孔沛洋

【摘?要】近年來(lái)，無(wú)線傳感器網(wǎng)絡(luò)行業(yè)的快速增長(zhǎng)對(duì)企業(yè)數(shù)據(jù)高速增長(zhǎng)的應(yīng)用程序產(chǎn)生了巨大影響。WSN中的大量數(shù)據(jù)需要捕獲。根據(jù)數(shù)據(jù)收集的類型，可以分為靜態(tài)數(shù)據(jù)收集和移動(dòng)數(shù)據(jù)收集兩種類型。靜態(tài)數(shù)據(jù)收集意味著傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)通過(guò)一個(gè)自助收集的傳感器數(shù)據(jù)通過(guò)一個(gè)過(guò)大的躍點(diǎn)上傳到數(shù)據(jù)中心。移動(dòng)數(shù)據(jù)收集是為監(jiān)控環(huán)境中的數(shù)據(jù)收集建立移動(dòng)數(shù)據(jù)收集器。該無(wú)人機(jī)為在移動(dòng)設(shè)備上收集傳感器設(shè)備提供了一種高效的方法，可用于地球上更大的無(wú)線傳感器網(wǎng)絡(luò)。

【關(guān)鍵詞】無(wú)人機(jī);數(shù)據(jù)收集;路徑規(guī)劃

引言

近年來(lái)，得益于人工智能的飛速發(fā)展及計(jì)算機(jī)技術(shù)的顯著提升，無(wú)人機(jī)集群控制已成為軍事作戰(zhàn)任務(wù)的核心內(nèi)容。作為組隊(duì)協(xié)同的基本作戰(zhàn)模式，多無(wú)人機(jī)（UAVs）路徑規(guī)劃是無(wú)人機(jī)作戰(zhàn)的研究熱點(diǎn)與發(fā)展趨勢(shì)之一。在無(wú)人機(jī)集群協(xié)同執(zhí)行作戰(zhàn)任務(wù)前，根據(jù)不同目標(biāo)位置有效且快速規(guī)劃出最佳航跡路線能夠縮短任務(wù)執(zhí)行時(shí)間、提高能源利用率和擴(kuò)展活動(dòng)空間范圍。

1無(wú)人機(jī)技術(shù)

一個(gè)是對(duì)環(huán)境的認(rèn)識(shí)和感知。主要組成部分是提取環(huán)境特征和識(shí)別與無(wú)人機(jī)安全相關(guān)的目標(biāo)。無(wú)人機(jī)的安全性和自主性通過(guò)自我感知和識(shí)別得到提高。二：共同任務(wù)調(diào)度和決策。尤其是通過(guò)感知環(huán)境、實(shí)現(xiàn)信息交互、規(guī)劃航跡、有效處理相關(guān)飛行干擾以及提高自主飛行決策能力的傳感器。三個(gè)是自主導(dǎo)航控件。今天的無(wú)人機(jī)主要配備了遙測(cè)技術(shù)，以便能夠在航空和當(dāng)?shù)丨h(huán)境中進(jìn)行精確導(dǎo)航。它們提供了高度精確的遠(yuǎn)程定位，并為未來(lái)無(wú)人駕駛飛機(jī)的自主決策提供了良好的技術(shù)安全。四是智能集成。無(wú)人機(jī)教學(xué)的未來(lái)將包括更多的人工智能，使機(jī)器人能夠自主發(fā)展，獲得無(wú)人機(jī)飛行的智能。

2智能自主能力評(píng)價(jià)

隨著智能無(wú)人機(jī)的發(fā)展，智能無(wú)人機(jī)正朝著智能人道的方向發(fā)展，美軍根據(jù)無(wú)人機(jī)的智能性、個(gè)性化和自主性將智能無(wú)人機(jī)分為三個(gè)階段。第一種是半自主無(wú)人機(jī)，即半自主無(wú)人機(jī)，在電路階段需要飛行員識(shí)別和操作，其次是在電路階段具有一定敏感度的自主監(jiān)控動(dòng)作，用于確定和解密感知信息，但在決策和操作時(shí)尚未完全自動(dòng)化。最后，還有一些自主無(wú)人駕駛飛機(jī)，它們不需要處于電路中，從而能夠全面了解和分析環(huán)境，根據(jù)結(jié)果作出決策，并通過(guò)評(píng)估和相應(yīng)地提高電路外無(wú)人駕駛飛機(jī)的質(zhì)量而相應(yīng)地采取行動(dòng)。

