未来科技:云计算与通信

未来科技探索 多重无人机系统：超越其总和 文| Bernhard Rinner， Christian Bettstetter， Hermann Hellwagner， Stephan Weiss　克拉根福大学 译|程浩然 现在，无人机已经从笨重的平台进化为灵活的设备，将多个无人机组合成一个集成的自主系统、提供单个无人机无法实现的功能的挑战也已经出现。这样的多机系统需要连接、通信和协同。我们将讨论这些构件及其案例研究和经验教训。 小型且人性化的无人机在许多领域实现了新的应用[1，2]。它们通过实时航拍视频协助救援人员，并在灾难或封锁时运输紧急货物。它们在精准农业和基础设施检查方面发挥着突出作用。 **代无人机是远程控制无人驾驶飞行器（UAV），其传感和导航能力有限。当今的2G系统具有自动航点飞行、高分辨率传感器和无线连接功能。第三代无人机将在导航和决策方面提供更高水平的自主性。单个无人机孤立运行系统将向多个无人机作为综合网络系统集体运行的系统发展。当然，多架无人机执行某些任务比单架无人机更快或更好。除此之外，无人机可以协同和合作，以实现比其各部分之和更多的新功能。例如，在空中检查时，我们需要几架协同的无人机在空中从不同的视角同时感知一个区域，然后进行数据的交换和融合。 这样的多架无人机系统（MDS）是我们在克拉根福大学研究了10多年的课题。本文介绍将多架无人机转换为MDS所需的三个关键构建块：连接、通信和协同。连接模块提供无人机与地面无线互联的硬件和软件；通信模块处理连接之上的数据分布；协同模块管理需要执行的任务。考虑到有限的板载资源，我们讨论了这些模块的功能和设计挑战，报告关于构建块的三个案例研究，并对经验教训进行讨论。 从单一系统到 MDS 典型无人机上的基本数据处理遵循在多个级别执行的感知-处理-执行循环。低级飞行控制对来自传感器（如惯性测量单元、全球导航卫星系统(GNSS)、气压计和摄像机）的数据进行采样和融合，并执行控制算法以100～1000Hz 的速率设置转子的执行器。它可以稳定无人机的位置和姿态，并提供基本的控制模式，例如手动和航点飞行。高级飞行控制可以分配给中级处理。它利用额外的传感器（如更多的摄像头和距离传感器）来监测附近的环境并对障碍物做出反应。其需要额外的数据融合和目标检测，通常以2～30Hz 的速率进行处理。来自摄像机和相关传感器的数据用于生成类似地图的环境表征，作为对如何完成整体任务的长期推理的输入。长期推理对于提高自主性至关重要，包括学习、规划和优化。高级推理的时序要求比低级控制更宽松。 图1描绘了MDS的架构，在每个无人机中具有扩展的感知-处理-执行循环。蓝色弧线表示从传感器到执行器的数据流，区块代表关键功能单元。中央区块包含机载高级处理，包括编码知识和可用推理。这些知识包括无人机的信息（如感知和运动能力、位置和姿态）、环境（如地图数据及其他无人机和物体的位置），以及任务（如路线和目标位置）。这些知识在任务开始之前提供，并在任务期间不断更新。图1中的橙色组件描述了将单个无人机转换为MDS的基本组件。通信模块在无人机之间分配数据并依赖于连接组件。协同模块负责在无人机之间共享知识并调整推理技术，使无人机共同采取行动完成任务。 MDS是一个分布式的嵌入式系统，具有严格的实时性要求和动态变化的处理、传感和能源约束。因此，所有的功能都必须与可用的资源和任务的要求保持一致。在某些情况下，机载可用资源是不够的，因此有必要将计算连同相关数据一起卸载到地面站或网络边缘的其他信息结构上。图2显示了MDS中的分布式处理，计算可以在机上或机外进行。 图1 MDS的结构：单个无人机的基本数据处理被连接、通信和协同等基本功能所扩展 图2 MDS中的计算在本地进行（本地数据的机载处理），并与其他无人机协作（从其他无人机接收的数据的机载处理）。