基于深度强化学习的农田节点数据无人机采集方法

• Published in: 农业工程学报 Vol. 38; no. 22; pp. 41 - 51
• Main Authors: 胡洁, 张亚莉, 王团, 望梦成, 兰玉彬, 张植勋
• Format: Journal Article
• Language: Chinese
• Published: 国家精准农业航空施药技术国际联合研究中心,广州 510642%华南农业大学工程学院,广州 510642 2022; 国家精准农业航空施药技术国际联合研究中心,广州 510642%华南农业大学电子工程学院,广州 510642%华南农业大学工程学院,广州 510642; 华南农业大学电子工程学院,广州 510642
• Subjects: DQN; 无人机; 深度强化学习; 数据采集; 节点感知冗余; DRL
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.22.005

S126%S-3; 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(Dueling Double Deep Q 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(Particle Swarm 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.