3全局路徑規(guī)劃

本文考慮了無(wú)人機(jī)數(shù)據(jù)采集過(guò)程中出現(xiàn)的能量限制和路徑規(guī)劃問(wèn)題。無(wú)人機(jī)的能耗不僅與行駛時(shí)間、行駛速度有關(guān)，而且與風(fēng)速、周圍障礙有關(guān)。將無(wú)人機(jī)路由算法分類為恒定速度、自適應(yīng)速度無(wú)人機(jī)、最大瓦特?cái)?shù)（HMS、懸停速度服務(wù)Time等）。本文采用HMS的轉(zhuǎn)發(fā)方法，其中無(wú)人機(jī)以恒定速度v在相應(yīng)節(jié)點(diǎn)上移動(dòng)，最長(zhǎng)停留時(shí)間。圖1所示的系統(tǒng)模型是機(jī)器人無(wú)人機(jī)“ddepot”的啟動(dòng)和結(jié)束。Ddepot處理無(wú)人機(jī)收集的數(shù)據(jù)并加載無(wú)人機(jī)，在地圖上隨機(jī)分布需要收集數(shù)據(jù)的傳感器節(jié)點(diǎn)，允許通過(guò)收斂算法隨機(jī)分布傳感器節(jié)點(diǎn)，并確定簇的中心坐標(biāo)（圖1中的黑點(diǎn)）。無(wú)人駕駛飛機(jī)訪問(wèn)此群集的順序問(wèn)題可以建模為方向問(wèn)題：選擇點(diǎn)和確定最短路徑（兩點(diǎn)）的組合。由于無(wú)人機(jī)在數(shù)據(jù)收集方面的能量限制，并非所有群集都得到服務(wù)。

4K-means++聚類算法

求解MPM模型的關(guān)鍵在于如何規(guī)劃每架無(wú)人機(jī)的路徑，要求以最佳劃分方式將所有發(fā)現(xiàn)目標(biāo)劃分為m類，f函數(shù)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(jiǎn)單快捷，足以處理大量數(shù)據(jù)。該算法將相似的點(diǎn)分組到一個(gè)集群中，每個(gè)集群都用同一集群（cen troid）中所有點(diǎn)的平均值來(lái)描述。但是，K means算法的初始質(zhì)心是隨機(jī)確定的，大數(shù)據(jù)集上的收斂不穩(wěn)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(lái)區(qū)分檢測(cè)目標(biāo)。選擇第一個(gè)質(zhì)心時(shí)，K means++算法可確保質(zhì)心之間的距離盡可能遠(yuǎn)，即選擇距離當(dāng)前質(zhì)心最遠(yuǎn)的點(diǎn)。第一個(gè)重心選取流程為：1）隨機(jī)選取目標(biāo)點(diǎn)做為第一個(gè)形心C1。2）計(jì)算每個(gè)目標(biāo)點(diǎn)與當(dāng)前選定質(zhì)心之間的最短距離。3）根據(jù)車輪方法從樣例數(shù)據(jù)中選擇下一個(gè)質(zhì)心。這是所有目標(biāo)點(diǎn)與選定質(zhì)心之間的最小距離的計(jì)算。距離越大，選擇點(diǎn)的可能性越大。4）確定質(zhì)心數(shù)是否為m。否則，請(qǐng)返回到步驟2。如果是這樣，則輸出所有原始質(zhì)心{C1，C2，ε，Cm}。指定第一個(gè)m形心后，將所有探測(cè)目標(biāo)指定給相應(yīng)的叢集，即計(jì)算每個(gè)目標(biāo)點(diǎn)的Ti到m之間的距離，然后選取下一個(gè)形心。

