The rapid development of unmanned aerial vehicle (UAV) technology provides flexible communication services to terrestrial nodes. Energy efficiency is crucial to the deployment of UAVs, especially rotary-wing UAVs whose propulsion power is sensitive to the wind effect. In this paper, we first derive a three-dimensional (3D) generalised propulsion energy consumption model (GPECM) for rotary-wing UAVs under the consideration of stochastic wind modeling and 3D force analysis. Based on the GPECM, we study a UAV-enabled downlink communication system, where a rotary-wing UAV flies subject to stochastic wind disturbance and provides communication services for ground users (GUs). We aim to maximize the energy efficiency (EE) of the UAV by jointly optimizing the 3D trajectory and user scheduling among the GUs based on the GPECM. We formulate the problem as stochastic optimization, which is difficult to solve due to the lack of real-time wind information. To address this issue, we propose an offline-based online adaptive (OBOA) design with two phases, namely, an offline phase and an online phase. In the offline phase, we average the wind effect on the UAV by leveraging stochastic programming (SP) based on wind statistics; then, in the online phase, we further optimize the instantaneous velocity to adapt the real-time wind. Simulation results show that the optimized trajectories of the UAV in both two phases can better adapt to the wind in changing speed and direction, and achieves a higher EE compared with the windless scheme. In particular, our proposed OBOA design can be applied in the scenario with dramatic wind changes, and makes the UAV adjust its velocity dynamically to achieve a better performance in terms of EE.


翻译:无人机(UAV)技术的迅速发展为地面节点提供了灵活的通信服务。能效对于UAV的部署至关重要,尤其是旋转翼UAV,其推进功率对风力的影响非常敏感。本文首先推导了一个三维广义推进能耗模型(GPECM),考虑到随机风模拟和三维力分析,适用于旋翼UAV。基于GPECM,我们研究了一种无人机支持的下行通信系统,其中旋翼UAV受随机风干扰飞行,并为地面用户(GUs)提供通信服务。我们旨在通过联合优化GPECM的三维轨迹和GUs的用户调度,最大化UAV的能效(EE)。我们将问题形式化为随机优化问题,由于缺乏实时风信息而难以解决。为了解决这个问题,我们提出了基于离线的在线自适应(OBOA)设计,包括离线阶段和在线阶段两个阶段。在离线阶段中,我们通过利用基于风统计数据的随机编程(SP)对UAV上的风效应进行平均;然后在在线阶段中,我们进一步优化瞬时速度以适应实时风。仿真结果表明,在两个阶段中,UAV的优化轨迹可以更好地适应变化速度和方向的风,并且与无风方案相比,实现了更高的EE。特别是,我们提出的OBOA设计可以应用于风变化剧烈的情况,并使UAV动态调整速度以实现更好的EE表现。

0
下载
关闭预览

相关内容

《无人机与陆军》欧洲陆军互操作中心
专知会员服务
83+阅读 · 2023年2月22日
万字长文!《卫星通信中的人工智能综述》
专知会员服务
58+阅读 · 2022年8月8日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
已删除
将门创投
11+阅读 · 2019年7月4日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
12+阅读 · 2021年6月21日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
已删除
将门创投
11+阅读 · 2019年7月4日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员