无人机在灾害管理中的应用

用于灾害管理的无人机

1 引言

大规模的自然灾害通过造成巨大且往往无法预测的生命和财产损失，考验着人类最基本的生存本能。不同类型的自然灾害，如气候学的（极端温度、干旱和野火）、气象的（热带风暴、飓风、沙尘暴和强降雨）、水文的（山洪、泥石流和洪水）以及地球物理的（地震、海啸、火山、滑坡和雪崩），已导致大量人员死亡和巨大的经济损失[1]。根据慕尼黑再保险公司（慕尼黑再保险 无日期）在2017年发布的报告，2004年发生的海啸是过去四十年中全球最致命的自然灾害，这场灾害几乎夺去了22.2万人的生命。同样，地震2010年1月影响海地的灾害是造成约15.9万人死亡的全球第二致命灾害。此外，根据美国地质调查局（USGS）进行的另一项调查，近31.6万人死亡，3000万人受伤，130万人流离失所[2]。除了上述人员伤亡外，数十亿美元被投入灾后重建，造成了巨大的经济损失。根据另一项统计数据，2011年日本地震和海啸造成的经济损失接近2100亿美元[3]。为了预测和识别自然灾害的发生，以便及时应对并减少人员伤亡和经济损失，因此有必要建立一个增强型、高效的网络辅助灾害管理系统[4]。

无人机（UAV）已展现出应对人类面临的一些最具挑战性任务的能力，例如自然灾害。开发和部署基于无人机的解决方案已引起全球学术界和工业界的广泛关注。尽管自然灾害无法避免，但通过一个全面且高效的灾害管理系统，其影响可以得到显著缓解。时间是灾害管理成功最关键的要素。如何快速评估灾害影响的程度，并针对紧急且最严重的情况设计合理的灾害应对措施，是一个具有挑战性的问题。

仅依赖地面应急响应的传统灾害管理系统存在信息收集和灾害评估效率低下、受灾群众识别缓慢以及通信服务受限（包括延迟大、带宽低的卫星通信）等问题。灾难救援人员面临的进一步挑战是物流问题。在发生严重灾害事件后，受灾地区的街道和道路可能被碎片堵塞或损毁，如何快速抵达灾区和受灾群众成为成功实施灾害管理的最关键因素。一个典型的灾害案例是尼泊尔发生的7.8级地震，造成9000人死亡，2.3万人受伤 [5]。

大量的研究努力致力于减少自然灾害对人类社会和环境的不利影响。无人机已被引入灾害管理中，以增强灾害响应能力、应对极端环境条件并及时开展救援工作[6]。在灾害事件中，无人机可为救援人员提供灾害环境的鸟瞰图，这对于包含数据收集、受困者定位和救援优化的综合灾害管理系统至关重要。

无人机可融入灾害管理生命周期的各个阶段。警察部门、消防队和灾害应对部门将能够使用中型和小型无人机，并将其整合到救援工作中。在灾前阶段，无人机可与现有的预警系统结合，准确预测灾害发生的时间和范围，并通过防灾计划减少灾害可能造成的经济和物资损失。灾害发生期间，无人机可提供高分辨率实时图像，即使是难以到达的区域，也能快速生成精确的灾害地图，以帮助救援人员评估情况、制定救援计划并开展救援。灾害发生后，无人机可在短时间内对受灾区域进行高分辨率测绘，从而有助于迅速高效地开展应急响应。

2 无人机网络技术

网络技术对于无人机在实际环境中的部署成功至关重要。在本节中，我们重点讨论用于灾害管理与响应的无人机系统的网络技术。首先，我们介绍一种通用的网络架构，该架构集成了802.11 Wi‐Fi网络、2G/3G/4G蜂窝网络、无人机自组织网络和卫星网络[7]。我们将详细讨论和分析关键的网络组件，并着重评估现有技术是否能够满足无人机灾害管理的性能需求。

2.1 网络架构

基于无人机的灾害管理通用网络架构如图1所示，该架构由Wi‐Fi网络、2G/3G/4G蜂窝网络、无人机自组织网络和全球定位系统辅助的卫星网络组成。

在顶层，无人机通过机载GPS接收器连接到GPS卫星网络，该网络定期提供地理位置和时间信息。这些信息对于无人机准确、安全地完成灾害应对任务至关重要。例如，谷歌Loon项目：谷歌在距地面约18公里的高海拔区域部署气球，为偏远和农村地区提供蜂窝和互联网服务[8]。在基于无人机的灾害管理中，高空气球为在大范围地理区域内实现无人机之间以及无人机与地面站之间的通信提供了有效手段。另一个例子是欧盟ABSOLUTE项目，该项目创建了一种名为Helikite的混合风筝气球，以快速部署紧急情况下的4G通信[9]。在设想的网络架构中存在两种类型的网络连接性，分别为基于基础设施的连接和自组织网络连接。

