[论文解读] UAV Aided Aerial-Ground IoT for Air Quality Sensing in Smart City: Architecture, Technologies and Implementation

Zhiwen Hu, Zixuan Bai+4 more|arXiv (Cornell University)|Sep 11, 2018

Air Quality Monitoring and Forecasting参考文献 6被引用 7

一句话总结

本文提出了一种无人机辅助的空中-地面物联网系统，用于在智慧城市中实现对空气质量的实时、细粒度且节能的监测。通过整合地面传感器与无人机搭载的传感器，并结合空间拟合、短期预测、优化部署策略及自适应功率控制，该系统在2018年6月前于北京大学和西安电子科技大学成功收集了100,000个有效数据样本，实现了高精度的三维空气质量制图。

ABSTRACT

As air pollution is becoming the largest environmental health risk, the monitoring of air quality has drawn much attention in both theoretical studies and practical implementations. In this article, we present a real-time, fine-grained and power-efficient air quality monitoring system based on aerial and ground sensing. The architecture of this system consists of four layers: the sensing layer to collect data, the transmission layer to enable bidirectional communications, the processing layer to analyze and process the data, and the presentation layer to provide graphic interface for users. Three major techniques are investigated in our implementation, given by the data processing, the deployment strategy and the power control. For data processing, spacial fitting and short-term prediction are performed to eliminate the influences of the incomplete measurement and the latency of data uploading. The deployment strategies of ground sensing and aerial sensing are investigated to improve the quality of the collected data. The power control is further considered to balance between power consumption and data accuracy. Our implementation has been deployed in Peking University and Xidian University since February 2018, and has collected about 100 thousand effective data samples by June 2018.

研究动机与目标

• 解决城市环境中现有官方空气质量监测系统存在的稀疏性、延迟性与低分辨率等问题。
• 通过密集部署低成本物联网传感器网络，实现细粒度、实时的三维空气质量制图。
• 在电池供电的地面传感器与无人机严格功耗限制下，优化系统性能。
• 通过自适应采样间隔与飞行规划，在数据精度与能效之间实现平衡。
• 开发可部署、可扩展的架构，适用于智慧城市应用，并支持实时可视化。

提出的方法

• 实施四层系统架构：感知层、传输层、处理层与展示层。
• 采用空间拟合技术，基于稀疏传感器数据估算未测量位置的空气质量。
• 利用历史数据与气象条件进行短期预测，以缓解数据延迟问题。
• 设计地面传感器部署策略，确保监测点在空间上的最优分布。
• 优化无人机飞行计划，采用可变采样间隔（6–12小时）与悬停时间（5秒），在覆盖范围与功耗之间实现平衡。
• 实施自适应功率控制：根据空气质量水平调整采样/上传间隔（例如，30分钟采样，60分钟上传），以延长电池寿命。

实验结果

研究问题

• RQ1 如何通过无人机辅助的空中-地面物联网系统实现在城市环境中的实时、细粒度空气质量监测？
• RQ2 在功耗受限的传感器网络中，哪些技术可缓解数据延迟与测量不完整的问题？
• RQ3 如何部署地面与空中传感器，以实现最大空间覆盖与最高数据精度？
• RQ4 在地面与无人机传感中，功耗与数据精度之间的最优权衡是什么？
• RQ5 空间拟合与短期预测如何提升三维空气质量分布图的准确性？

主要发现

• 截至2018年6月，该系统在两所大学校园内成功收集了约100,000个有效数据样本。
• 空间拟合与短期预测显著降低了测量不完整与数据上传延迟的影响。
• 默认的地面采样间隔为30分钟，上传间隔为60分钟，可在精度与电池寿命之间提供实用的平衡。
• 以6–12小时为间隔的空中监测，提供了成本、覆盖范围与数据精度之间的可行权衡。
• 最优的无人机悬停时间约为5秒，可在最小化采样误差的同时最大化可测量位置的数量。
• 功率控制策略有效延长了设备寿命，同时未牺牲关键数据质量，支持长期部署。