面向无人机辅助异构物联网传感器网络的协议感知有界中断路由
《Ad Hoc Networks》:Protocol-aware bounded-blackout routing for UAV-assisted heterogeneous IoT sensor networks
【字体:
大
中
小
】
时间:2026年09月23日
来源:Ad Hoc Networks 5.4
编辑推荐:
无人机(UAV)可以从间歇性连接的物联网(IoT)传感器中收集缓冲数据,但即使是一条短路线,仍可能包含一个没有收到新数据的长间隔。我们将已知配置下的离线采集问题形式化为协议感知的有界黑屏路由问题,其中最大黑屏时间是从出发到返回期间最长的无数据间隔。路线评估器在第一个可行的无线
无人机(UAV)可以从间歇性连接的物联网(IoT)传感器中收集缓冲数据,但即使是一条短路线,仍可能包含一个没有收到新数据的长间隔。我们将已知配置下的离线采集问题形式化为协议感知的有界黑屏路由问题,其中最大黑屏时间是从出发到返回期间最长的无数据间隔。路线评估器在第一个可行的无线电接触点停止,应用协议特定的距离、速率、睡眠、恢复、切换和预期损耗项,并执行黑屏预算和25分钟任务续航限制。我们证明了最近邻路由在最大黑屏时间方面可能比协议感知顺序差得多,并通过限制到欧几里得瓶颈旅行商问题证明了NP难性。我们评估了一个透明的候选池启发式方法,与穷举搜索、面向时间且目标匹配的GA/PSO、Q学习及神经-Q混合体、以及经过调整的2024年动作掩码PPO调度器进行对比,所有方法使用相同的评估器。在50个随机的14节点场景中,提出的路由器获得了63.8秒的平均最大黑屏时间,其中一次违反黑屏预算,两次违反黑屏/续航联合约束。在该样本中,其黑屏值与目标匹配的GA/PSO没有显著差异,但其观察到的平均任务时间更短。在12个枚举的8节点实例上,提出的路由器在所有情况下都满足两个约束条件,并且与精确的约束解相比,平均可行时间差距为5.9%。在基于文献和基于公开测量的配置下,14节点工作负载中有11/50和12/50是联合可行的;匹配的六节点缩减批量检查将每种配置下的可行性提高到了38/50。相位和混合配置扰动表明,该结果仅对足够精确的配置提供离线规划保证,否则需要保护余量或重新规划。
稀疏传感器和物联网部署通常在没有稳定的端到端基础设施的情况下运行。在环境监测、农业、基础设施检查和紧急感知中,地面节点可能会缓冲测量数据,直到移动采集器进入接触范围。移动汇聚点和数据骡机被引入用于这种稀疏或间歇性连接的传感器网络,而无人机现在提供了同样想法的灵活空中实现[1]、[2]、[3]。定期成功接收的需求在已部署的监测任务中也很明显:如大鸭岛栖息地监测部署从偏远站点收集环境读数,活火山部署从危险地形传输地球物理测量数据,农村/森林火灾传感器网络部署旨在早期检测和验证火灾事件[4]、[5]、[6]。这些应用不同传感器模态和基础设施,但它们共享一个路由含义:一个没有收到新数据的长间隔可能会隐藏环境变化或延迟警报。对于此类任务,只有当路线反复将缓冲读数转化为已接收数据时才是有用的。因此,路由问题不仅是采集器如何高效移动,还包括成功的数据接收事件何时发生。
当采集通过几何距离、总任务时间或平均链路质量进行总结时,这个无数据间隔很容易被忽略。无人机可能在物理上靠近一个节点,但仍然无法立即接收其负载数据。该节点可能处于睡眠状态,重连缓慢,以低速率运行,或受到协议特定干扰的影响。在结合具有LoRa、ZigBee、BLE和Wi-Fi级别行为的节点或候选接口的异构部署中,这些效应变得更加明显,因为它们的距离、速率、发现延迟、设置和重连成本、占空比、竞争行为和干扰敏感性差异很大[7]、[8]、[9]、[10]、[11]、[12]。因此,一条看似高效的路线仍可能在采集过程中造成长时间的通信黑屏。图1总结了这种任务驱动的观点:无人机路线由成功数据接收的时机来判断,最大黑屏时间是没有收到数据的连续间隔中最长的一个。
