0 引言

    物联网(Internet of Things)自首次提出以来，引起了学术界与工业界的广泛关注^[1]。物联网旨在通过将体域网、D2D通信、无人机网络、卫星网络等多种网络技术相融合，实现万物互连，可在任意地点、使用任意网络来提供任意服务，具有巨大的民用与军事应用潜力。

    无人机(UAVs)已广泛应用于军事与民用领域。由于其可动态部署、配置方便、高度自主等特点，无人机在物联网领域同样扮演着极其重要的角色^[2-4]。无人机通过机载物联网装置（包括传感器、摄像机、RFID等）实现对物联网用户数据的收集，如图1所示。在物联网中，由于部分无线装置有限的传输范围,无人机可以作为无线中继用来改善网络连接,延伸无线网络覆盖范围；同时，由于无人机可调整的飞行高度和可移动性，可以方便高效地收集地面物联网用户数据。目前已有智能无人机管理平台，可通过各种终端设备同时操作数架无人机，按需定制飞行路线，获取所需用户数据^[5]；智能交通系统(ITS)可利用无人机实现交通监控与执法^[6]。此外，无人机也可以作为空中基站来改善无线网络容量。谷歌在SkyBender项目中使用无人机利用毫米波技术试验了5G互联网应用，速率达到了4G系统的40倍^[7]；通过基于无人机的软件定义无线电平台可用于基础设施出现瘫痪时的应急通信^[8]。

    随着物联网应用的不断深入和快速发展，物联网无人机应用由过去单一的服务投递(如亚马逊包裹投递、电力线路监控等)发展至无人机集群协同完成的诸多物联网增值业务（如城市污染监控、地质灾害的防治、军事“蜂群”无人机技术等），可以完成单一无人机因能量和计算资源受限等无法完成的物联网任务。同时，随着智慧城市^[9]、水下物联网^[10]、车联网^[11]、军事物联网^[12]、空天地一体网络^[13]等物联网应用的兴起，均需充分借助无人机技术有效获取和传递相关数据信息，包括地理空间信息、传感数据信息、指控信息等，从而进一步推动包括云计算、大数据、人工智能等在内的其他物联网增值服务。物联网无人机应用将对物联网未来的发展具有极其重要的意义。

1 物联网无人机应用关键技术

    为了适应物联网发展的多样性和为用户提供更好的服务,无人机应用需要研究以下的关键技术。

1.1 无人机网络拓扑控制技术

    随着物联网技术的发展以及无人机自身资源的限制,无人机的应用逐渐由控制单一无人机转向控制无人机群，协同实施和完成物联网服务。

    无人机群所构成的网络称为飞行自组织网络(FANETs)，但与MANETs和VANETs相比，有其自身的特点^[14]。地面控制站或卫星对无人机群网络拓扑的控制将直接影响到无人机群的协同和对物联网数据的收集、共享和处理。以下是典型的无人机网络控制拓扑，如图2所示^[14]。

    (1)星型控制拓扑：在该控制拓扑下，所有无人机直接连接至一个或多个地面控制站（或卫星），并由地面控制站（或卫星）中继各无人机之间的数据交换，如图2(a)所示。在该控制方式下可由地面控制站集中式地控制所有单个无人机，在民用领域里有着广泛应用。但随着无人机群的不断扩大，存在地面控制站将成为瓶颈节点并导致更大延时、无人机间无法直接通信等问题。

    (2)大星型控制拓扑：在该控制拓扑下，所有无人机划分为多个组，各个组内无人机构成一个星型结构并由各组中心节点直接连接至一个或多个地面控制站（或卫星），并由地面控制站（或卫星）中继各组无人机中心节点之间的数据交换，如图2(b)所示。在该控制方式下允许部分无人机间直接通信，从而可有效减少对下行链路带宽的要求，降低延时等。但由于各无人机组之间无法直接互通和无人机网络拓扑的快速动态变化，存在网络鲁棒性不足等问题。