基于基础设施的连接
对于基于基础设施的网络连接，每个地面节点（例如LTE eNode基站或Wi-Fi接入点）都可以轻松地与空中无人机通信，从而建立一个以无人机为中心的星型拓扑网络结构。在此拓扑结构下，地面站可以通过无人机间接通信其他无人机。基于基础设施的网络连接具有易于部署、配置和可靠信道条件的优势，但在需要传输高清视频以进行灾害分析和恢复的大范围区域中，存在覆盖范围有限和带宽受限的问题。解决此问题的一种方案是在高空部署先进的无人机，覆盖大面积区域，收集有价值的数据并存储在机载设备上，待无人机返回后将数据卸载至地面站，或与地面eNode基站实时交换信息。

基于自组织网络的连接
多架低成本微型无人机组成一个空中自组织网络，如图1所示。在灾害管理中，微型无人机可以在较低的飞行高度以分布式方式完成任务。它们不需要特定的发射装置，能够在各种地形上起降，因此非常适用于灾害环境。此外，在发生重大灾害事件时，配备微型无人机的团队能够在细粒度级别满足按需服务请求。然而，当多架无人机在灾害事件中实际部署时，仍存在许多挑战性问题。例如，微型无人机的能力受限，包括电力、感知、通信和计算能力。它们无法长时间滞空飞行，也难以维持稳定可靠的通信链路。因此，需要更多的研究努力来实现可靠且高性能的基于自组织网络的无人机网络连接性。

值得一提的是，无人机灾害管理系统应根据灾害场景和受灾区域可用的网络基础设施，自适应地选择最合适的连接类型。如果2G/3G/4G蜂窝网络正常运行，则无人机可以连接到基站；否则，可建立自组织连接，通过多跳方式将无人机采集的信息传输到地面控制站。在下一节中，我们将介绍不同无人机应用的系统组件和性能要求。

2.2 系统组件

无人机网络的整体系统架构（如图1所示）由三个主要组成部分构成：地面控制中心或操作员、地面和空中通信网络，以及无人机设备。

• 地面控制中心负责整个无人机系统的总体控制，飞行任务设计、数据存储与分析以及在紧急情况下的决策。它为人类用户提供了与空中无人机交互的接口。
• 通信网络为无人机系统提供可靠高性能通信，以实现与地面控制中心之间的信息传输和接收。如图1所示，已采用多种无线通信方式为灾害管理提供普遍通信接入。它们的特性和性能总结于表1中。
• 无人机设备为感知和通信提供了基本平台，例如数据收集、处理和传输。此外，它还可以运行各种算法以确保安全并应对电池耗尽和信号丢失等紧急情况。

无人机在通用网络架构中发挥着关键作用。因此，无人机系统的容量、性能和作战区域直接关系到其能力，例如续航能力、航程、飞行高度和有效载荷[10, 11]。为了在不同应用中使用无人机，减少人员需求并提高无人机自主性的需求日益凸显，使无人机能够在空中自由飞行并执行任务，而无需来自地面站的集中式控制器。用于灾害管理的无人机应为无需直接人工干预即可飞行和操作的无人驾驶飞机。它们应根据预编程软件自主导航，并可进行远程控制。

Feature	Wi-Fi	GPS	UMTS	LTE	LTE-A
Channel width	20 MHz	2 MHz	5 MHz	1.4, 3, 5, 10, 15, 20 MHz	Up to 100 MHz
Frequency band	2.4 GHz, 5.2 GHz	1176–1576 MHz	700–2600 MHz	700–2690 MHz	450 MHz–4.99 GHz
Bit rate	6–54 Mb/s	50 b/s	2 Mb/s	Up to 300 Mb/s	Up to 1 Gb/s
Range	Up to 100 m	—	Up to 10 km	Up to 30 km	Up to 30 km
Coverage	Intermittent	Ubiquitous	Ubiquitous	Ubiquitous	Ubiquitous
Mobility support	Low	Extremely high	High	Very high(350 km/h)	Very high(350 km/h)
QoS support	Enhanced distributed channel access	None	QoS classes and bearer selection	QCI and bearer selection	QCI and bearer selection
Broadcast/multicast support	Broadcast	Broadcast	MBMS	eMBMS	eMBMS
UAV support	Yes	Yes	Potential	Potential	Potential
Market penetration	High	High	High	Potentially high	Potentially high

3 无人机用于应急通信

由小型无人机（UAV）组成的协同无线网络易于快速部署，灵活且成本低廉，能够通过自组织Wi‐Fi网络提供临时通信设施，以在灾难事件发生时协调救援队伍，并及时帮助幸存者。图2展示了在大范围地理区域上部署的基于无人机的协同无线网络的完整架构，旨在受灾区域提供临时通信设施。在这种情况下，无人机被用作通信中继，以在因地震、洪水等自然灾害或爆炸袭击、军事攻击等人为灾害导致部分通信基础设施损毁的地区恢复通信。

