详情

原文传递多无人机辅助的车联网中的资源分配和轨迹优化

论文题名：	多无人机辅助的车联网中的资源分配和轨迹优化
关键词：	多无人机辅助;多智能体强化学习;资源分配;轨迹优化
摘要：	无人机（UnmannedAerialVehicle,UAV）作为一种灵活的、便于布置的新兴边缘服务器被广泛应用在边缘计算网络中。车联网（InternetofVehicle,IoV）和边缘计算相结合的车联网边缘计算优化问题是时下热门的研究内容。在某些车流量时段性差别大的路段、路边单元意外损坏以及服务器容量不足的区域中，无人机可以充分利用其灵活性搜集车辆信息、转发车辆任务数据以及利用其有限的计算资源为车辆提供边缘计算服务。然而，单架无人机在为地面车辆服务的过程中存在许多限制并且需要其他基础设施辅助。本文研究了多架无人机辅助的车联网架构，该架构是由车辆、无人机以及其他边缘服务器组成的三层网络架构。车辆可以将状态信息、任务数据等传输到无人机上，无人机接收数据后可以直接解决或者转发到其他服务器上进行辅助计算解决。同时，针对无人机的通信资源、计算资源以及其能量有限问题，本文研究了无人机的资源分配、轨迹规划以及能量优化问题，保证利用有限的资源对地面车辆提供良好的服务质量的同时最大化每个边缘节点的效用。　　首先，本文研究了多无人机辅助的车辆网络中的资源分配和轨迹优化问题。根据环境中的实时车辆任务状态、无人机服务状态对信道资源进行分配；根据无人机当前任务冗余量、计算资源状态动态地卸载转发部分任务数据到其他边缘服务器进行辅助计算；根据车辆以及无人机的位置状态对无人机的轨迹进行实时规划从而减小通信时延。根据对场景中车辆任务完成的时间延迟进行建模发现，关于方案中的无人机的轨迹移动、资源分配以及动态卸载问题是一种混合整数非线性问题。本文将上述问题中的整数和非整数变量分开进行求解，并提出一种拓展的多智能体强化学习算法来实现无人机的资源分配以及轨迹优化。这种算法结合了多智能体深度确定性策略迭代算法、资源分配算法以及聚类算法三种算法，能够有效地解决上述混合整数非线性问题。　　其次，本文继续研究了在城市环境中无人机辅助的车辆网络中的轨迹规划和能量优化问题。在城市环境中，考虑到建筑物的遮挡问题，无人机和车辆之间的通信信道需要综合考虑视距通信和非视距通信两种信道的影响。本文基于固定翼无人机能量消耗模型研究了无人机轨迹规划过程中的能量优化问题，采用了多智能体强化学习算法得到无人机在三维空间三个方向上的连续加速度策略从而实现无人机的能量优化。由于无人机是无源式设备，无人机的能量是有限的，有效的能量管理策略不仅可以延长无人机的服务时长，更能够优化无人机作为边缘服务器的节点效用。　　最后，本文通过大量的仿真实验对所提出的问题解决方案进行了实验验证。通过和单智能体强化学习算法的对比，得出多无人机联合服务场景中拓展的多智能体强化学习算法的优越性。通过了其他基准实验的对比验证了本文提出的解决方案对资源分配、轨迹优化以及能量管理的有效性和优越性。无人机轨迹优化情况下的任务完成平均时延相对于静止的无人机场景下可以降低50%。城市环境下无人机协同合作完成任务的能量消耗相对于单无人机来讲可以减少40%。
作者：	谭露
专业：	信息与通信工程
导师：	张光林
授予学位：	硕士
授予学位单位：	东华大学
学位年度：	2022