    (3)Mesh型控制拓扑：在该控制拓扑下，所有无人机划分为多个组，各个组内无人机构成一个Mesh型结构并由各组中心节点直接连接至一个或多个地面控制站（或卫星），同时，各无人机组间可直接互通，如图2(c)所示。在该控制方式下允许各组无人机间直接通信，从而可进一步减少对下行链路带宽的要求，降低延时，改善了网络鲁棒性。

    以上各种拓扑控制机制均存在进一步提高无人机群网络性能、自主控制能力等的空间，以充分利用无人机群资源(包括能量资源、计算资源、群智资源等)，有效提高无人机群实现物联网业务的高效、智能和自主化。

1.2 无人机防碰撞技术

    物联网无人机应用往往发生在人口密集的城市空域，确保无人机与无人机、无人机与其他障碍物（如建筑、树、鸟等）不发生碰撞是无人机应用的关键之一。

    为实现无人机避免发生碰撞，无人机需具备两项能力：障碍感知能力和规避障碍决策能力。为使无人机具备障碍感知能力，当前已有的解决方案包括协作型和完全自主型障碍感知技术。对于协作型障碍感知技术，可以构建针对无人机的空管系统来对无人机间可能的碰撞实施告警。文献[15]提出了无人机空中交通管理系统（TM-UAS）用于跟踪和告警空中所有的无人机，确保无人机间保持安全的距离。此外，还可以通过所有无人机广播共享三维坐标、航向、航速等信息来实现碰撞感知。对完全自主型障碍感知技术主要通过无人机配备光电传感器、微波传感器、导航传感器等来实现障碍感知。随着制造工艺的不断进步，光电传感器体积小、重量轻、功耗低，可以很好地装备于各型无人机上。但是，基于可见光光谱的光电传感器障碍感知技术面临的困难是，检测算法需要能够应对各种复杂的图像背景、照明、图像抖动等；同时还要保证光电传感器图像数据的实时处理。为使无人机具备规避障碍决策能力，则需要通过多种数据融合技术，包括多目标跟踪技术等来获取障碍物的相对位置和速度等信息，从而作出规避障碍的合理决策^[16]。

1.3 无人机群智能技术

    无人机群智能技术主要应用于军事物联网领域,实现通过极少的人工干预控制无人机群对不同目标完成侦察、攻击等任务。由于无人机群的高动态性，传统集中式控制方式难以应用于针对无人机群的控制。无人机群智能技术可以分布式地控制无人机群，使得无人机间可以智能地相互协同，高效地完成任务目标。

    群智能技术主要借鉴的是生物学中的蜂群自组织行为模式算法^[17]。蜂群的行为模式目的是使得蜜源搜索最大化。其自组织的步骤是^[18-19]：

    (1)构建搜索空间；

    (2)构建侦察群和搜索群；

    (3)侦察群搜索出潜在有价值的站点；

    (4)从潜在站点中选出基本站点，以便搜索其临近站点；

    (5)侦察群与搜索群交换需要搜索的站点信息；

    (6)搜索群成员选择基本站点；

    (7)搜索群成员选择基本站点附近潜在的站点。

    蜂群行为模式关键在于确定基本站点及其附近潜在有价值的站点。为了进一步提高蜂群搜索成功概率，出现了改进的人造蜂群算法（ABC）^[20]。

    群智能技术是人工智能领域的一个分支,对解决无人机自组织网络中的部分问题被证明具有其高效性。无人机群智能技术在军事中的应用场景包括：(1)敌方目标静止地随机分布在目标区域内，无人机群在有限时间内对目标区域内的敌方目标进行协同搜索；(2)敌方目标在目标区域内以随机速度向随机方向移动，无人机群从目标区域某地点发射，在有限时间内对目标区域内的敌方目标进行协同搜索、发现并摧毁。