3.1 无人机作为通信中继

近年来，作为通信中继的无人机备受关注，该领域已开展了大量研究工作。在[13]中，我们提出了一种最优无人机部署算法（OUDA），旨在快速将无人机部署到最优位置，以实现地面节点之间的通信连接，并为参与的地面站提供最佳的通信设施。该算法的运行方式是：无人机将开始飞向灾害区域并启动定期发送信标消息。一旦参与的节点接收到信标消息，便会响应并将其ID连同GPS位置发回给无人机。无人机还将获取接收信号强度（RSS）以及无人机与地面参与节点之间的距离。我们为所提出的方法建立了一个数学模型，并基于该数学模型计算了无人机相对于发射信号和无人机与节点之间距离的最优位置。通过大量仿真验证了所提出的算法在灾害管理实时应用中的适用性。

同样，在[14]中，作者分析了将无人机作为飞行基站的部署。他们利用这一概念为特定地理区域内的设备到设备通信网络提供即时无线通信设施。作者在两种不同场景下阐述了他们的问题：静态无人机和移动无人机。作者进一步指出，如果能够精确地将无人机移动到指定区域上空，则整体通信速率和覆盖范围都可以显著提高[14]。

此外，Jagun和Hales在[15]中提出了一种动态定位算法，旨在利用无人机作为中继，实现参与节点之间的通信连接。作者声称，该方法可应用于地震等真实场景，并用于收集分布式传感器节点的数据。该方法通过在处于无人机通信范围内的节点之间建立直接链路来实现通信。作者还提出了一种调度框架，根据访问频率和通信范围对不同节点进行优先级排序，以覆盖全部的分布式节点集合[15]。

此外，在[16]中，作者研究了一种通信系统，该系统包含一些地面终端和一个网络基站，旨在利用无人机作为中继来实现它们之间的桥接通信。作者开发了一种算法，用于优化地面基站终端与中继之间的链路性能。他们还研究了在当前无人机中继无法满足最小链路要求的情况下，向现有网络部署新的无人机中继的问题。此外，Morgenthaler等人[17]提出了 UAVNet，这是一种基于无人驾驶航空器（无人机）的飞行无线网状网络，无人机之间通过IEEE 802.11s相互连接。所提出的系统通过单架或多架无人机连接两个终端系统，使它们能够相互通信。作者通过两种不同的定位模式描述了其工作场景。场景一使用单架无人机连接位于地面的两个终端系统。该无人机首先飞向第一个终端系统，并开始定期发送ping消息。一旦第一个终端系统接收到消息，便会向无人机回传其GPS位置。随后，根据手动搜索模式（由第一个终端系统告知无人机第二个终端系统的方向），或根据自主搜索模式（无人机计算一系列螺旋轨迹上的航路点，并沿此路径飞行，直到接收到第二个终端系统的GPS位置消息），无人机继续执行任务。当无人机接收到第二个终端系统发来的GPS位置消息后，无人机控制器将根据提交的GPS位置或信号强度计算两个终端系统的中心位置，并将无人机部署在该特定位置[17]。

3.2 通过多架无人机桥接通信

当单架无人机无法在特定任务中覆盖灾害区域时，会出现复杂情况。在这种情况下，会使用多架无人机来覆盖有限区域内的若干节点。为了确保在动态环境中运行的异构代理群体在通信设施受限的情况下仍能保持网络连接性，文献[18]提出了一种称为基于共识的捆算法（CBBA）的协同分布式规划算法。该算法将无人机作为中继，能够在不限制活跃代理的前提下提升团队的任务执行性能和航程。CBBA在任务执行过程中利用空闲代理作为中继，以维持与基站的网络连接性。从初始任务池中生成一组代理‐任务对的分配方案，以便对每个任务进行竞标过程。在此竞标过程中，部分任务可能未被分配，从而导致网络断连。那些与基站失去连接的未分配任务将被引入为新的中继任务，并通过其分配建立一个连通的网络。作者通过仿真结果以及室内外实验场测试验证了该算法，得出结论：CBBA非常适合实时应用[18]。类似地，文献[19]研究了将无人机群作为中继以提升地面自组织网络的覆盖范围和可靠性的应用。作者设想在无人机集群中应用分布式多输入多输出（MIMO）方案，并考察了在理想与非理想条件下不同无人机飞行状态下的分布式发射波束成形和分布式正交空间时间分组码（OSTBC）技术的性能。通过不同的仿真参数验证了上述两种技术的性能。同时分析了两种方案在不同莱斯K因子影响下的误码率性能。作者得出结论：在较低载波频率下，分布式波束成形可实现更优的性能。此外，作者还表明，基于无人机群的多跳中继能够改善自组织网络在覆盖范围和可靠性方面的性能，在战术场景中具有更高的应用价值[19]。

