人機協同超視距測控的資源分配需求模型用于準確刻畫無人機在規定的任務周期內對衛星通信資源的需求。該模型從無人機的任務類型、數據業務量、鏈路狀態、能量限制和任務優先級出發，構造出動態資源需求模型。設第 i 架無人機在時間 χ_t 時的帶寬需求為 R_i（t） ，其建模公式可表達為：

R_i（t）=α_i?D_i（t）+β_i?P_i（t）+γ_i?Q_i（t）

其中， D_i（t） 表示數據生成速率， P_i（t） 為任務優

先級權重， Q_i（t） 為鏈路質量因子， 為調節系數。該模型可為后續動態調度與優化算法提供輸入基礎，支持精細化通信資源分配策略設計。

2.2通信信道狀態感知與預測算法

通信信道狀態感知與預測算法通過監控衛星鏈路的信噪比（Signal-to-NoiseRatio，SNR）和誤碼率（BitErrorRate，BER），評估通信信道的當前狀態。設定時刻 χ_t 時，信號質量 Q（t） 可用以下公式表示：

Q（t）=f（SNR（t），BER（t））

其中， SNR（t） 為信號噪聲比， BER（t） 為誤碼率。然后，利用時間序列分析、馬爾可夫模型或基于深度學習的預測模型，基于歷史信道狀態數據對未來一段時間內的信道質量 進行預測，預測值可用于信道選擇和資源調度。公式為：

其中， M 為預測模型函數， Δt 為預測的時間步長。通過精確的信道狀態感知與預測，可以優化通信資源的分配策略，提高系統的可靠性和通信質量。

2.3多無人機通信優先級調度策略

多無人機通信優先級調度算法是根據不同無人機任務的類型、無人機的狀態信息、當前信道的信道質量進行通信優先級動態調度分配。根據不同無人機任務類型（監視、偵察、測量等）對所有無人機設置無人機任務優先級，優先保障高優先級任務無人機的通信資源[2]。根據無人機的狀態信息（電池電量、飛行高度、距離地面站距離等）實時動態調整通信資源。例如：如果無人機電池電量較低或接近任務完成時間，優先保障高優先級無人機通信資源需求；再根據當前衛星信道的狀態信息（信噪比、延遲等）分配無人機的資源。

2.4信道沖突避免與帶寬優化機制

信道沖突避免與帶寬優化機制主要由信道狀態感知、沖突檢測、資源調度和帶寬自適應分配4個核心模塊構成，如圖2所示。

基于頻譜感知得到每架待調度無人機在所有頻點上干擾幅度及是否被占用的沖突信息圖，建立多重約束圖染色的問題求解機制，綜合各架飛機任務緊急程度和質量來實現沖突圖的染色（即解決鄰近飛機因發射重疊而導致的干擾問題），保證了高干擾架次的飛機分配信道是不重疊的[3]。在此基礎上，基于緊急信道狀態 沖突檢測 多約束圖染色 帶寬自適應 聯合優化感知模塊 機制 調度策略 分配模塊 調度策略程度和傳輸數量來實現基于任務和數據的帶寬調整，完成通信資源的按需靈活管理；完成聯合調度-頻譜調配求解過程，最大限度地提高頻譜利用率和系統吞吐量，應用在密度極高的無人機數據作業鏈路的無人機調度中。

3基于能效的調度優化算法設計

3.1能耗模型構建（通信 + 飛行狀態）

在多無人機協同超視距測控中，能耗建模應包括通信傳輸與飛行狀態2個方面。通信能耗主要由發射功率、通信時長及鏈路質量決定，其表達式為：

E_comm=P_Λ?T?η（d）

其中， P_ι 為發射功率， T 為通信持續時間， η（d） 為距離相關的信道損耗因子。飛行能耗則依據飛行模式（懸停、巡航、加速）及空氣阻力、載荷變化等因素建模，常采用動力學模型表征為：

其中， P 為與速度 σ_v 、姿態角 θ 和質量 ?_m 相關的瞬時功率函數。為實現能效最優調度，系統須在任務調度與路徑選擇的同時實時感知無人機的當前任務執行狀態和鏈路狀態，通過實時能耗模型計算各無人機執行當前任務的能力，得出最小能耗約束調度規劃的資源最優使用方案，也為后序調度方案的實現奠定基礎。

3.2能效感知的動態分配算法

能效感知自適應優化方法能夠在多無人航天器協同測控任務過程中通過融合強化學習與群體智能優化算法實現通信資源與測控任務的自優化調度。基于深度Q網絡（DeepQ-Network，DQN）的深度強化學習技術可以將系統狀態集合視為包含鏈路吞吐量、剩余量、完成時間等信息的多維特征，使用深度神經網絡估計狀態-動作價值函數 Q（s，a） ，通過對策略的反復訓練實現系統能效調度的最優策略學習。而基于蟻群優化算法（AntColonyOptimization，ACO）的優化能夠依據蟻群信息素更新機制不斷搜尋調度路徑與資源調配方案，以通信時延與能耗消耗為代價因素對系統內所有通信連接與通信鏈路實施最優任務-資

源分配策略求取[4]

