一种无人机赋能的数字孪生模型构建方法

本发明涉及无线通信网络，具体涉及一种无人机赋能的数字孪生模型构建方法。

背景技术：

1、智慧城市发展离不开数字孪生(digital twin，dt)技术，通过数字孪生技术对城市进行动态监测，及时发现城市中存在的问题，增强城市自我调节能力。

2、数字孪生技术作为一种数字化理念和技术手段，以数据与模型的集成融合为基础，通过在数字空间内实时构建物理对象的精准数字化映射，借助历史数据、实时数据、算法模型等来模拟、预测、控制物理实体全生命周期过程，最终形成智能决策的优化闭环。并且数字孪生技术凭借其实时性，闭环性等特点，被广泛应用在工业制造、智慧医疗、自动驾驶等方面。数字孪生的核心是模型和数据，采集数据的准确性影响着数字孪生系统的仿真状态是否精准，数据的实时性则影响数字孪生是否能形成一个自我优化的闭环。

3、另外，无人机(unmanned aerial vehicle，uav)作为搭建信息服务空中平台的重要工具，通过搭载具备不同能力的载荷，使得无人机可以承担通信、遥感、存储、计算等不同的信息系统功能。与传统陆地无线通信网络相比，无人机可以作为地基网络基础设施的有效补充，承担无线接入网任务，可以有效解决地面基站分布与业务需求不一致的矛盾。并且无人机凭借其机动灵活性，可以更好的服务于以用户为中心的全新范式。

4、本发明首次考虑了无人机赋能的数字孪生网络场景下的轨迹优化与资源管理研究问题。在将数字孪生技术应用于智慧城市建设中，由于固定传感器受到地形限制，难以覆盖到城市中的所有区域，以及考虑架设固定传感器与基站之间存在一定遮挡，这都会导致通信链路传输速率变弱，同时考虑到数据中心在构建数字孪生模型时对不同区域的数据更新频率要求不同，数据实时性要求不同，不合理的数据收集策略会导致数据收集不及时，使得构建数字孪生模型不准确，从而影响决策。因此引入无人机携带传感器收集构建数字孪生模型所需的数据，通过无人机建立高概率视距链路，以增强通信链路的信息传输，优化无人机的轨迹来保证数字孪生模型实时更新的同时满足数据点数据实时更新要求。

技术实现思路

1、本发明的目的在于提供一种无人机赋能的数字孪生模型构建方法，实现了无人机路径的优化，保证了数字孪生模型的新鲜度。

2、本发明通过下述技术方案实现：

3、一种无人机赋能的数字孪生模型构建方法，包括：

4、构建无人机从当前数据采集点飞行至下一个数据采集点的飞行时间模型、无人机上传数据至基站的传输延迟模型以及基站构建数字孪生模型的构建时间模型；

5、根据所述飞行时间模型、传输延迟模型以及构建时间模型，获取数字孪生模型对应的第一信息年龄模型以及数据采集点对应的第二信息年龄模型；

6、基于所述第一信息年龄模型以及第二信息年龄模型，构建无人机对应的轨迹优化模型；

7、以轨迹优化模型为基础，采用深度强化学习算法获取无人机的最优轨迹，并控制无人机按照该最优轨迹进行数据采集以及数字孪生模型的构建，完成无人机赋能的数字孪生模型构建。

8、在一种可能的实施方式中，无人机从当前数据采集点飞行至下一个数据采集点的飞行时间模型为：

9、

10、其中，tfly(n-1,n)表示飞行时间，l表示当前数据采集点与下一个数据采集点之间的距离，v表示无人机的飞行数据。

11、在一种可能的实施方式中，无人机上传数据至基站的传输延迟模型为：

12、

13、

14、pl＝plos(du,b)×pllos+pnlos(du,b)×plnlos

15、pnlos(du,b)＝1-plos(du,b)

16、

17、其中，ttran(n,t)表示无人机与基站之间传输延迟，d(n,t)表示无人机在t时刻收集第n个数据采集点的数据量，ru,b(n)表示无人机在传输第n个数据采集点数据时与基站之间的传输速率，b表示基站分配给无人机的带宽，σ2表示高斯白噪声的功率，pu(n)表示无人机传输第n个数据采集点数据时的发射功率，pl表示平均路径损耗，plos(du,b)表示无人机的视距传输概率，pnlos(du,b)表示无人机的非视距传输概率，du,b表示无人机与基站之间的距离，pllos表示视距传输产生的路径损耗；plnlos表示非视距传输产生的路径损耗，a表示第一常量，b表示第二常量，h表示无人机的飞行高度，π表示圆周率。

18、在一种可能的实施方式中，基站构建数字孪生模型的构建时间模型为：

19、

20、其中，tdt(n,t)表示数字孪生模型的构建时间，fdt(n,t)表示基站在t时刻分配给第n个数据采集点数据的计算资源。

21、在一种可能的实施方式中，根据所述飞行时间模型、传输延迟模型以及构建时间模型，获取数字孪生模型对应的第一信息年龄模型以及数据采集点对应的第二信息年龄模型，包括：

