航空信标辅助WSN三维定位的移动路径规划方法

三维定位对于相当多的无线传感器网络(WSN)应用非常重要,但通常复杂度与成本较高。基于移动(航空)信标辅助的三维定位是相对节约成本的一类方法。针对这类方法需要解决的移动路径规划问题,提出了一种实现简单、路径长度短的三维移动路径规划方法。在三维空间中,航空信标只需在两平面上对三维部署区域进行两次相互独立的二维扫描。3D SCAN、3D DOUBLE SCAN、3D HILBERT、3D CIRCLES、3D S-CURVES和3D LMAT是该方法的六种典型实现。仿真实验结果表明,基于该路径规划方法的六种典型路径都能够满足三维定位需要。其中,3D S-CURVES路径长度最短、定位精度最高。

一种基于无人机移动信标的战场士兵定位方法的研究

目的:以战场士兵搜索为背景,研究一种新的基于无人机移动信标的战场士兵定位方法。方法:无人机沿"∞"模型飞行,机载信标获取相对地理位置信息,并且周期性地发送唤醒信号;士兵节点被唤醒后,发送RSSI数据包,再次进入休眠状态;移动信标接收士兵节点RSSI数据包,在接收位置形成该节点对应的虚拟信标:计算士兵节点到所对应的虚拟信标的距离矩阵,从而进一步计算士兵节点的相对地理坐标。结果:仿真测试随机布设20个结构相同的士兵节点,当平均每个士兵节点对应的虚拟信标数为8.3个时,平均定位误差为7.78%。结论:基于无人机移动信标的定位方法具有较高的定位精度。

面向无人机协助的WSNs的数据收集策略

射频能量捕获(Radio Frequency Energy Harvesting,RF-EH)技术为解决无线传感网络(Wireless Sensor Networks,WSNs)能量有限问题提供了新的方法。为此,针对无人机(Unmanned Aerial Vehicle,UAV)协助的WSNs网络,提出时隙优化的数据收集(Time Slot Optimizing data-gathering,TODG)策略。在TODG策略中,节点先接收来自电力包(Power Beacon,PBs)的无线电能传输(Wireless Power Transfer,WPT)进行充电;再构建最小化中断概率的时隙分配的目标函数,借助于CVX工具求解,获取最优的时隙分配。仿真结果表明,通过优化时隙,TODG策略能够降低中断概率,提升吞吐量。

动态环境可实时定位无线信标机系统设计

提出一种动态环境下能实时定位箭载记录器的回收系统方案。由随记录器一起下落的信标发射机、天上无人机及地面接收设备组成的搜索网络,实时获取记录器的位置信息。经实验得出,记录器在空中某一时刻的位置信息:纬度39°04.182 64,经度111°44.721 32,海拔高度1 411.1 m;落地后位置信息:纬度39°04.165 00,经度111°44.730 90,海拔高度1 333.0 m。结果表明,根据实时得到的位置点绘制出了下落轨迹,实现了对记录器的快速找寻。

森林消防用实时三维定位建图系统

针对森林消防和应急救援需求,特别是对复杂非结构化灾害现场的快速建模及监测等难题,提出一种基于无人机和无线信标的森林消防用实时三维定位建图系统。介绍了系统构成、关键模块、算法原理等。实地测试结果表明该系统能够实现对森林环境的实时三维建图,特别是在卫星导航信号拒止/微弱环境中仍能达到良好的效果。该系统将会是森林消防中的有力工具,对于应急管理的信息化建设也有十分重要的意义。

空中传感器网络中负载均衡的地理路由协议

针对多跳空中传感器网络(Aerial Sensor Network,ASN)中的负载不均衡问题,提出了强化学习(Reinforcement Learning,RL)理论辅助的队列高效地理路由(Reinforcement-Learning Based Queue-Efficient Geographic Routing,RLQE-GR)协议。RLQE-GR协议首先将ASN路由问题抽象为强化学习(RL)任务,其中每个无人机抽象为一个RL状态,而数据包的每跳成功转发则抽象为一个RL动作。其次,RLQE-GR协议中引入了新的奖赏函数来评估每次动作,该奖赏函数的值不仅与无人机节点地理位置和每跳链路质量相关,而且与无人机节点的可用路由队列长度密切相关。然后,根据所设计的奖赏函数,RLQE-GR协议利用Q函数分布式地更新每个动作的长期累积奖赏值(Q值),并使得每个节点根据本地Q值的大小采用贪婪策略转发数据包。最后,为了使全网的Q值快速收敛且最小化收敛过程中造成的路由性能损失,RLQE-GR采用周期性信标机制对Q值进行迭代更新。当Q值收敛时,RLQE-GR协议能够实现可靠有效的多跳数据传输性能。与现有地理路由协议相比,所提协议在转发数据包的同时考虑了节点之间的相对距离、每跳链路质量和中间节点路由队列利用率。这使得RLQE-GR协议能够在保证路由跳数以及数据包重传次数的限制下,实现ASN的负载均衡。此外,利用强化学习理论,所提协议可以实现近乎最优的路由性能。