当部署一群无人机为在受限区域内移动的一组节点提供覆盖范围时，复杂性会增加。文献[20]提出了一种非合作博弈技术，其中每架无人机在没有中央规划代理协作的情况下独立决定其未来位置。该方法将无人机视为博弈方，将移动节点视为其收益。无人机拥有足够的数据，以估计其他移动节点和无人机的位置，并能够独立执行决策。这种类型的方法是在优化过程中更具优势，因为无人机可以在无需任何中央决策代理参与的情况下自由地得出相同的解决方案，并且由于关于下一个航路点的机载决策，使得无人机能够完全自主地完成任务。所提出的算法也被称为博弈，包含三个主要元素：玩家集合、每个玩家的策略集合以及与每个玩家所选策略相对应的收益集合。在此类博弈中，每个玩家都试图最大化其可用资源的份额，以与协作玩家竞争。每个玩家从其可用的动作集合（也称为策略）中选择不同的动作，并基于这些策略努力最大化其收益。玩家必须受限于自身的策略，因为偏离所选策略将导致玩家收益减少。当玩家无法偏离其所选策略时，该策略集合被称为纳什均衡（NE）。作者强调了NE的两种状态：一种是纯策略纳什均衡（PSNE），即针对每种策略和每个动作仅采取单一动作，且所有玩家的最佳响应相互一致；另一种是混合策略纳什均衡（MSNE），即在策略范围内遵循概率分布律。作者设计了一种利用MSNE概念求解n人博弈的方法。根据仿真结果，作者得出结论：非合作博弈技术在协调区域覆盖任务中的无人机通信移动方面更为有效[20]。

此外，钱德拉谢卡尔等人提出了一种启发式算法，用于将无人机动态部署为中继节点，以向断连的移动自组织网络地面节点群体提供通信设施[21]。作者还解决了地面节点的移动性问题，并根据节点的移动情况更新无人机的位置。该算法以由距离和地形约束以及当前位置生成的节点连接矩阵作为输入变量，用于部署无人机。同时利用相同的连接性矩阵检测节点簇，并基于该信息计算每个时间段所需的无人机数量及其最优位置。作者还评估了一种通信框架，利用现有的移动自组织网络协议实现地面节点与无人机之间的通信。所提出的算法通过仿真结果以及与穷举搜索算法的对比分析进行了验证[21]。

3.3 桥接通信以连接分离的网段组

海姆法特和阿劳若在[22]中解决了使用无人机连接不连通段无线传感器网络的问题。该无人机作为数据骡子，在网络中移动，从不同的不连通段收集数据。每个段每个簇都有自己的簇头，负责与无人机进行各种通信。由于无人机速度有限，作者发现合理流量下的丢包率很低，但存在显著延迟，因此该系统非常适合延迟容忍型应用[22]。类似地，朱等人[23]研究了在已有无人机部署的网络中新增无人机以维持地面移动自组织网络（MANETs）连接性的问题。作者假设了一种场景：由于地面节点的移动以及通信范围受限，当前的无人机无法维持MANETs的连接性。他们采用在边长限制约束下具有现有移动斯坦纳点的最小斯坦纳树问题来描述该问题。作者使用了三种已有的考虑无人机的近似算法，即先部署后移动（DBM）、先移动后部署（MBD）和跨移动部署（DAM）。作者得出结论：在所有场景中，DAM算法在性能上远优于其他两种算法，并且最多可减少70%的新无人机部署数量[23]。

此外，海姆法特和阿劳若通过优先访问与其他通信流量较低的不连通段相比具有更多出入通信流量的不连通段，扩展了他们之前的工作[24]。作者还解决了无人机移动问题，这是他们当前文章的主要贡献。研究了无人机的两种不同操作模式，即搜索模式和流量中继模式。在搜索模式下，无人机仅扫描整个网络并存储每个新断开段的簇头位置；而在分组中继模式下，无人机按顺序访问所有簇头，以获取每个段的通信流量统计信息。根据仿真结果，作者得出结论：通过优先处理通信流量较大的段，可将分组投递率提高至70%，并将平均延迟从600秒降低到240秒。作者还指出，如果不优先处理高需求段，可能导致资源管理不当，因此该方法仅应在流量均匀分布的情况下使用[24]。

此外，采用协同多输入多输出（MIMO）技术来延长传感器网络的寿命，并利用无人机作为中继，在稀疏网络中支持静态传感器之间的通信，以保持无线传感器网络（WSN）的连接性[25]。为解决分散式无线传感器网络中的断连问题，结合了两个主要概念：一是使用无人机作为中继，桥接孤立的传感器节点；二是采用MIMO技术，以延长这些静态传感器节点的通信范围。为了维持网络连接，基站会周期性地向其邻近无人机发送信标消息。收到后，无人机将相同的信标消息转发给其邻近无人机，消息中包含发送方无人机的标识信息及其距离基站的跳数。提出了一种基于接收信号强度指示（RSSI）的算法，用于在无人机处于通信范围边缘时停止其移动。该算法判断，若某无人机仅有一个邻居，且从该邻居接收到的RSSI表明通信链路即将到达断点，则该算法将强制无人机停止移动，向后移动到其先前的位置以保持连接。类似地，作者没有采用传统的多输入多输出（MIMO）架构，而是采用了多输入单输出（MISO）的概念，即一组节点向无人机发送数据。在MISO情况下，发送传感器首先彼此共享信息，然后同时将信息转发给接收器。作者得出结论，引入基于多输入多输出的通信可以显著扩展其群体航程，并减轻无人机的运动约束[25]。

