无人机启用的无线传感器网络中的节能数据收集附Matlab代码

原创于 2025-12-16 21:06:47 发布 · 785 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#无人机 #网络 #matlab

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、引言

无线传感器网络（WSN）作为物联网感知层的核心组成，已广泛应用于环境监测、工业巡检、智慧农业等领域。然而，传统 WSN 依赖固定 Sink 节点收集数据，存在两大核心瓶颈：一是节点能量受限（多采用电池供电，更换困难），长距离传输导致能耗剧增，缩短网络生命周期；二是复杂地形（如山区、森林）中，固定 Sink 节点难以实现全区域覆盖，数据传输链路易中断。

无人机（UAV）凭借机动性强、部署灵活、覆盖范围广的优势，成为 WSN 数据收集的理想辅助载体。UAV 可作为移动 Sink 节点，主动靠近传感器节点获取数据，大幅缩短节点传输距离，降低能耗；同时能适应复杂地形，突破固定网络的覆盖局限。但 UAV 自身能量同样有限，其飞行与通信能耗直接影响数据收集效率。因此，构建 “节点 - 无人机 - 传输链路” 协同优化的节能数据收集体系，成为解决 UAV-WSN 能耗问题的关键，对延长网络生命周期、提升数据收集效能具有重要现实意义。

当前，节能数据收集技术已从单一节点节能向多维度协同优化演进，涵盖节点分簇调度、UAV 路径规划、数据融合压缩、能量补充等关键方向。例如，基于博弈论的分簇算法可降低簇内节点能耗 28% 以上，而 UAV 轨迹优化结合节点调度能实现能耗与信息时效性的有效平衡，这些技术为 UAV-WSN 的节能运行提供了有力支撑。

二、核心概念与系统架构

（一）UAV-WSN 节能数据收集的核心内涵

UAV-WSN 节能数据收集以 “最小化系统总能耗” 为目标，通过协同优化传感器节点的感知与传输行为、无人机的飞行与通信策略，在保证数据完整性与时效性的前提下，实现节点能量高效利用与无人机能耗优化。其核心特征体现在：

分布式与集中式结合：节点自主调节感知频率与传输功率（分布式优化），UAV 集中规划路径与调度节点（集中式优化）；

多目标平衡：兼顾节点能耗、UAV 能耗、数据传输延迟、信息年龄（AoI）等多指标，避免单一节能目标导致的性能损耗；

动态适应性：能根据节点剩余能量、环境变化、数据优先级动态调整策略，适应复杂应用场景。

（二）系统架构与能耗分布

UAV-WSN 节能数据收集系统通常由感知层（传感器节点）、移动汇聚层（无人机）、应用层（数据处理中心）三级架构组成，各层级能耗分布具有显著差异：

1. 感知层能耗

传感器节点能耗主要集中在数据采集、数据处理、无线传输三个环节，其中无线传输能耗占比最高（约 70%-90%），且与传输距离的平方成正比（自由空间信道模型下）。具体包括：

采集能耗：传感器模块（如温度、湿度传感器）工作产生的能耗，与感知频率正相关；

处理能耗：节点对采集数据进行预处理（如滤波、压缩）的能耗，与数据量及算法复杂度相关；

传输能耗：射频模块发送 / 接收数据的能耗，受传输功率、距离、调制方式影响。

2. 移动汇聚层能耗

无人机能耗分为飞行能耗与通信能耗，飞行能耗占主导（约 80%-95%），具体包括：

飞行能耗：电机驱动无人机起降、悬停、巡航产生的能耗，与飞行距离、载重、风速、轨迹平滑度相关；

通信能耗：无人机与节点、地面中心通信的能耗，受通信距离、数据量、发射功率影响；

辅助能耗：无人机搭载的传感器（如 GPS、视觉模块）工作能耗，占比较低但不可忽视。

3. 能耗耦合关系

各层级能耗存在强耦合性：例如，UAV 飞行路径缩短可减少节点传输距离（降低节点能耗），但可能导致飞行轨迹复杂（增加 UAV 能耗）；节点提高数据压缩率可减少传输能耗，但会增加处理能耗。因此，系统级节能需打破层级壁垒，实现全局优化。

