[论文解读] Deployment of UAVs for Optimal Multihop Ad-hoc Networks Using Particle Swarm Optimization and Behavior-based Control

Ngan Duong Thi Thuy, Duy Nam Bui+2 more|arXiv (Cornell University)|Dec 26, 2022

UAV Applications and Optimization被引用 4

一句话总结

该论文提出了一种基于粒子群优化（PSO）的两阶段无人机（UAV）部署策略，用于在灾难区域实现最优多跳自组织网络。该方法利用PSO确定最优无人机位置，并采用基于行为的控制器安全导航无人机至目标位置。该方法实现了实时、避障部署，平均位置偏差为70 m，角度偏差为0.2 rad，在复杂环境中可实现1000 m以内的可靠通信链路，4架无人机即可完成部署。

ABSTRACT

This study proposes an approach for establishing an optimal multihop ad-hoc network using multiple unmanned aerial vehicles (UAVs) to provide emergency communication in disaster areas. The approach includes two stages, one uses particle swarm optimization (PSO) to find optimal positions to deploy UAVs, and the other uses a behavior-based controller to navigate the UAVs to their assigned positions without colliding with obstacles in an unknown environment. Several constraints related to the UAVs' sensing and communication ranges have been imposed to ensure the applicability of the proposed approach in real-world scenarios. A number of simulation experiments with data loaded from real environments have been conducted. The results show that our proposed approach is not only successful in establishing multihop ad-hoc routes but also meets the requirements for real-time deployment of UAVs.

研究动机与目标

• 为解决在基础设施损毁的灾难区域中建立可靠、实时多跳自组织通信的挑战。
• 在未知、障碍物丰富的环境中，优化无人机节点的部署位置，以实现最大通信范围和网络可靠性。
• 通过基于行为的控制策略，实现无人机安全、实时导航至指定位置，避免障碍物并维持网络连通性。
• 确保在真实应急部署场景中具备可扩展性和计算可行性。

提出的方法

• 将无人机部署建模为约束优化问题，利用PSO寻找能最大化多跳网络连通性并最小化链路长度的最优位置。
• 将无人机建模为具有位置 $P=[x,y,z]^T$、航向 $\psi$ 的粒子，并设置通信范围（$R_C=300$ m）、感知范围（$R_S=50$ m）和安全距离（$S=10D$）的约束。
• 采用基于行为的目标跟踪控制器，参数为 $a_{m2g}, b_{m2g}, a_{ath}, b_{ath}, a_{adr}, b_{adr}$，引导无人机沿安全、无障碍物的路径前往目标位置。
• 实施顺序部署策略：每架无人机在其感知范围内搜索最接近通信边界的最优位置，之后再部署下一台无人机。
• 将PSO与两阶段导航过程集成：首先飞向最后一架已部署的无人机（指定状态），然后在中间点进行探索（探索状态），以抵达最终位置。
• 基于与视距路径的接近程度和网络连通性定义适应度函数，经过100次迭代优化，参数设置为 $w=1$，$c_1=c_2=1.5$，种群规模为100。

实验结果

研究问题

• RQ1 PSO能否在未知、障碍物丰富的环境中有效识别多跳自组织网络形成的最优无人机位置？
• RQ2 基于行为的控制器能否实现无人机在避障的同时，安全、实时地导航至目标位置并维持网络连通性？
• RQ3 所提出的部署策略在位置偏差、路径安全性及计算时间方面的准确性和效率如何？
• RQ4 该方法在长距离和复杂地形中，考虑真实传感器与通信约束时，其可扩展性如何？

主要发现

• PSO算法在30至50次迭代内收敛，表明其在实时部署中具备快速收敛性。
• 平均位置偏差为70 m，平均目标角度偏差为0.2 rad，主要由环境障碍物引起。
• 系统平均耗时5分钟完成4架无人机在15 m/s速度下的部署，每次PSO计算仅需1秒，远低于无人机在各点间飞行的时间。
• 基于行为的控制器在毫秒级时间内计算出控制指令，证实其适用于实时操作。
• 在两种场景中，无人机均成功构建了多跳网络，平均链路长度为295 m，接近300 m的通信范围。
• 仿真结果与视频演示均表明，部署路径在复杂环境中与障碍物保持了安全距离。