3.4 基于无人机的实时灾害管理

在本节中，我们将重点介绍一些在实时环境中开展的工作，以检验基于无人机的无线网络在灾害管理中的适用性和应用。Guillen‐Perez 等人在[26]中提出了一种基于无人机的空中无线网络，以扩展无线系统的覆盖范围。实验采用了 IEEE 802.11 标准的 a/b/g/n/ac 版本，使用了五根 5 dBi 全向天线来扩展覆盖范围。研究对作为中间节点的 Galileo 开发板在室内（受控实验室）和户外环境下的性能进行了测试。在基础设施模式下，分别使用 512 和 1024 字节的数据包大小时，宣称实现了最大 10.5 和 11 Mbps 的吞吐量；而在自组织模式下，使用 IEEE 802.11n 在 2.4 和 5 GHz 频段时，相同数据包大小下吞吐量分别为 4.5 和 7.5 Mbps。类似地，还利用 802.11a/b/g/n/ac 在 2.4 和 5 GHz 频段下，结合 Friis 和 Winner D1 传播模型，计算了上下行频率的无线覆盖范围。作者指出，实际实验中获得的无线覆盖范围与理论研究中观察到的结果存在显著差异。作者得出结论：在覆盖范围、吞吐量和能效方面，系统在基础设施模式下表现更优；而在电流消耗方面，系统在自组织运行模式下表现更好[26]。同样，在[27]中，作者研究了无人机在搜救任务中进行无线通信所面临的挑战，其中配备摄像头的无人机需要通过高速通信向救援人员传输高分辨率图像。基于 IEEE 802.11n 协议开展了实时测试平台实验，以检验不同上下文参数下无人机间链路的质量。实验在户外环境中进行，旨在研究距离、速度和速率自适应对链路质量和网络性能的影响。作者得出结论：实验中使用 IEEE 802.11n 所达到的吞吐量不仅远低于理论设置中的最大吞吐量，而且即使在无人机之间距离保持恒定的情况下，吞吐量也会发生剧烈变化[27]。

此外，Yanmaz 等人 [28] 提出了一种由四旋翼飞行器组成的协作式空中系统的高层架构，以展示其在灾害援助、搜救行动中的潜力，并空中监测。除了无人机平台外，作者还确定了多无人机系统的其他一些主要组成部分，例如感知、协同和通信模块。本研究的主要目的是在灾害期间为消防员提供支持，扩展覆盖范围能力，不受任务时间限制，并为搜救行动提供实时视频支持。针对不同协同、感知和通信约束，研究探讨了前述应用领域：对于具有不同目标的时间关键型任务（搜救行动），作者提出需要分布式协同、可靠感知和网络能力。通过实地测试和实验，评估了所提出的多无人机系统在动态应用中的适用性 [28]。

3.5 来自实时测试平台实验的结果与讨论

在本节中，我们将讨论在户外环境中通过安装在无人机上的接入点（AP）在两个参与的地面站和无人机之间建立通信链路所进行实验的部分结果。图 3中的结果基于[29]中开展的工作，而图4中的结果则基于[30]中进行的实验。在[29]中，我们提出了一种基于无人机的无线网络，利用IEEE 802.11n将配备接入点的无人机与两个地面站之间的通信连接起来。我们研究了802.11n在2.4 和 5 GHz 频段下的数据速率、链路质量、接收信号强度（RSS）和信噪比（SNR），以检验所提出的网络在救援行动和灾害管理场景中的适用性。图3显示了客户端和服务器设备上802.11n在2.4 和 5 GHz 频段的链路质量和信噪比。从图3a, b 可以明显看出，在实验期间，客户端和服务器设备的链路质量均相当好（高于70%）；值得注意的是，802.11n 在2.4吉赫的链路质量优于其在5吉赫频段的表现。类似地，图3c, d 分别显示了客户端和服务器设备上802.11n在2.4 和 5 GHz 频段的信噪比（SNR）。同样，802.11n在2.4吉赫时的信噪比较低，而在5吉赫频段时较高。较低的信噪比值表示更好的信号质量，较高的信噪比值则表示较差的信号质量。在户外环境中，风引起的干扰是导致信噪比较高现象的主要原因。

同样，在[30]中，我们扩展了[29]的研究工作，并开展了一些室外实验，以检验IEEE 802.11a/b/g/n的性能。我们分析了802.11a/b/g在2.4吉赫以及802.11n在2.4和5 GHz频段上的数据速率、信噪比和接收信号强度方面的性能。针对无人机高度设计了三种不同的场景，以检验其性能所提出系统在灾害管理情况下的适用性。在场景1中，我们计算了无人机与地面站在10米高度之间的数据速率、信号强度和信噪比；而在场景2和场景3中，我们分别在15米和20米高度上对相同指标重复进行了实验。地面站用作客户端和服务器，其中客户端通过由802.11协议栈支持的通信链路向服务器发送10兆字节数据。图4显示了在10米（图4a）、15米（图4b）和20米（图4c）高度下，使用20兆赫信道时IEEE 802.11a/b/g/n在2.4吉赫以及 802.11n在5吉赫频段的数据速率。从图中可以明显看出，在所有三种情况下，使用2.4吉赫的802.11a/b/g所获得的数据速率非常低，不适用于实时灾害管理事件。相反，使用2.4和5 GHz频段的802.11n所获得的数据速率相当可观，可用于实时灾难性事件。

