【技术实现步骤摘要】
本专利技术涉及无人机技术，尤其涉及使用无人机进行环境勘测、数据收集和网络构建等需要用到大量无人机来组成网络的场景，具体是一种基于能量约束的无人机自主网络拓扑恢复方法。
技术介绍
1、具有轻量化和低成本的无人机通常应用于开放环境下的环境勘测、编队控制、数据收集以及通信建立，但是在恶劣的环境中，无人机易于受到外部干扰，由于无人机通信网络的任何一台无人机发生了不可逆转的破坏或者能量受限导致的失效，都可能造成无人机群通信网络的网络拓扑断开、节点断联等，为了抵御无人机集群自主网络拓扑断开，无人机自主网络拓扑恢复技术受到了广泛关注。
2、针对无人机网络拓扑的自愈问题，早期主要通过分布式分区检测即dpda算法和中断拓扑修复算法重新建立网络，这些方法能够重新定位最少数量的节点和建立分区，并与汇聚节点重新建立连接，但这些方法无法适用于扩展到无人机集群的情形。为解决无人机在大规模破坏下的网络恢复问题，提出了能够处理不确定故障的自我修复神经模型和关键传感器确定与替换方法，如csds算法，这类方法能够在无人机群发生故障时进行恢复，在恢复过程中算法具有较高的稳定性和更少的错误，将节点从故障状态恢复到稳定状态以确保无人机重建通信，但相应的代价是大量的资源开销，如自修复时间和通信开销，同时会造成实时执行期间的时间复杂度较大，这影响了无人机集群的自愈时间。为了解决无人机受到大规模破坏，从而降低网络的连通性和性能的问题，研究人员又提出基于群体智能的损伤恢复机制sidr，该机制定义了无人机群网络的损害模型和几个度量标准，在综合利用无人机存储、通信、定位
技术实现思路
1、本专利技术的目的是针对现有的技术的不足，而提供一种基于能量约束的无人机自主网络拓扑恢复方法trm-ec(topological recovery method of unmanned aerial vehiclebased on energy constraints，简称trm-ec)，这种方法能够在有能量约束的情况下保证无人机集群网络拓扑的稳定性，并进行网络拓扑恢复。
2、实现本专利技术目的技术方案如下：
3、一种基于能量约束的无人机自主网络拓扑恢复方法，包括如下步骤：
4、1)构建无人机集群网络拓扑：假设具有n台无人机的集群，每一台无人机赋予随机的能量e和唯一索引i∈{1,2,...,n}，建立无人机集群的x-y-z笛卡尔坐标系，第i台无人机在时间t的坐标位置表示为ui,t＝[xi,t,yi,t,zi,t]，每台无人机以恒定的功率p向周围发送位置信息，附近的无人机接收到位置信息后得到无人机之间的距离信息，在时间步长t时，第i架无人机和第j架无人机之间的距离如果低于阈值d，则第i架无人机与第j架无人机建立通信链路，同时任意两架具有有效通信链路的无人机互相标记为邻居，其中dij表示第i台无人机与第j台无人机在笛卡尔坐标系下三维的欧式距离，两架无人机i、j在笛卡尔坐标系下的三维欧式距离表示为dij，距离计算如公式(1)所示：
5、
6、初始的无人机集群形成一个可以相互连接的通信网络，每一台无人机通过无人机自主网络向无人机群中的其它无人机传输数据，在每个时间步长t，无人机i向无人机集群广播自己的位置信息pi,t，无人机集群根据收到的位置信息确定是否更新无人机i的位置信息如果无人机集群在时间步长t时接收到i的位置信息与前一时间步t-1的位置信息不同，则无人机集群更新第i架无人机在t时刻的个体位置，无人机集群采用如公式(2)所示方式更新所存储的无人机i的位置信息：
7、
8、2)构建输入图卷积神经网络gcn(graph convolutional networks，简称gcn)的数据：在每一个时间步长t无人机集群的拓扑结构看作是一个无向图gt＝{vt,et}，其中vt表示在t时间步长节点的集合，et表示在t时间步长边的集合，定义gt的邻接矩阵如公式(3)所示：
9、at＝(aij)n*n (3)，
10、其中，n表示节点数，aij表示第i台无人机和第j台无人机是否为邻居，aij的表示如公式(4)所示：
11、
12、在t时间步长时，定义度矩阵dt用来存储节点的特征，如公式(5)所示，度矩阵是对角矩阵，对角为各个顶点的度，顶点vi的度表示的是该顶点与之相关联的边的数量表示的是无人机的邻居节点数：
13、
14、无人机集群的网络拓扑结构图gt的拉普拉斯矩阵lt定义为dt与at之差，即lt＝dt-at，拉普拉斯矩阵是由节点的度矩阵dt和邻接矩阵at组成的，图gt的性质表示在拉普拉斯矩阵中，将对图的分析转换为对拉普拉斯矩阵的分析，将拉普拉斯矩阵lt、度矩阵dt和邻接矩阵at作为输入数据，输入至图卷积神经网络gcn中；
15、3)图卷积神经网络进行梯度训练得到新的拓扑结构：根据步骤2)输入的拉普拉斯矩阵lt、度矩阵dt和邻接矩阵at，采用图卷积神经网络gcn对网络拓扑结构图进行训练，以学习无人机群之间的通信模式和拓扑特征，gcn为具有多层的神经网络，第l+1层的输出h(l+1)与第l层的输出h(l)之间的传播方式如公式(6)所示：
16、
17、其中，i是单位矩阵，表示的是的度矩阵，h(·)表示每一层的特征，s是非线性激活函数，训练过程中采用梯度下降法来更新gcn的参数，以最小化损失函数为目标完成训练，损失函数设置如公式(7)所示：
18、
19、其中，t是一个常数，表示是否能形成整个网络拓扑，表示最小化最大位移，表示最小化最大能量消耗，最后gcn将输出一个拓扑矩阵，作为无人机集群通信的新网络拓扑结构；
20、4)无人机飞行和网络自愈：根据步骤1)构建的无人机网络拓扑信息，初始化无人机的位置信息和能量信息，每经过一个时间步长t，正在飞行的无人机会消耗与之对应的能量，对于每一台无人机能量消耗定义如公式(8)所示：
21、
22、其中，et表示当前无人机的能量，e表示每一个时间步长广播需要的能量，emove和estand分别表示无人机移动所需要的能耗和无人机静止不动所需要的能耗，无人机剩余能量为一定值时视为能量耗尽，此无人机脱离无人机集群，这可以被其邻居感知到，当无人机接收到作为解决网络恢复问题的拓扑矩阵，每个无人机根据拓扑矩阵调整位置恢复通信网络拓扑，按照设定的速度飞行，直到抵达目标位置，一旦恢复通信网络无人机立刻停止移动。
23、本技术方案本文档来自技高网...
【技术保护点】
1.一种基于能量约束的无人机自主网络拓扑恢复方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于能量约束的无人机自主网络拓...
【专利技术属性】
技术研发人员：王慧娇，蔡卓阳，李彪，廖传煜，韦丹妮，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。