现有的移动采集器和无人机辅助传感器网络研究优化了相关但不同的量。能量感知公式减少了飞行、悬停或传感器端通信成本[13]。飞行时间、任务完成和时间窗口公式联合优化无人机运动和采集计划[14]、[15]、[16]。新鲜度感知研究优化信息年龄(AoI)或新鲜数据目标以实现及时采集[17]、[18]。通信感知路由方法使用轨迹-通信协同设计、无线电地图或蜂窝覆盖模型来在飞行期间保持链路质量[19]、[20],基于学习的方法可以在模拟或基于测量的环境中学习数据收集策略[21]、[22]、[23]。许多这些公式优化成本、新鲜度或链路质量,但它们通常不将路线级别的最大无数据间隔作为显式约束。当接触机会依赖于协议状态和间歇性节点可用性时,那个最坏间隔是一个不同的路由对象,而不是平均链路质量、总延迟、能量或新鲜度的直接结果。
因此,本文将成功的数据接收时机作为路由决策的一部分。我们研究了在最大黑屏目标下的无人机辅助异构物联网采集,其中最大黑屏时间是任务期间最长的无数据间隔。核心问题是,当每个传感器节点都具有协议依赖的接触延迟、重连成本、睡眠窗口、切换成本、数据速率、丢包行为和无线电障碍物敏感性时,任务受限的移动采集器应该如何排序其访问。关键思想是在选择路线之前规划这些协议依赖的接触机会,而不是事后将其作为平均惩罚附加。如果采集任务无法容忍长时间的无数据间隔,路线必须直接暴露并约束最坏间隔。
本文识别了一种对距离、任务时间、平均间隔和新鲜度风格目标不可见的协议时序故障模式;将该故障模式形式化为路线级别的最大黑屏约束;并测试当该约束被显式化时路线选择如何变化。本研究专注于小中型异构物联网采集场景的已知配置离线规划,并使用透明的候选池路由器来暴露约束操作点。
本文做出四项贡献。首先,它将无人机辅助的异构物联网采集形式化为间歇性连接传感器网络的有界黑屏移动数据采集问题。其次,它引入了最大黑屏作为路线级别的接触风险指标,该指标补充了延迟、能量、AoI和平均链路质量,同时捕捉了不同的故障模式。第三,它证明了一个结构性分离:仅基于距离的最近邻顺序在最大黑屏时间方面可能比最小化最大黑屏的顺序差得多,而当所有接触是同质的且总是唤醒时,导致分离的协议时序机制会消失。第四,它通过机制检查、精确小实例比较、目标匹配和学习族基线、多场景随机套件、基于配置的重新运行、可扩展性检查和时序不确定性测试来评估约束公式。这些实验共同展示了在已知协议配置下约束路线选择何时成立,以及部署测量如何专门化无线电和时序输入。
移动汇聚点和数据骡机是对稀疏或能量受限传感器网络的一种经典响应。这种观点与自组织和传感器网络关注点密切相关:移动性改变接触机会,路由与调度耦合,采集性能取决于节点何时可达。
任务在一个二维区域中进行。一架无人机从仓库点$o\in\mathbb{R}^2$出发,以恒定速度$v$飞行,访问一组地面节点$V=\{1,…,n\}$,然后返回仓库。节点$i$有位置$p_i$、数据量$d_i$和协议标签$\text{proto}(i)\in\mathcal{P}$。一条路线是一个排列$\sigma=(\sigma_1,…,\sigma_n)$。我们写成$p_{\sigma_0}=o$。每个节点在离线采集计划中被访问一次,并持有缓冲负载,在首次成功传输后即被认为是已采集的。
