物联网数据收集中无人机路径智能规划

孔沛洋

【摘 要】近年来，无线传感器网络行业的快速增长对企业数据高速增长的应用程序产生了巨大影响。WSN中的大量数据需要捕获。根据数据收集的类型，可以分为静态数据收集和移动数据收集两种类型。静态数据收集意味着传感器网络中的节点通过一个自助收集的传感器数据通过一个过大的跃点上传到数据中心。移动数据收集是为监控环境中的数据收集建立移动数据收集器。该无人机为在移动设备上收集传感器设备提供了一种高效的方法，可用于地球上更大的无线传感器网络。

【关键词】无人机;数据收集;路径规划

引言

近年来，得益于人工智能的飞速发展及计算机技术的显著提升，无人机集群控制已成为军事作战任务的核心内容。作为组队协同的基本作战模式，多无人机（UAVs）路径规划是无人机作战的研究热点与发展趋势之一。在无人机集群协同执行作战任务前，根据不同目标位置有效且快速规划出最佳航迹路线能够缩短任务执行时间、提高能源利用率和扩展活动空间范围。

1无人機技术

一个是对环境的认识和感知。主要组成部分是提取环境特征和识别与无人机安全相关的目标。无人机的安全性和自主性通过自我感知和识别得到提高。二：共同任务调度和决策。尤其是通过感知环境、实现信息交互、规划航迹、有效处理相关飞行干扰以及提高自主飞行决策能力的传感器。三个是自主导航控件。今天的无人机主要配备了遥测技术，以便能够在航空和当地环境中进行精确导航。它们提供了高度精确的远程定位，并为未来无人驾驶飞机的自主决策提供了良好的技术安全。四是智能集成。无人机教学的未来将包括更多的人工智能，使机器人能够自主发展，获得无人机飞行的智能。

2智能自主能力评价

随着智能无人机的发展，智能无人机正朝着智能人道的方向发展，美军根据无人机的智能性、个性化和自主性将智能无人机分为三个阶段。第一种是半自主无人机，即半自主无人机，在电路阶段需要飞行员识别和操作，其次是在电路阶段具有一定敏感度的自主监控动作，用于确定和解密感知信息，但在决策和操作时尚未完全自动化。最后，还有一些自主无人驾驶飞机，它们不需要处于电路中，从而能够全面了解和分析环境，根据结果作出决策，并通过评估和相应地提高电路外无人驾驶飞机的质量而相应地采取行动。

3全局路径规划

本文考虑了无人机数据采集过程中出现的能量限制和路径规划问题。无人机的能耗不仅与行驶时间、行驶速度有关，而且与风速、周围障碍有关。将无人机路由算法分类为恒定速度、自适应速度无人机、最大瓦特数（HMS、悬停速度服务Time等）。本文采用HMS的转发方法，其中无人机以恒定速度v在相应节点上移动，最长停留时间。图1所示的系统模型是机器人无人机“ddepot”的启动和结束。Ddepot处理无人机收集的数据并加载无人机，在地图上随机分布需要收集数据的传感器节点，允许通过收敛算法随机分布传感器节点，并确定簇的中心坐标（图1中的黑点）。无人驾驶飞机访问此群集的顺序问题可以建模为方向问题：选择点和确定最短路径（两点）的组合。由于无人机在数据收集方面的能量限制，并非所有群集都得到服务。

4K-means++聚类算法

求解MPM模型的关键在于如何规划每架无人机的路径，要求以最佳划分方式将所有发现目标划分为m类，f函数将其最小化。K means of a group algorithm，unssupervised class ification（unssupervised class ification）中最常用的算法之一，简单快捷，足以处理大量数据。该算法将相似的点分组到一个集群中，每个集群都用同一集群（cen troid）中所有点的平均值来描述。但是，K means算法的初始质心是随机确定的，大数据集上的收敛不稳定，可能收敛到局部最小值。为此，本文采用K means聚类算法的K means + +变体来区分检测目标。选择第一个质心时，K means++算法可确保质心之间的距离尽可能远，即选择距离当前质心最远的点。第一个重心选取流程为：1）随机选取目标点做为第一个形心C1。2）计算每个目标点与当前选定质心之间的最短距离。3）根据车轮方法从样例数据中选择下一个质心。这是所有目标点与选定质心之间的最小距离的计算。距离越大，选择点的可能性越大。4）确定质心数是否为m。否则，请返回到步骤2。如果是这样，则输出所有原始质心{C1，C2，ε，Cm}。指定第一个m形心后，将所有探测目标指定给相应的丛集，即计算每个目标点的Ti到m之间的距离，然后选取下一个形心。

5动态路径规划

在实践中，由于工作环境的不确定性，飞行轨迹可能会出现动态障碍。本节介绍动态环境中无人机的路径规划和避免。当无人机正面出现障碍物时，无人机会遇到障碍物，因为传统方法无法及时识别障碍物。无人机正面有一个方形障碍物。在这种情况下，传感器会滚动以实时检测环境中的障碍物，并向无人机发送有关障碍物的消息，以重新配置无人机的飞行路径。新配置的飞行路线成功地绕过了障碍。本文由于采用滚动策略检测无人机周围的环境条件，因此该方法还可以在突然出现动态障碍后实时检测和绕过UVAV的合理路径。

6模型评价与改进

利用GIS强大的数据管理、分析和可视化功能，通过引入Pev策略，将单目标规划中不确定的问题转化为解决原始问题的有效方法。但是，该模型是一种基于许多假设的理想情景，在实践中要复杂得多。实例大小越大，生成的搜索树越多，计算时间也就越长。有两个领域需要进行模式变革，以考虑到广泛的影响因素，特别是经济和文化因素。采用智能优化算法模型进一步研究了布局优化的位置，扩大了研究范围，验证了模型的结果大小。

结束语

本文首先通过将鼠标指针放在网络上进行深度定向学习，解决了机器人数据采集的全球路径规划问题，并对一系列机器人服务节点和序列的定向直接问题建模。然后，目标节点将根据目标节点的RSS提要通过dql查找出站机器人，并接近目标节点。dql提供比Q-Learning更好的延迟性能。最后通过仿真验证了所提学习机制的有效性。

参考文献：

[1]孙越林，吕荧.基于人工势场的无人机航路规划研究[J].舰船电子工程，2019，39（12）：52-53+82.

[2]张乐，袁锁中，黄永康.连续障碍环境下无人机实时避障控制[J].电光与控制，2020，27（04）：6-10+14.

[3]饶安琪，杨小彤，谢忠良，邵汉钦.智慧城市建设中的无人机路径规划机制研究[A].中国通信学会、中国电子学会.物联网与无线通信-2018年全国物联网技术与应用大会论文集[C].中国通信学会、中国电子学会：中国通信学会，2018：5.

（作者单位：河南工学院计算机科学与技术学院）