由于资源限制，计算可能被卸载到边缘计算基础设施或地面站计算的卸载必须考虑额外的延迟。转移的决定基于机外计算的周转时间T进行计算，其可以估算为： （1） 其中，P 代表机载处理时间；S 代表无人机边缘计算的加速；τ代表通信延迟；D代表机外单元的传输数据量；R代表数据传输率。 协同 协同包括知识共享、联合决策，以及向处理节点分配计算任务。协同存在着不同的层次：从高层次的功能（如全系统任务和资源的分配）到低层次的控制（如防撞、飞行编队与状态估计的联合感知器使用）。在特定的MDS中，解决协同的方式在很大程度上取决于任务类型和不同约束的重要性。事实上，设计空间是巨大的：必须考虑到不同的约束条件，如能源、连接性、时间期限和物理有效载荷。此外，不同的实现方式（离线与在线、集中与分散、固定与自适应、显式与隐式数据交换）和优化方法也被使用[3]。 离线协同发生在任务开始之前，通常将任务设定为具有各种约束条件的优化问题，并利用先进的优化或近似技术来寻找（接近）*优解[4]。离线协同的计算量不那么关键，但它只能在任务开始之前利用有关任务的信息。例如，由系统动态或故障引起的意外变化必须在任务期间由在线技术进行补偿。 计算量对在线协同变得更加重要。在中心化的在线协同中，只有一个实体负责协调工作，因此需要关于任务进展的完整信息。在分散的在线协同中，任务处理在多个实体中发生，每个实体都有关于任务的部分信息。自组织代表了分布式在线协同的一个特殊情况，在这种情况下，多个无人机执行简单的规则会产生一个连贯的群体行为。 无线连接 MDS需要强大的、高速率的、低延迟的连接，以传输指令、图像和视频以及其他数据。在这方面，各种通信技术、协议和系统已被研究[5]。由于Wi-Fi 并不总能满足无人机应用的要求，因此有必要将无人机整合到当前和未来的蜂窝网络中。在目前系统中的一个关键点是，空中设备是由基站天线的侧翼提供服务的。因此，它们的吞吐量通常比地面用户低，并与远处的基站建立视线范围内的无线电连接，而地面用户几乎看不到。这些非典型的连接导致了一些问题，因为它们导致了干扰[7]和频繁的挂断[8]。无论是上行还是下行，其性能都会受到影响，甚至影响到正常的地面用户，当部署了许多无人机时尤甚。将无人机接入商业4G 网络的经验表明，在特定设置下，平均下行链路吞吐量从地面的65 Mbit/s 下降到典型的飞行高度150米时的约20 Mbit/s左右[9]。 这些挑战已经被第三代合作伙伴计划标准（3rdGeneration Partnership Project，3GPP）所接受，不同的工作组希望确保5G 网络能够满足无人机应用的需求。一旦部署了无线连接解决方案，无人机就可以通过这一基础设施进行高速率和低延迟的通信，以将其用于其他目的，例如计算和数据融合。 通信 每架无人机中都存在一套通信组件，负责向地面和其他空中设备交换和分发传感数据、控制和协调信息。通信必须支持其他组件，尤其是本地处理和整体协调活动，以达到令人满意的系统性能[10]。需要通信的数据是多种多样的（如在尺寸、效用、优先级和发送者-接收者模式方面），并取决于具体的任务，但它们通常涉及图像、图像片段或描述符、地图、状态信息、任务目标和指令，以及参与联合决策和协调的交通。决策和通信过程必须在计算和能源方面的限制下实时进行。 在多机器人系统通信领域，通信通常被视为数据分布优化，即决定什么数据在何时、如何、与谁交换，以实现良好的整体系统性能，同时*大限度地减少资源利用。我们的工作涉及通信、协调和传感的密切相互依存关系[10]，并提出了一个效用模型来评估和优化通信策略[11]。其他方法来自优化、运输和博弈论等领域[12]。 边缘计算为从无人机上卸载处理任务提供了有趣的选择： （1）卸载自然集中的任务，例如，从MDS设备提供的单个地图片段建立一个整体地图。 （2）卸载繁重的计算，例如，基于视觉的导航MDS任务中的图像特征检测和跟踪。 （3）卸载无人机的整个低水平控制周期以及它们的协同任务，例如，当资源非常有限的无人机只作为“飞行传感器”时。 在所有情况下，如式（1）所示，无线连接必须保证高数据率。更重要的是，在这三个例子中，对低延迟通信和边缘快速响应的要求有所增加，后者代表了一个真正的5G 使用案例，即非常可靠的低延迟通信。 多重无人机案例研究 我们的三个案例研究在实现协同和连接的MDS功能方面有很大的不同，但在低层处理和应用场景方面有相似之处。 区域监控 配备摄像头的无人机监测一个感兴趣的区域，以协助灾难中的救援人员。无人机定期飞越该地区，捕捉图像，并将其发送到地面站，在那里生成和分析概览图像。在任务开始时，操作者在电子地图上指定感兴趣的区域和参数，如禁飞区、目标分辨率和优先区域。 该系统采用离线合作的方式，时间要求宽松。特别是，区域划分、图像采集的位置分配和路线规划被建模成一个混合整数线性规划问题，在地面站使用先进的启发式方法进行近似计算。在任务开始前，生成的飞行计划会上传到无人机上。在任务期间，无人机会自动遵循其计划，以要求的质量捕捉图像，并将其发送到地面。操作员可以在任务执行过程中跟踪概览图像的更新。 图像传输的连接性和延迟性对救援行动至关重要。为了减少延迟，特别是在低连通性的地区，我们在机上逐步对图像进行多种质量等级的编码，并按优先顺序向地面传输数据。每张图像被分割成不同的层，包含不同分辨率的部分，安排在五个优先队列中传输。新覆盖区域的低分辨率部分具有*高优先级，而高分辨率部分具有较低的优先权。每个优先级队列都是先进先出的队列，只有在所有较高优先级队列为空的情况下才会传输图像层。图3描述了优先数据传输的效果。即使无人机正在监测一个低连通性的区域[图3(a)中无人机路线的绿色痕迹]，高优先级数据的传输也几乎不会停止，低分辨率图像被获取后立即在地面站使用，除了图3(b)中无人机3在任务期间[70，160]s 的图像。然而，来自无人机2和无人机3的全分辨率图像的传递却明显延迟[图3(c)]。 灾难往往会蔓延至广泛的地区，单一的地面站无法覆盖。因此，通过连通来增强合作性，并规划飞行路线，使其通过中继无人机与地面站保持连接是有意义的[4]。由于这个路由问题是NP-Hard 问题，我们应用合作规划启发式方法，有效地找到整体覆盖时间短的路线。 紧急模式 自然界中存在许多实体以自组织方式协调的现象。其中有同步（时间协调）和集群（空间协调）这两个重要的例子。这两个过程在很大程度上是相互独立的，直到一个数学模型被提出，来引入它们之间的相互作用[14]。例如，相邻的实体可能同步得更快，而紧密同步的实体可能在空间上相互吸引。在这个模型中定义的实体，称为“蜂群”（Swarmalator），出现在不同类型的时空模式中。 我们改编和扩展了蜂群模型，用于移动机器人技术[15]。除了视觉上的吸引力，这种模式的形成也有利于立体摄影、艺术无人机表演和其他应用。我们的博士生在Crazyflie 四轴飞行器上实现了该模型，并在我们的无人机大厅展示了一个空中群（见图4）。从理论到实践的主要挑战是将时间连续、无延迟的耦合模型映射到时间离散、延迟鲁棒的协议中，以实现资源高效的交互。 通过这种方法，无人机可以形成2D 和3D 图案，如圆形或球形，无论是静态还是移动。这些图案的出现不需要对飞行路径进行明确的编程，而且是自适应的，这意味着无人机离开或加入到这个区域是由系统处理的。原则上，在线算法可以在机上或通过服务器集中运行。它涉及低容量数据（位置和时间状态）的交换，但需要鲁棒的连接。 自主导航 自主导航要求无人机可靠地定位自己，找到通往目标位置的有效路线，并沿着这些路线安全移动。理想情况下，所有这些功