本节表明最大黑屏路由在结构上不同于仅几何路由。该结果是构造性的,并与公式(13)中的成本模型相匹配。
**命题1 结构性分离**
存在一个UAV-IoT采集实例族$\{\mathcal{I}_T\}_{T>0}$,使得
$$\frac{B(\sigma_{NN})}{B(\sigma^*)}\to\infty \text{当}T\to\infty$$
其中$\sigma_{NN}$是仅基于距离的最近邻顺序,$\sigma^*\in\arg\min_\sigma B(\sigma)$是最小化最大黑屏的顺序。如果每个协议都被替换为一个共同的总是唤醒配置,则黑屏目标变为一个与协议无关的
比较使用一个共同的路线评估器和多个路线构建族。仅基于距离的方法重复访问最近的未访问节点。普通采集考虑负载大小和平均通信服务时间,但忽略了协议特定的睡眠、重连、切换和无线电障碍物效应。协议感知方法构建贪婪的协议感知种子,并通过局部交换和段反转搜索来改进,以在公式(13)的完整成本模型下最小化任务时间。
参考场景是一个1000m×1000m的区域,包含一架无人机、14个异构物联网节点和四种协议:LoRa、ZigBee、BLE和Wi-Fi。每种协议具有不同的通信半径、速率、设置时间、重连惩罚、睡眠周期、唤醒窗口、丢包和切换惩罚(表3);睡眠周期和唤醒窗口遵循占空比模式,其中节点在其周期的少数部分保持唤醒,因此最大黑屏目标取决于访问顺序,而不是一个
在使用异构协议配置作为规划假设之前,我们使用配置为Wi-Fi HTTP地面节点的UNIHIKER K10板进行了针对性的硬件规模检查。采集器每秒向该节点发出一个请求,同时该板保持与同一接入点的关联。如表7所示,K10日志包含390个成功响应对应390个请求,平均响应延迟为197.0毫秒。这种静态、短距离的HTTP请求-响应检查在连续
主要教训是接触连续性不是高效移动的子产物。最大黑屏暴露了平均通信指标可能隐藏的路线级别连接风险,并且协议异构性不仅改变通信成本,还改变了首选采集顺序。因此,路由器选择可以与任务黑屏和续航限制相匹配:协议感知搜索较轻,而约束候选池花费更多计算来联合过滤路线。
本文研究了无人机辅助数据采集,作为间歇性连接的异构物联网传感器网络中的移动采集器路由问题。路线不应仅根据无人机移动的效率来判断,还应根据采集过程是否在任务期间持续产生成功的数据接收事件来判断。在异构协议和间歇性节点可用性下,这一区别很重要:一条路线可能在传统目标下是高效的,但仍然
**CRediT作者贡献声明**
Zhenzhen Pei:原始草稿撰写、软件、方法论、概念化。Li Feng:审阅与编辑、监督、项目管理、方法论、资金获取、概念化。
**声明在稿件准备过程中使用生成式人工智能和人工智能辅助技术**
在准备本工作期间,作者仅使用DeepSeek进行英语润色。作者审阅并编辑了输出内容,并对出版内容的全部责任负责。
**资金**
本工作由澳门特别行政区科技发展基金资助(项目编号0008/2025/RIB1和0036/2026/RIB1),以及广东省青年拔尖人才支持计划资助(编号2025TQ09X823)。
**利益冲突声明**
作者声明以下财务利益/个人关系,可能被视为潜在的利益冲突:Li Feng报告了由澳门特别行政区科技发展基金提供的资金支持。如果有其他作者,他们声明没有已知的竞争性财务利益或个人关系可能影响本论文中报告的工作。
Zhenzhen Pei | Li Feng
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号