3.6 总结

从过去二十年中席卷全球各地的灾难开始，这些灾难造成了数百万人死亡，并带来了数十亿的经济损失数亿美元，我们强调了一些关键领域，这些领域可在不同的灾难性事件中提供帮助，并有助于及时开展救援服务，以减少人员伤亡和经济损失。作为通信中继的无人机可以在部分通信基础设施被毁、需要紧急援助的情况下，提供即时通信设施，以协调救援队伍并及时救助幸存者。类似地，我们研究了一些通过多架无人机实现桥接通信的关键算法，以扩展覆盖区域并连接分离的网段组。此外，我们还涵盖了实时无人机部署的应用场景，可在灾害管理情况下提供通信设施支持。最后，我们讨论了我们在救援行动和灾难事件背景下，针对地面站与无人机之间桥接通信所取得的一些实验结果。

4 基于无人机的灾害管理

无人机的能力有望彻底改变灾害管理的效率和准确性。本节讨论了由无人机系统辅助的若干应用，并展示了无人机在灾害事件的预测、管理和恢复中的潜力，包括预警系统、应急通信、搜救、信息收集和物流。

4.1 早期预警系统

随着传感器和电信技术的发展，预警系统作为灾害管理中减少生命损失和降低灾害事件经济影响的有前景的解决方案应运而生。预警系统通常由一系列用于检测监测环境变化的传感器和用于将数据传输给决策者的通信系统链组成。一个有效的预警系统支持监测、传播、风险分析及相应响应等功能。

目前，大多数预警系统都是基于无线传感器网络技术部署的，该技术将传感器分布于广阔的监测地理区域，并通过无线链路将其互连。这些传感器用于监测温度、湿度、振动、压力等物理指标。尽管已有大量研究工作致力于提升基于传感器的预警系统的性能，但一些实际挑战使得这些预警系统难以适用于极端环境。例如，传感器节点通过多个无线通信链路连接，监测数据需要经过多个中间节点传输到汇聚节点。在这种情况下，任何节点故障或链路中断都会影响数据传输。一个简单的例子是，在洪水事件中，用于水文监测的传感器节点可能被冲走，从而导致整个预警系统失效。虽然 3G/LTE/LTE‐A蜂窝网络在基于传感器的预警系统中已得到广泛应用以实现数据通信，但由于功耗较高，并非所有传感器都支持该网络。

无人机与无线传感器网络结合，被应用于预警系统，以提供全面且高效的灾害预测预警。在灾害预警中，无人机可以与无线传感器网络协同工作的途径有多种。

1. 无人机可被视为天空中的移动基站或数据骡子，以提供无线传感器网络节点与决策中心之间的通信。在这种情况下，数据可上传至空中无人机，并由决策中心下载，避免了多个中间节点的传输，从而大大增强了数据传输的可靠性和稳定性[31]。
2. 无人机可集成到基于无线传感器网络的预警系统中的第二种场景是当某个节点或部分网络架构发生故障时。无人机可在网络中作为中继节点部署，以在远程无线传感器网络节点之间传输数据，这对于构建容迟网络非常重要。
3. 无线传感器网络的节点由电池驱动，这使得能源成为预警系统设计、部署和管理中的一个至关重要的问题。一旦电力耗尽，节点将停止工作。在这种情况下，无人机可被用作空中充电器，飞往耗尽能量的节点以重新充电。已有研究论文 [32] 探讨在灾害管理中利用无人机移动性同时传输电力和数据的方法。因此，无人机已成为设计、部署和管理预警系统的重要组成部分。

4.2 应急通信

应急通信是灾害响应与恢复的重要组成部分。应急通信的目的是为灾难救援人员、受灾人员和规划制定者提供通信支持。可靠且易于接入的通信系统是灾害管理工作中信息收集、搜救和灾害评估等任务成功的关键。如第3节所示，各种通信与信息技术已在灾害管理中得到应用。应增强现有无线通信技术（如无线保真、蜂窝、自组织网络以及空中基站）之间的互操作性，以提升无线通信能力。尽管传统电信基础设施可提供高速互联网和无线蜂窝服务，但它们可能在大规模自然灾害中遭到破坏，例如地震导致电缆和基站塔损坏，或洪水事件中电力供应中断。因此，在灾难发生时，移动设备等常规通信方式可能无法使用或完全失效。

为了解决对独立于基础设施的通信的迫切需求，已提出了基于无人机的解决方案。[33]中的研究团队设计了一种基于无人机的无线保真系统，通过在无人机设备上部署无线保真模块，将传统信号的工作距离从100米大幅扩展至25公里。此外，该系统采用定向天线，将传输能量集中在特定角度内。此项工作基于单个无人机设备开展。多架无人机逐渐被用于构建自组织网络，以向广阔区域提供无线信号。[34]中的作者提出了一种多无人机支持的无线通信系统，其中每架无人机均携带一个空中基站，为地面用户提供无线通信服务。为了实现地面用户之间的公平性，综合考虑无人机轨迹和功耗，构建了一个最大‐最小化问题，并通过逐次凸优化方法进行求解。