3.3時延-能耗聯合優化目標函數設計

時延-能耗聯合優化目標函數須綜合考慮任務執行總時延與通信及飛行過程中能耗開銷，構建多目標約束優化模型。典型設計形式為最小化加權線性組合：

minJ=α?E_total+β?T_total

其中， E_total 表示任務調度周期內的總能耗（含通信能耗與飛行功耗）， T_total 為任務完成的總時延， αβ 為可調權重系數，用于平衡系統在高能效與低時延間的優先級[5]。約束函數可以是可用資源、任務周期、鏈路容量和無人機余量等的約束，通常與多目標進化算法（Non-dominated Sorting Genetic Algorithm II，NSGA-Ⅱ）或者強化學習方法結合求解，能夠隨著通信鏈路、節點余能和任務優先級改變進行改變，實時地獲得智能資源協調調度方法[6]

4實驗仿真與性能評估

4.1實驗場景設定與參數配置

本實驗基于仿真平臺構建10架異構無人機協同執行超視距偵察任務場景，任務區域為 500km× 500km ，時長 ^2h 。通信采用低軌 Ka 頻段衛星，帶寬100Mbps，時延 300ms 。設控制中心于場景邊緣，支持動態調度。無人機飛行高度 300～500m ，速度 15～ 25m/s ，初始電量 100Wh 。對比固定調度與基于DQN的動態資源調度算法，評估其在不同負載與干擾下的吞吐量、延遲和能耗表現。

4.2實驗方案

為檢測基于DQN的多無人機超視距測控系統的能效感知動態資源分配算法的能效和性能，本次實驗設置3組對照實驗：（1）靜態頻譜分配；（2）優先級固定調度；（3）DQN動態調度。3組采取相同起始情況下的相似偵察任務，分別設置不同的數據負載強度（輕、重、高）及通信干擾強度（弱、強、特強）（5dB，10dB，20dB ）的條件下，以考察各算法適應力與穩定性。在DQN模型中，假設無人機為智能體，從當前狀態出發，在環境反饋的通信吞吐與能耗與時延的復合

Q值指導下采取下一步動作調度通信，隨Q值通過通信吞吐與能耗時延的復合反饋逐步更新。各策略每輪仿真運行3000次決策，以考察DQN學習收斂效果與調度決策演化。以帶權評估函數的形式對各策略完成任務的單位能耗效率進行評價，形成性能多維對

比檢測。

4.3性能評估結果分析

基于DQN調度模型在各項性能指標上均優于傳統靜態分配策略和優先級固定調度算法，具體如表1所示。

表1實驗結果

在低干擾條件下，DQN調度模型的通信吞吐量為 70Mbps 、任務完成時延為 90min 、單位任務能耗為6Wh 、總任務能耗為 60Wh 。各個指標都處于最佳水平。隨著干擾增強，DQN調度模型能夠保持中度干擾和強干擾下吞吐量高（65Mbps和 60Mbps ）及任務能耗低（7Wh和 8Wh ），并且相比其他2種策略來說完成任務所用的時間也大大縮短。DQN調度模型在不同數據負載強度和通信干擾條件下能自動調整分配資源以保持效率、任務完成率和能效。

5結語

綜上所述，本文針對多無人機協同超視距測控中的衛星通信資源動態分配與能效優化問題，提出了一種基于DQN的智能調度算法，融合了任務協同處理、基于信道預測的通信資源分配以及基于帶寬均衡的時隙分配，具有較強的靈活性，可在高干擾、大負載情景下取得良好的性能。未來的工作可以拓展多任務、多目標優化算法的設計，優化設計有效的算法并尋求更多應用場景，以促進無人機協同通信技術的發展與應用。

參考文獻

[1]蘭松，李暉，徐永杰，等.基于確定性策略的衛星通信動態功率分配算法[J].計算機與數字工程，2025（1）：21-25，62.

[2]常新時.多波束衛星通信系統的動態資源分配研究[D].北京：北京郵電大學，2024.

[3]王洪良，丁暉，趙維晨，等.基于預案匹配的衛星互聯網資源動態分配研究[J].數字通信世界，2021（7）：3-5，2.

[4]蔣建瑞，王恒，謝世珺.基于改進粒子群算法的衛星通信系統功率分配[J].計算機仿真，2024（11）：18-23，150.

[5]趙昊天，劉越，楊鵬.基于深度強化學習的衛星動態調度策略[J].天津理工大學學報，2024（3）：91-96.

[6]班亞明，馬寧，王玉清，等.基于多分支深度Q網絡模型的衛星通信任務調度方法[J].無線電工程，2023（12） ：2921-2926.

（編輯 王永超）

Dynamic allocation and energy efficiency optimization of satelite communication resources in Multi-UAV cooperative beyond-visual-range measurement and control

ZHANG Junkang （The54th Research Institute of CETC，Shijiazhuang O5OO11，China）

Abstract：Inorder to improve the communication eficiency and energy consumption performance in thecollborative beyond-visual-range measurementand control mision of multiple UAVs，this paper constructs a satellite-ground integratedmeasurement and control systemarchitecture，and deeply analyzes thecharacteristics of satelite communication linksand ground station interface models.In order to solve the problem of communication resource competition and energy consumption control of multiple UAVs，a dynamic resource alocation mechanism integrating communication channel state perception and energy eficiency modeling is proposed，and anenergy-eficient scheduling algorithm based ondeepreinforcementlearning andantcolonyoptimizationis designed toconstruct ajointoptimization objectivefunction of delayand energy consumption.Simulation experimental resultsshow that the proposed method has significant advantagesinreducing averagecommunication delay，improving bandwidthutilization andenergy effciency.Through theresearch inthispaper，itishoped thatareferencecanbeprovided forrealizing efficient communication and collaborative control of multiple UAVs in complex long-distance missions.

Key words：multi-dronecolaboration;beyond-visual-range measurementand control;satelitecommunication; dynamic allocation ofresources；energy efficiency optimization