[发明专利]一种基于无人机的大规模无线传感器网络数据收集方法

说明书

本发明公开了一种基于无人机的大规模无线传感器网络数据收集方法，包括以下步骤：传感器节点以事件驱动采集周围信息；将目标区域按网格型划分，在同一网格中的传感器节点组成簇；在每个簇内统计节点能量，选则簇内剩余能量最多的一个节点为簇头节点；计算网格中非簇头节点在t时刻的信息价值；给定阈值函数若则将节点数据转发给同一网格中的簇头节点，否则返回；根据DFP模型在线训练无人机，规划无人机路径；无人机根据规划的路径收集传感器节点的数据，并将数据传输回基站。本发明将DFP模型应用于无人机路径规划问题，使无人机最大化收集的总信息价值同时能够保证低电量时充电，非常适用于动物监测，森林火灾，地震救援等场景。

技术领域

本发明属于无线传感器网络技术领域，具体涉及一种基于无人机的大规模无线传感器网络数据收集方法。

背景技术

在无线传感网络中数据收集是一个活跃的研究话题，调度无人机从分布式传感器中获取传感器数据有望显著提高传统无线传感器网络的数据采集效率。它已广泛应用于灾难抢险，动物跟踪，森林监测等领域。无线传感网络的通信方式主要可以分为三种：查询驱动，事件驱动和时钟驱动。在事件驱动型传感器网络中，只有在某些特定事件(例如地震、火灾、温度/湿度等达到某一阈值)发生时，传感器才被唤醒进行数据传输工作，在其他时刻则保持低功耗休眠状态。事件驱动的通信方式可以降低系统通信频率和减少传感器能耗。

在现有的研究中，无人机数据收集的性能指标主要从数据时延、能源效率、飞行时间和数据质量等方面考虑，但是收集到的数据信息价值这个指标却很少考虑到。在很多实际应用场景中，每个节点采集到的信息并不是同等重要的，比如火灾监测应用中某个温度传感器采集的温度远高于常温，动物追踪应用中某些节点周围出现目标濒危动物。这些信息具有时效性，无人机越晚收集到，数据信息价值就越低。无人机收集数据时，一般方法是传感器节点先向基站上报信息价值，然后通过贪婪算法或遗传算法离线规划无人机路径。随着智能算法的成熟和GPU计算能力的提高，机器学习应用的领域扩大，无人机通过与环境的交互在线学习并规划路径成为热点研究话题。

一般机器学习问题可以分为三类：监督学习，无监督学习以及强化学习。监督学习主要是学习一个输入到输出的映射函数，而无监督学习更加关注如何挖掘数据本身的隐含结构。强化学习是一个面向目标的策略学习问题，因此大部分关于无人机轨迹规划的问题都建模为强化学习问题。对于一个代理可以与环境进行交互的学习问题，如果环境提供的反馈是稀疏的标量，采用传统的强化学习算法会十分有效；但是如果环境给出的反馈是一个即时密集的多维度反馈，监督学习算法更具优势。如何把强化学习问题在某种程度上转化为一个监督学习问题，加快智能体在环境中学习的速度是一个亟待解决的问题。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于无人机的大规模无线传感器网络数据收集方法，其将DFP模型应用于无人机路径规划问题，使无人机最大化收集的总信息价值同时保证低电量时充电。

技术方案：为实现上述目的，本发明提供一种基于无人机的大规模无线传感器网络数据收集方法，包括以下步骤：

S1：传感器节点以事件驱动采集周围信息，仅在某些特定事件(例如地震、火灾、温度/湿度等达到某一阈值)发生时，传感器才被唤醒进行数据传输工作，在其他时刻则保持低功耗休眠状态；

S2：将目标区域按网格型划分，在同一网格中的传感器节点组成簇；

S3：在每个簇内统计节点能量，选则簇内剩余能量最多的一个节点为簇头节点CH，在一个网格中仅有一个簇头节点；

S4：计算网格中非簇头节点s_i在t时刻的信息价值VoI_i(t)；

S5：给定阈值函数若则将节点s_i数据转发给同一网格中的簇头节点CH，否则返回步骤S4；

S6：根据DFP(Direct Future Prediction)模型在线训练无人机，规划无人机路径；