空地协同场景中无人机路径规划与调度研究

作     者：王雪夫 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：王莉

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082503[工学-航空宇航制造工程] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：无人机路径规划 数据采集 任务分配 

摘      要：应急场景下灾区信息的数据收集具有很重要的作用,可以支撑目标识别、数据分析、高清地图重建等应急应用。然而,由于灾区建筑损毁,道路不畅,导致地面部署的一些传感器信息不能被及时收集,影响救援效率。因此,可以采用无人机对应急场景中部署的传感器进行数据收集。然而由于无人机自身能量的约束,其飞行里程和飞行时长受限,因此,需要对无人机的采集路径做出优化,最大化信息采集效率。在此背景下,本文聚焦于应急场景中无人机进行数据采集时的路径规划问题,分别针对无人机不充电场景及可充电场景下,对无人机路径规划进行了研究,并基于研究结果,搭建了不充电场景下单架无人机的路径规划与视频采集系统。首先,为了提高数据采集效率,缩短数据采集时间,本文针对应急场景中多架无人机协同数据采集场景进行了分析,并分别针对其路径规划和任务分配进行了研究。首先,在路径规划方面,考虑到无人机能量有限可能无法采集完所有传感器的问题,本文以最大化地理公平性和数据量的权重和为目标,并提出遗传算法（Genetic Algorithm,GA）和动态规划算法（Dynamic Programming,DP）分别实现低复杂度和高精确路径规划结果;再基于路径规划的结果,针对无人机和子区域之间不同分配方式带来的效用差异问题,综合考虑地理公平性、数据采集量、无人机能耗等多方面因素,建立了无人机和子区域的偏好列表,并提出GS算法（Gale-Shapley）实现两者之间的一对一稳定匹配。仿真结果表明,本文所提路径规划方案在无人机能量约束下同时兼顾地理公平性与采集数据量,并大幅减少了无人机的飞行路径长度,而GS匹配算法则在低复杂度下保持了接近于最优分配的性能。然后,为了进一步降低无人机使用成本,发挥无人机可多次充电重复利用的能力,本文接着针对单架无人机的可充电场景进行了分析,并同时对无人机的飞行路径策略和充电策略进行了研究。考虑到单架无人机能量有限无法完全覆盖整个采集区域的问题,本文通过传感器分簇与簇头选择,令无人机只对簇头节点进行采集,并在此基础上提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的路径规划方案,以实现无人机飞行轨迹和充电次数的自适应调整,完成飞行策略和充电策略的联合优化。仿真结果表明,本文所提算法极大地降低了无人机的能量消耗,说明了所提方案的合理性与有效性。最后,为了对本文中提出的理论路径规划算法进行实际验证,本文在前述路径规划方案设计的基础上,进一步搭建了单架无人机路径规划与数据采集系统,并在实际场景中进行了测试。具体地,该系统由手机对无人机的路径规划进行控制,然后利用无人机自身携带的摄像机等传感设备进行数据采集,并实时回传至地面。经过实际工程测试,本文验证了该系统可以有效地降低无人机飞行路径长度,提升无人机收集数据的效率,具有一定的实际应用价值。