[论文解读] Practical Mission Planning for Optimized UAV-Sensor Wireless Recharging

Qiuchen Qian, James OKeeffe+2 more|arXiv (Cornell University)|Mar 9, 2022

UAV Applications and Optimization被引用 4

一句话总结

本文提出ROMP，一种用于无线可充电传感器网络（WRSNs）中无人机（UAV）的混合离线/在线任务规划方法，结合引导局部搜索（GLS）与上下文感知黑洞算法，以在动态风力和电池约束下优化能量补给。FastROMP是其增强版本，通过实时路径调整将计算时间最多减少93.3%，在能量消耗增加极少的情况下，使补充电能量提升21.47%。

ABSTRACT

Optimal maintenance of sensor nodes in a Wireless Rechargeable Sensor Network (WRSN) requires effective scheduling of power delivery vehicles by solving the Charging Scheduling Problem (CSP). Deploying Unmanned Aerial Vehicles (UAVs) as mobile chargers has emerged as a promising solution due to their mobility and flexibility. The CSP can be formulated as a Mixed-Integer Non-Linear Programming problem whose optimization objective is maximizing the recharged energy of sensor nodes within the UAV battery constraint. While many studies have demonstrated satisfactory performance of heuristic algorithms in addressing specific routing problems, few studies explore online updating (i.e., mission re-planning `on the fly') in the CSP context. Here we present a new offline and online mission planner leveraging a first-principles power consumption model that uses real-time state information and environmental information. The planner, namely Rapid Online Metaheuristic-based Planner (ROMP), supplements solutions from a Guided Local Search (GLS) with our Context-aware Black Hole Algorithm. Our results demonstrate that ROMP outperforms GLS in most cases tested. We developed and proposed FastROMP to speed up the online mission (re-)planning algorithm by introducing a new online adjustment operator that uses the latest state information as input, eliminating the need for re-initialization. FastROMP not only provides a better quality route, but it also significantly reduces computational time. The reduction ranges from 39.57% in sparse deployment to 93.3% in denser deployments.

研究动机与目标

• 解决无线可充电传感器网络（WRSNs）中动态充电调度问题（CSP），其中无人机需在能量与环境约束下为传感器节点充电。
• 通过支持实时任务重规划，克服静态离线规划器的局限性，以应对风力与电池水平等环境条件的变化。
• 在能量约束下，提升NP难TSP与探险者问题（OP）场景中UAV路径规划的解质量与计算效率。
• 开发一种轻量级、可扩展的规划器，适用于嵌入式UAV飞行计算机的实际部署。
• 证明基于实时状态数据的在线重规划可显著提升能量补给性能，并降低计算开销。

提出的方法

• 将UAV充电调度问题建模为混合整数非线性规划问题，以在UAV电池容量与风致功率消耗约束下最大化补充电能量。
• 为多旋翼UAV（DJI M100）建立基于物理原理的功耗模型，整合风力影响与感应式电力传输（IPT）效率。
• 实现离线规划器ROMP，采用两阶段方法：初始求解器（GLS）用于生成初始路径，优化求解器（上下文感知黑洞算法）用于改进解。
• 提出FastROMP，一种新型在线调整算子，重用先前路径并基于实时状态数据（如剩余电量、风速）更新路径，无需重新初始化。
• 通过多核并行化加速离线求解器，在5000种种群规模下，实现相较于GLS 99.8%的解质量提升。
• 采用混合元启发式框架，结合单解优化（GLS）与群体优化（CBHA），在动态环境中平衡探索与开发。

实验结果

研究问题

• RQ1 与静态离线方法相比，混合离线/在线任务规划器是否能显著提升WRSNs中的补充电能量，同时降低计算时间？
• RQ2 将上下文感知黑洞算法与引导局部搜索结合，在动态风力条件下是否能有效提升UAV充电调度的解质量？
• RQ3 FastROMP中的在线调整算子在动态CSP场景下，能在不降低解质量的前提下，多大程度上减少计算时间？
• RQ4 实时状态信息（如电池电量、风速）对UAV任务重规划的性能与适应性有何影响？
• RQ5 轻量级实时重规划算法是否可高效部署于嵌入式UAV飞行计算机上，适用于实际WRSN应用？

主要发现

• ROMP在解质量上优于GLS，在动态风力条件下使补充电能量提升21.47%，同时UAV能耗仅增加1.89%。
• FastROMP在稀疏部署中计算时间减少39.57%，在密集部署中最多减少93.3%，归因于高效的在线路径调整。
• 采用四核并行实现的ROMP在500次执行中，5000种群规模下，解质量相比GLS提升99.8%。
• FastROMP的最坏时间复杂度为O(n²)，使其在实时部署中计算高效，尤其适用于高密度传感器网络。
• 上下文感知黑洞算法通过自适应环境动态（如风速与电池状态）显著提升路径优化性能。
• 计划开展实地与风洞实验，以验证规划器的鲁棒性，并校准模型参数（如阻力系数与流体密度）以提升真实世界准确性。