三、关键节能技术与实现方法

（一）感知层节能：节点调度与数据预处理

感知层节能的核心是减少节点无效能耗，通过优化感知、传输行为延长节点生命周期，关键技术包括分簇优化、感知调度、传输功率控制三类。

1. 分簇式节点管理

采用分簇模型将节点划分为若干集群，每个集群选举簇头节点（CH），簇内节点先将数据传输至 CH，再由 CH 汇总后发送给 UAV，可大幅减少节点直接与 UAV 通信的能耗。簇头选举与管理的节能优化方法包括：

基于博弈论的簇头选择：簇内节点以 “能耗最小化” 与 “收益最大化” 为目标进行博弈，通过构建效益函数选取剩余能量高、位置居中的节点作为 CH，降低簇内传输总能耗。例如，DFABGT 算法通过博弈选择低能耗节点，较传统算法节点能耗降低 28%；

簇头轮换机制：定期更换簇头节点，避免单一节点因长期承担汇总与传输任务过早耗尽能量，延长集群生命周期；

动态簇划分：根据节点剩余能量、UAV 飞行轨迹动态调整簇边界，确保 CH 与 UAV 通信距离始终处于最优范围。

2. 自适应感知与传输调度

根据数据优先级与节点能量状态，动态调节感知频率与传输时机，避免无效能耗：

事件驱动感知：非关键场景下采用低频率感知（如每 10 秒 1 次），检测到异常事件（如火灾、设备故障）时自动提高频率（如每 0.1 秒 1 次），减少冗余采集能耗；

能量感知传输：剩余能量低于阈值的节点降低传输功率（仅与簇头通信），优先传输关键数据；能量充足的节点可协助转发弱能量节点数据；

UAV 同步调度：节点仅在 UAV 飞至通信范围内时启动传输模块，其余时间进入休眠状态，避免持续监听导致的能耗浪费。

3. 低能耗数据预处理

节点对采集数据进行本地预处理，减少传输数据量，降低传输能耗：

轻量级数据压缩：采用基于阈值的压缩算法（如删除重复数据、保留关键特征），在保证精度的前提下减少数据量。例如，温度监测中仅传输超出正常范围的数据及变化率；

分布式数据融合：簇内节点通过协作过滤冗余信息，CH 汇总后生成融合数据（如平均值、最大值），而非传输原始数据。DFABGT 算法结合贝叶斯理论的融合方法，数据精确度较传统算法提高 3.9%-21.2%；

特征提取优化：对高维度数据（如振动信号）提取关键特征（如峰值、频率），仅传输特征参数而非原始波形数据。

（二）移动汇聚层节能：UAV 路径规划与能耗优化

UAV 节能的核心是通过优化飞行轨迹与运行策略，降低飞行能耗，同时减少节点等待时间与传输距离，关键技术包括路径规划、飞行控制、能量补充三类。

1. 节能导向的路径规划

UAV 路径规划需平衡飞行距离、节点覆盖、能耗成本，常用方法包括：

基于聚类的路径优化：先将传感器节点聚类（如 K-means 算法），生成若干聚类中心，UAV 按最短路径访问各中心，减少飞行距离。该方法可使飞行能耗降低 20%-35%；

多目标轨迹优化：构建 “飞行能耗 + 节点传输能耗 + 信息年龄” 加权优化模型，通过块坐标下降法（BCD）与连续凸逼近（SCA）算法求解，得到局部最优轨迹。例如，某方案通过优化轨迹使系统能耗与 AoI 实现有效平衡，满足 KKT 最优条件；