5動(dòng)態(tài)路徑規(guī)劃

在實(shí)踐中，由于工作環(huán)境的不確定性，飛行軌跡可能會(huì)出現(xiàn)動(dòng)態(tài)障礙。本節(jié)介紹動(dòng)態(tài)環(huán)境中無(wú)人機(jī)的路徑規(guī)劃和避免。當(dāng)無(wú)人機(jī)正面出現(xiàn)障礙物時(shí)，無(wú)人機(jī)會(huì)遇到障礙物，因?yàn)閭鹘y(tǒng)方法無(wú)法及時(shí)識(shí)別障礙物。無(wú)人機(jī)正面有一個(gè)方形障礙物。在這種情況下，傳感器會(huì)滾動(dòng)以實(shí)時(shí)檢測(cè)環(huán)境中的障礙物，并向無(wú)人機(jī)發(fā)送有關(guān)障礙物的消息，以重新配置無(wú)人機(jī)的飛行路徑。新配置的飛行路線成功地繞過(guò)了障礙。本文由于采用滾動(dòng)策略檢測(cè)無(wú)人機(jī)周圍的環(huán)境條件，因此該方法還可以在突然出現(xiàn)動(dòng)態(tài)障礙后實(shí)時(shí)檢測(cè)和繞過(guò)UVAV的合理路徑。

6模型評(píng)價(jià)與改進(jìn)

利用GIS強(qiáng)大的數(shù)據(jù)管理、分析和可視化功能，通過(guò)引入Pev策略，將單目標(biāo)規(guī)劃中不確定的問(wèn)題轉(zhuǎn)化為解決原始問(wèn)題的有效方法。但是，該模型是一種基于許多假設(shè)的理想情景，在實(shí)踐中要復(fù)雜得多。實(shí)例大小越大，生成的搜索樹(shù)越多，計(jì)算時(shí)間也就越長(zhǎng)。有兩個(gè)領(lǐng)域需要進(jìn)行模式變革，以考慮到廣泛的影響因素，特別是經(jīng)濟(jì)和文化因素。采用智能優(yōu)化算法模型進(jìn)一步研究了布局優(yōu)化的位置，擴(kuò)大了研究范圍，驗(yàn)證了模型的結(jié)果大小。

結(jié)束語(yǔ)

本文首先通過(guò)將鼠標(biāo)指針?lè)旁诰W(wǎng)絡(luò)上進(jìn)行深度定向?qū)W習(xí)，解決了機(jī)器人數(shù)據(jù)采集的全球路徑規(guī)劃問(wèn)題，并對(duì)一系列機(jī)器人服務(wù)節(jié)點(diǎn)和序列的定向直接問(wèn)題建模。然后，目標(biāo)節(jié)點(diǎn)將根據(jù)目標(biāo)節(jié)點(diǎn)的RSS提要通過(guò)dql查找出站機(jī)器人，并接近目標(biāo)節(jié)點(diǎn)。dql提供比Q-Learning更好的延遲性能。最后通過(guò)仿真驗(yàn)證了所提學(xué)習(xí)機(jī)制的有效性。

參考文獻(xiàn)：

[1]孫越林，呂熒.基于人工勢(shì)場(chǎng)的無(wú)人機(jī)航路規(guī)劃研究[J].艦船電子工程，2019，39（12）：52-53+82.

[2]張樂(lè)，袁鎖中，黃永康.連續(xù)障礙環(huán)境下無(wú)人機(jī)實(shí)時(shí)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(shè)中的無(wú)人機(jī)路徑規(guī)劃?rùn)C(jī)制研究[A].中國(guó)通信學(xué)會(huì)、中國(guó)電子學(xué)會(huì).物聯(lián)網(wǎng)與無(wú)線通信-2018年全國(guó)物聯(lián)網(wǎng)技術(shù)與應(yīng)用大會(huì)論文集[C].中國(guó)通信學(xué)會(huì)、中國(guó)電子學(xué)會(huì)：中國(guó)通信學(xué)會(huì)，2018：5.

（作者單位：河南工學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院）