技术。为了证明无人机在灾后通信中的有效性，[35]的作者提出了一种基于无人机的应急通信系统，可在大规模灾害事件中部署。

4.3 搜索与救援

灾害应对始终是一场与时间的赛跑，旨在尽快发现并接近受灾人员。首要目标是挽救生命。无人机可通过在空中快速扫描大范围灾区，并借助机载摄像头和导航传感器识别潜在受灾群众，从而协助灾害应对人员实现这一目标。

已有文献报道了一些有趣的研究成果。为了设计一个高效的基于无人机的搜救系统，需要考虑若干基本因素，包括无人机系统的能源限制、所收集数据的质量、无人机运行环境的各种危害，以及无人机之间数据传输的服务质量。[36]中的作者分析了这些因素对基于无人机的搜救系统性能的影响，并研究了不同搜索算法的优化准则。Mario等人[37]提出了一种用于山区救援行动的多用途无人机。该多用途无人机的设计考虑了山区搜救的不同环境需求，例如低温、高海拔、多种有效载荷以及天气条件。所提出的无人机配备了高性能摄像头，可提供视觉和热成像信息。该无人机可部署于各种搜救任务中，例如在夜间或白天识别大雪和树林中的受灾群众。此外，该多用途无人机设计为可搭载最高达5公斤的有效载荷，能够向受灾群众投送应急包或生命支持设备。[38]中的研究人员调查了无人机在飓风灾害搜救任务中的有效性。他们构建了一个应急响应模拟系统，在一个受飓风影响并伴随洪水和山体滑坡的假想国家中开展基于无人机的搜救任务。测试表明，无人机只能为搜救提供有限的支持，作者也指出，无人机有潜力成为应急响应工具包中执行特定任务的重要组成部分。郑等人提出了一个通过结合空中与地面无人机器人实现的集成化搜救系统[39]。地面车辆负责将空中装置运送至灾区，并作为无人机的发射平台。一旦无人机从地面车辆起飞，将快速扫描灾区并获取全局视觉信息，这些信息将被地面车辆用于寻找最优路径。因此，地面与空中车辆协同工作，共同完成搜救工作。

4.4 信息收集

灾害损毁评估对于快速开展救援行动至关重要。在决策过程中，需要收集和传输各类信息，因此信息收集或融合对于灾害管理尤为重要。例如，卫星影像能够提供大范围地理灾区的视觉数据，具有显著优势，但这些图像通常是从太空以垂直视角拍摄，空间分辨率有限。另一方面，无人机设备可用于对灾区进行详细观测，但覆盖范围有限。因此，如何将来自不同平台的图像或视频进行整合，构建灾害场景的统一模型，是灾害响应中一个关键且具有挑战性的问题。

为了解决这一问题，文献[40]中提出了一种新框架。利用图像处理技术来结合不同空中平台的优势。通过整合几何变换和环境信息，利用无人机设备获取的小尺度图像来检测立面。然后利用卫星获取的大尺度垂直信息（如屋顶和立面特征）来评估灾害范围。最后通过信息融合估计整体损毁情况。作者声称，与仅屋顶损毁评估方法相比，该方法可提高损毁评估的准确性。科拉多等人在[41]中研究了如何提升现有无人机设备在灾害评估中的性能。综合考虑了辐射检测、摄像头视觉以及GPS信息。作者指出，低成本商用无人机在灾害评估中进行信息收集的主要挑战在于操作环境的动态性，包括数据传输范围、续航能力、有效载荷和控制范围。为了实现多传感器数据的集成，需要为单个无人机平台和多架无人机[42, 43]开发数据融合模型和方法。

4.5 物流

正如本章第一部分所讨论的，灾害管理中最具有挑战性的问题之一是物流。在严重灾害期间或之后，街道和道路可能被阻断或损坏，救援人员难以接近受灾群众并提供必要救治。无人机可用于向灾区受灾群众紧急投送应急物资，例如通信设备、食物和药品。目前民用无人机只能携带几千克载荷，对于频繁的紧急投送需求而言，可能并非高效的物流解决方案。

在物流领域，无人机的能力已取得显著进展。例如，固定翼无人机被用于向偏远或难以到达的地区运送药品 [44]。与传统的直升机方式相比，基于无人机的物流显著降低了配送成本，贫困社区也能够负担得起。DHL 和 亚马逊也开展了类似尝试，向偏远地区运送少量药品。此外，谷歌透露，他们也在 Google X 项目中测试了无人机用于物流。John 等人在[45]中提出了一种由卡车和无人机编队组成的协同物流系统。该卡车负责运载包裹并自动运行，无人机则从卡车上携带包裹起飞。一旦成功送达，无人机将返回卡车装载下一个包裹，直至所有包裹全部送达。该研究探讨了这种协同系统如何提升物流的服务质量。

