基于深度强化学习的农田节点数据无人机采集方法

• 全文链接

关键词：

来源：

CNKI:农业工程学报

全文链接：

//agri.nais.net.cn/topic/downloadFile/829d198e-4967-4831-9945-d4022c31cfa2

来源地址：

https://webvpn.hainanu.edu.cn/https/77726476706e69737468656265737421fbf952d2243e635930068cb8/kcms2/article/abstract?v=lu7GCbFnkC1fyz1NzB4H1sZVNqbA4ZCM7Z0s1YDkYRNmwBN9RBfN91xo71piu0Vx3Ioj72xhZ4lidlcFbTSbTxty5nx2S8V0gwxGO6j0b99ppbCwQlTWIA==&uniplatform=NZKPT

资源所属：

智慧农业发展战略专题

类型：

学术文献

语种：

中文

原文发布日期：

2022-11-23

摘要：

利用无人机采集农田传感器节点数据，可避免网络节点间多次转发数据造成节点电量耗尽，近网关节点过早死亡及网络生命周期缩短等问题。由于相邻传感器数据可能存在冗余、无人机可同时覆盖多个节点进行采集等特点，该研究针对冗余覆盖下部分节点数据采集和全节点数据采集，对无人机数据采集的路线及方案进行优化，以减轻无人机能耗，缩短任务完成时间。在冗余覆盖下部分节点数据采集场景中，通过竞争双重深度Q网络算法（DuelingDoubleDeepQ Network,DDDQN）优化无人机节点选择及采集顺序，使采集的数据满足覆盖率要求的同时无人机能效最优。仿真结果表明，该算法在满足相同感知覆盖率要求下，较深度Q网络（Deep Q Network,DQN）算法的飞行距离缩短了1.21 km，能耗减少27.9%。在全节点数据采集场景中，采用两级深度强化学习联合（Double Deep Reinforcement Learning,DDRL）方法对无人机的悬停位置和顺序进行优化，使无人机完成数据采集任务时的总能耗最小。仿真结果表明，单节点数据量在160 kB以下时，在不同节点个数及无人机飞行速度下，该方法比经典基于粒子群优化的旅行商问题（ParticleSwarm Optimization-Traveling Salesman Problem,PSO-TSP）算法和最小化能量飞行控制（Minimized Energy Flight Control,MEFC）算法的总能耗最少节约6.3%。田间试验结果表明，相比PSO-TSP算法，基于DDRL的数据采集方法的无人机总能耗降低11.5%。研究结构可为无人机大田无线传感器节点数据采集提供参考。