22、根据所述飞行时间模型、传输延迟模型以及构建时间模型，获取数字孪生模型对应的第一信息年龄模型为：

23、

24、其中，adt表示数字孪生模型对应的第一信息年龄；表示第k+1次更新数字孪生模型的时间；表示第k次更新数字孪生模型的时间；

25、根据所述飞行时间模型以及传输延迟模型，获取下一个数据采集点对应的第二信息年龄模型为：

26、

27、其中，表示第n个数据采集点对应的第二信息年龄，表示无人机第i+1次采集第n个数据采集点的数据所对应的时刻，表示无人机第i次采集第n个数据采集点的数据所对应的时刻。

28、在一种可能的实施方式中，基于所述第一信息年龄模型以及第二信息年龄模型，构建无人机对应的轨迹优化模型为：

29、

30、

31、其中，adt表示数字孪生模型对应的第一信息年龄，adata(n,t)表示在t时刻第n个数据采集点对应的第二信息年龄，表示信息年龄阈值，n＝1,2,…,n，n表示采集数据的数据采集点总数，t＝1,2,…,t，t表示采集数据的总时间，s.t.表示约束条件，c1、c2、c3以及c4分别表示不同的约束条件，emax表示无人机的最大能量，esum(n,t)表示耗能总和，esum(n,t)＝etran(n,t)+efly(n-1,n)，etran(n,t)表示传输能耗，efly(n-1,n)表示飞行能耗，(xn,yn)表示无人机在第n个点的坐标，(xmin,ymin)表示无人机的初始坐标，(xmax,ymax)表示无人机的活动范围的最大坐标；表示第二信息年龄对应的阈值，xn,t＝[xn,t]n×t表示无人机收集目标数据点数据的策略矩阵，xn,t为策略矩阵中第n行第t个元素，xn,t＝1表示无人机在t时刻收集第n个数据点的数据，否则xn,t＝0。

32、在一种可能的实施方式中，所述飞行能耗的获取方法为：

33、

34、其中，efly(n-1,n)表示无人机从第n-1个数据采集点前往第n个数据采集点的飞行能耗，po表示无人机的叶片轮廓功率，p1表示无人机在悬停状态下的感应功率，v表示无人机的飞行速度，utip表示无人机叶片的叶尖速度，v0表示无人机悬停状态下的平均旋翼感应速度，d0表示无人机的机身阻力，ρ表示空气密度，s表示无人机的旋翼实度，a表示无人机的桨盘面积，tfly(n-1,n)＝||q(n-1)-q(n)||/v，tfly(n-1,n)表示无人机从第n-1个数据采集点前往第n个数据采集点所消耗的时间，q(n-1)表示表示第n-1个数据采集点的三维坐标，q(n)表示第n个数据点的三维坐标。

35、在一种可能的实施方式中，所述传输能耗的获取方法为：

36、etran(n,t)＝pu(n)ttran(n,t)

37、其中，etran(n,t)表示传输能耗，pu(n)表示无人机传输第n个数据采集点数据时的发射功率，ttran(n,t)表示无人机与基站之间传输延迟。

38、在一种可能的实施方式中，以轨迹优化模型为基础，采用深度强化学习算法获取无人机的最优轨迹，并控制无人机按照该最优轨迹进行数据采集以及数字孪生模型的构建，包括：

39、a1、初始化当前时刻t'＝1；

40、a2、获取t'时刻无人机的状态量，并将该无人机的状态量输入actor网络中，得到动作信息；所述动作信息用于选取下一次无人机所飞行的目标数据采集点；

41、a3、将所述动作信息输入critic网络中，得到所述动作信息的评价信息；

42、a4、判断动作信息对应的第二信息年龄是否小于信息年龄阈值，若是，则设置奖励为否则设置奖励为-20；

43、a5、根据所述评价信息以及奖励更新critic网络的第一网络参数，根据所述评价信息更新actor网络的第二网络参数；

44、a6、根据当前时刻t'、无人机到动作信息对应的目标数据采集点的飞行时间以及传输延迟，获取目标时间；

45、a7、判断目标时间是否小于预设的数据收集时间t'，若是，则控制无人机飞行至目标数据采集点，进行数据采集以及上传工作后，将目标时间作为新的当前时刻，并返回步骤a2，否则满足数据采集结束条件，完成数字孪生模型的构建；

46、其中，当数据上传后，由基站根据上传的数据更新数字孪生模型。

47、在一种可能的实施方式中，所述无人机的状态量包括无人机在t时刻收集第n个数据采集点的数据量d(n,t)、数据孪生模型的信息年龄adt(t)、每个数据收集点的信息年龄adata(n,t)以及无人机的剩余能量eremain。

48、本发明提供的一种无人机赋能的数字孪生模型构建方法，通过无人机携带传感器飞向数据收集点收集构建数字孪生模型所需的数据，并且通过上行链路与基站直接进行通信，将所收集到的数据传输给基站，基站再将接收到的数据进行渲染，最终构建数字孪生模型，采用深度强化学习对求解无人机的飞行轨迹，保证数据实时性以及不额外增加成本的前提下，保证了数字孪生模型的新鲜度，具有较强的应用价值和发展潜力。