5 设计挑战与考虑

本节讨论了用于灾害管理的基于无人机的自组织网络的设计挑战与考虑。与现有的基于自组织的网络（如车载自组织网络（VANET）和移动自组织网络（MANET））相比，无人机自组织网络表现出不同的特性。其独特的传输特征源于各种空中应用的具体任务需求，例如精细的输油管道、雪崩巡逻或洪灾响应。这些空中应用的特定需求在延迟容忍、传输范围、拓扑变化、移动性问题、性能可扩展性、能量限制以及异构设备等因素下，给系统设计、网络性能要求和通信优化带来了新的挑战。

例如，多架无人机在协同执行灾难救援任务时必须满足严格的定时同步要求，而灾区扫描等应用则可以容忍较大的通信延迟。发送视觉数据以识别被困人员需要高数据速率，而灾害区域的空气质量监测等其他应用则需要较低的传输速率。因此，不同的应用对空中网络的设计提出了不同的要求。

在本节中，我们首先从以下三个方面分析无人机网络的特性：带宽消耗、传输延迟和易中断网络。然后讨论设计考虑因素和挑战，旨在全面理解无人机系统设计。

5.1 无人机网络的特性

带宽消耗
对于与视觉数据相关的无人机应用，例如搜救，视频由机载摄像头捕获，并需要及时传输到地面控制中心。这类应用具有严格的带宽要求，尤其是实时监控等在线应用。此外，所拍摄视频的质量在很大程度上决定了可用于决策的信息量，因此4K甚至8K视频在空中监控应用中变得越来越普遍，这也使得带宽消耗大幅增加。另一方面，可用带宽受到诸多限制，例如通信信道的容量、无人机速度、无线链路的易出错结构以及广播通信缺乏安全性。为无人机系统设计的协议和算法必须在这些限制条件下满足传输高分辨率实时图像或视频的带宽要求。

传输延迟
对于无人机系统而言，传输延迟在系统组件和网络协议的设计中至关重要。不同的空中应用对传输延迟有不同的要求。3GPP开始为空中应用规定延迟要求。对于需要实时视觉或音频数据传输的感知流量（例如搜救），延迟应不超过50–100毫秒。对于边境或高速公路监控等监控类应用，延迟可长达 3秒。低延迟旨在实现空中任务的在线视角，更重要的是确保安全飞行，例如防碰撞。文献[33]研究了无人机网络的数据包延迟行为，结论是无人机网络表现出与移动自组织网络不同的特性，需要新的空中传输协议和算法。

易中断网络
无人机网络容易发生链路中断。协议和算法的设计应具备应对短期或长期链路故障的预防措施。链路的中断程度取决于多个因素，包括无人机移动性、无人机之间的距离以及通信环境中的干扰和噪声等。对于无人机在空中悬停的应用场景，链路中断的概率较低；而当无人机处于高移动性运行状态时，链路中断的概率则较高。另一个可能影响传输链路质量的因素是无人机设备的故障。由于故障或网络攻击，无人机可能无法正常运行，导致无法与其他无人机进行通信。新的设计应充分考虑链路中断问题，特别是上层的路由算法。

5.2 设计考虑与挑战

信道建模 ：无人机网络的三维特性需要支持多种类型的信道。空中网络中的链路可以是空对空（A2A）、空对地（A2G）或地对空（G2A）。这些链路已相互之间以及与地对地（G2G）链路进行了分析 [46, 47]。由于它们具有不同的信道特性，应根据各自的特点进行不同的建模，这些特性会影响网络可支持的服务质量（QoS），进而影响可持续的通信流量。

天线结构设计 ：在无人机网络中，应特别考虑天线结构设计，因为链路质量会随天线方向而波动。如何高效地设计无人机天线结构以支持无人机与基础设施之间的可靠通信是一个紧迫的挑战，目前相关研究工作还很少 [48]。

无人机协作 ：微型无人机体积小，只能携带有限的有效载荷。面对雷达、红外相机、热成像相机和图像传感器等多种设备的选择，它们需要在团队内部以及与地面网络（如云）协同工作，以有效完成灾害管理任务 [49]。

高级数据分析 ：以解决方案为中心的算法的优势之一是能够跨行业应用，例如应急响应、农业、能源，甚至实时识别空气中的有毒废物。深度神经网络等高级算法可能会提供迫切需要的功能。

路径规划 ：无人机之间的协同与协作对于提高效率至关重要。在作战区域中，可能会出现一些动态变化，例如无人机的加入或撤离、物理静态障碍物、动态威胁等。在这种情况下，每架无人机都必须改变其原有路径，并需要动态重新计算新的路径。因此，需要高性能的算法/方法来实现动态路径规划 [50]。

能效 ：由于无人机通常受限于能源，协议应特别关注能效，并致力于更环保的设计。能源可能成为灾害管理中的关键因素，例如，良好的设计可以使无人机到达更远的区域，并在灾害应对中停留更长时间。

法规 ：尽管无人机正在逐步占据国家空域的一席之地，但其部署必须受到监管，以最大化效益并最小化潜在危害。法规可能是某些民用应用中无人机部署的最大障碍。合理制定的规则和法规具有实际重要性。