动态重规划机制：基于机器学习实时调整轨迹，当 UAV 偏离预设路径时，计算最短衔接路径并优化剩余轨迹，确保能量效率最高。该方法可减少信号中断导致的能耗增加风险；

多 UAV 协同规划：将监测区域划分为子区域，多 UAV 分片负责数据收集，通过任务调度避免路径重叠，整体飞行能耗较单 UAV 降低 40%-60%。

2. 飞行状态节能控制

通过优化 UAV 飞行姿态与操作模式，降低单位距离能耗：

平滑轨迹控制：减少急加速、急减速、频繁转向，采用圆弧过渡的平滑轨迹，可降低 15%-25% 的飞行能耗；

自适应飞行高度：根据节点分布密度调整高度（高密度区域降低高度，低密度区域升高高度），在保证通信覆盖的同时减少飞行阻力；

智能悬停策略：仅在数据量大、节点密集区域悬停，其他区域采用低速巡航收集数据，减少悬停能耗（悬停能耗约为巡航能耗的 1.2-1.5 倍）。

3. 可持续能量补充技术

通过搭载新能源模块或结合地面设施，延长 UAV 续航能力：

太阳能辅助供电：UAV 搭载可折叠太阳能机翼，飞行时展开面积增加 40%，综合能耗降低 37%，适用于光照充足的户外场景；

无线充电补给：在监测区域部署无线充电基站，UAV 剩余电量低于阈值时自动前往充电，或直接为低能量节点补充电能；

电池更换机制：采用可快速更换的电池模块，地面中心通过机械臂实现 UAV 电池的自动更换，减少充电等待时间。

（三）传输链路节能：数据传输与资源调度

传输链路节能通过优化通信参数与资源分配，降低节点与 UAV 的通信能耗，关键技术包括传输功率控制、调制方式优化、数据优先级调度三类。

1. 动态传输功率控制

根据通信距离与信道质量自适应调整发射功率，避免功率过剩导致的能耗浪费：

距离感知功率调节：节点根据与簇头 / UAV 的距离计算最小传输功率（满足信噪比阈值），距离越近功率越低；

信道自适应控制：通过信道质量指示（CQI）实时监测链路状态，信道好时降低功率，信道差时适度提高功率，平衡能耗与传输可靠性。

2. 高效调制与接入策略

采用低能耗调制方式与接入协议，优化通信效率：

低功耗调制：短距离通信采用 FSK（频移键控）调制（能耗低于 QAM 调制 30%-50%），长距离通信采用扩频调制提升抗干扰能力；

TDMA 接入协议：为簇内节点分配专属通信时隙，避免多节点同时传输导致的冲突与重传能耗，较 CSMA/CA 协议减少 20%-30% 的通信能耗。

3. 数据优先级调度

按数据紧急程度分配传输资源，优先传输关键数据，减少非关键数据的无效能耗：

优先级划分：将数据分为紧急（如故障报警）、重要（如周期性监测数据）、普通（如冗余信息）三级；

资源分配：紧急数据采用高传输功率、短时隙等待，普通数据采用低功率、伺机传输，确保关键数据可靠传输的同时降低整体能耗。

四、优化模型构建与求解方法

3. 求解流程

以 “BCD+SCA” 联合算法为例，求解流程如下：

参数初始化：输入节点位置、剩余能量、数据量、UAV 性能参数；

路径离散化：将 UAV 连续轨迹离散为若干采样点，简化优化变量；

分块优化：交替优化 “UAV 轨迹”“节点传输功率”“节点调度策略” 三个子块；

凸逼近处理：对非线性约束（如飞行能耗函数）进行凸近似，转化为凸优化问题求解；

收敛判断：若相邻迭代目标函数差值≤阈值，输出最优解；否则返回步骤 3。

五、性能评估与典型应用场景

（一）性能评估指标

为客观评价节能数据收集方案的有效性，需结合能耗、效率、可靠性多维度指标：

1. 能耗指标

节点平均能耗：单位时间内节点消耗的能量，反映节点节能效果；

UAV 单位距离能耗：无人机飞行单位距离的能耗，反映路径优化效果；

系统总能耗：节点与 UAV 能耗之和，衡量全局节能性能。

2. 效率与可靠性指标

网络生命周期：从部署到首个节点失效的时间，节点节能的核心评价指标；

数据传输成功率：成功接收的数据量与总发送数据量的比值，反映通信可靠性；

平均信息年龄（AAoI）：数据生成至接收的平均时间，反映时效性；

覆盖完整性：UAV 轨迹覆盖的节点比例，确保无数据丢失。

3. 评估方法

采用仿真实验与实物测试结合的方式：

仿真工具：使用 NS-3、MATLAB/Simulink 构建 UAV-WSN 模型，模拟不同场景下的能耗与性能；

实物测试：采用低功耗节点（如 CC2530）与小型无人机（如大疆 Mavic 3）搭建测试平台，验证算法实际效果。

（二）典型应用场景

1. 智慧农业监测

在大面积农田监测中，UAV-WSN 节能数据收集可实现土壤湿度、光照强度等参数的高效采集：

节能策略：采用分簇管理（每 50-100 个节点为一簇），UAV 按作物生长区域规划平滑轨迹，节点采用事件驱动感知（湿度低于阈值时提高采集频率）；

效果验证：较传统固定 Sink 方案，节点生命周期延长 2.3 倍，UAV 飞行能耗降低 35%，数据传输成功率保持在 98% 以上；

核心价值：减少农田布线成本，适应复杂地形，降低农业监测的能源消耗与维护成本。

2. 工业设备巡检

在工厂设备巡检中，UAV-WSN 用于采集设备振动、温度等数据，实现故障早期预警：

节能策略：节点采用 TDMA 协议传输数据，UAV 基于设备分布聚类规划路径，优先传输振动异常数据（紧急优先级），结合太阳能机翼补充 UAV 能量；

效果验证：节点传输能耗降低 42%，UAV 续航时间延长至 8 小时，故障数据传输延迟≤0.5 秒；

核心价值：替代人工巡检，降低高危环境作业风险，同时通过节能设计减少工业监测的能源投入。

3. 环境灾害监测

在森林火灾、地质灾害监测中，UAV-WSN 需在恶劣环境下实现长期数据收集：

节能策略：节点采用低功耗休眠模式（每 5 分钟唤醒一次），UAV 采用动态重规划轨迹（避开障碍物），结合无线充电基站补充能量；

效果验证：节点在电池容量 1500mAh 下可连续工作 6 个月，UAV 在风速 5m/s 环境下能耗增加不超过 10%；

核心价值：实现灾害区域的无人化监测，为应急救援提供及时数据支持，同时降低恶劣环境下的设备维护频率。

六、挑战与未来发展方向

（一）当前面临的核心挑战

多约束动态优化难题：节点剩余能量、环境干扰、数据优先级等动态变化，现有静态优化模型难以适应，导致实际能耗偏离最优解；

UAV 续航与负载平衡：搭载太阳能机翼等设备虽能延长续航，但增加负载导致飞行能耗上升，二者平衡难度大；

低信噪比下的节能通信：复杂环境（如森林、城市峡谷）中信道质量差，需提高传输功率保障可靠性，与节能目标产生冲突；

大规模网络调度复杂度：节点数量超过 1000 时，分簇与路径规划的计算复杂度呈指数增长，实时性难以保证。

（二）未来发展方向

AI 驱动的自适应优化：构建基于强化学习（RL）的动态优化模型，UAV 通过与环境交互自主学习最优策略，实时调整路径与节点调度。例如，采用 DQN 算法使 UAV 根据节点能量变化动态优化轨迹，能耗降低 15%-20%；

新能源与轻量化设计：研发柔性太阳能电池与轻质复合材料，在增加续航的同时降低 UAV 负载；探索氢能动力 UAV，实现长时零碳飞行；

智能通信与抗干扰技术：融合自适应调制与稀疏码扩频技术，在低信噪比下保持低功率传输；引入区块链实现节点可信通信，减少恶意干扰导致的重传能耗；

边缘计算与数据压缩融合：在 UAV 与簇头节点部署边缘计算模块，采用深度学习进行数据压缩与特征提取（如 CNN 压缩算法），数据量减少 60% 以上，降低传输能耗；

空天地一体化网络协同：结合卫星、无人机、地面基站构建立体网络，远距离数据通过卫星传输，近距离通过 UAV 收集，实现全局能耗优化。

七、结论

无人机启用的无线传感器网络中的节能数据收集技术，通过感知层节点调度、移动汇聚层路径优化、传输链路资源分配的协同设计，有效解决了传统 WSN 节点能耗高、覆盖局限的难题。其核心逻辑在于 “缩短传输距离降低节点能耗，优化轨迹减少 UAV 能耗，数据融合减少无效传输”，通过多目标优化模型与高效求解算法实现全局能耗最小化。

在智慧农业、工业巡检等场景的应用表明，该技术可使节点生命周期延长 2 倍以上，UAV 能耗降低 30% 以上，同时保证数据时效性与可靠性。尽管当前面临动态优化、续航平衡等挑战，但随着 AI、新能源、边缘计算等技术的融入，未来将朝着自适应、长续航、智能化的方向发展，为大规模物联网的节能运行提供核心支撑。