1.4 无人机群动态数据路由

    由无人机群构成的无人机自组织网络(FANET)有其自身的特性，比如网络拓扑的高动态变化、通信链路频繁间断、无人机节点因能量受限失效而导致的网络分割等。因此，有效的无人机动态数据路由需要具备对延迟和中断容忍功能。移动自组织网络(MANET)和车辆自组织网络(VANET)中的很多路由协议难以直接照搬到无人机自组织网络中应用，例如AODV路由中发出请求和收到响应的路由建立机制等。

    因此，当网络拓扑动态变化时，无人机自组织网络路由可以通过存储-携带-转发的方式，对待转发的数据包暂时予以存储和携带，当转发数据包的最佳机会出现时再转发出去，这种随机路由方式取决于节点间的相遇概率，相关的路由协议如文献[21]等；当无法确定最佳的转发机会时，则可以采取依概率随机转发的方式。对于配备有较高精度导航传感器（如GPS、北斗、格洛纳斯等）的无人机自组织网络，采用具有较少拓扑探测开销的地理信息辅助路由也是较好的选择，如文献[22]等。此外，洪泛路由也是适合无人机自组织网络可选路由之一^[23]。在该路由协议中，无人机节点将向多个中继节点转发同一数据包，中继节点再向其他相遇节点转发，从而很快将数据包投递至网络连通部分，具有较高投递率和较低投递延时。但该路由协议要求节点具有足够的缓存空间来携带和转发数据包以及较高的网络开销，通过改进洪泛路由协议，可以有效提高其性能。

    对于在无人机群中应用的路由协议不一定始终适用和有效，需要依据无人机群的运动模式和动态性适时加以调整。

1.5 无人机航迹规划

    无人机航迹规划是指在满足一定条件的基础上（如剩余燃料、飞行距离、任务数量等），为了保障无人机飞行安全和顺利完成任务的需要而规划出来的一条最优飞行航线。

    由于无人机的航线规划需要综合考虑包括燃料、航程、地形地貌、气象条件、空域限制、任务目标等多种限制条件，可以归结为多条件目标优化问题，文献[24]提出的航线规划搜索算法是此类问题最常用的解决方法。对于具有较高自主控制能力的自组织无人机群，其航线规划算法需要具备较高的实时性和自适应性^[25]。

2 物联网无人机发展趋势

    对于物联网无人机应用及其关键技术未来的发展，主要表现出以下几个方面的发展趋势。

2.1 采用基于SDN的无人机自组织网络控制技术

    由于无人机自组织网络需要有效应对包括能量受限、高延迟、链路频繁中断、网络拓扑高动态变化等多种挑战，需要高效地利用和分配各种网络资源。同时，随着物联网应用的不断深入，不同异构网络的融合与互通也有着迫切的需求。软件定义网络（SDN）将数据面与控制面分离，可以通过编程的方式对网络进行控制，从而满足物联网各种全新应用和业务的需要。文献[26]通过实际验证平台的测试，已成功验证了OpenFlow应用于小规模无线Mesh网络中的可行性；同时也对SDN未来应用于动态移动网络具有重要意义。由于SDN属于集中式控制，可有效改善无线资源的利用率，提高网络效率。典型的基于SDN的无人机自组织网络如图3所示。

2.2 针对无人机的空管系统

    随着物联网无人机应用不断普及与深入，无人机妨碍民航客机起降、通过无人机运送毒品、无人机意外坠落伤人等事件时有发生，针对无人机的空管系统呼声日益高涨。

    NASA研制的无人机空管系统已于2015年8月成功进行了演示验证，旨在监视和管理民用无人机的飞行，提高无人机的自主飞行能力，提高无人机应对突发事件的飞行安全^[27]。未来针对无人机的空管系统将融入更多的智能控制机制，包括强制着陆、障碍规避等功能，提高无人机的飞行安全。

2.3 物联网无人机应用安全与隐私保护

    随着物联网无人机应用的日益广泛和深入，安全与隐私保护是无人机应用中一个不可回避的问题。一方面，由于无人机在物联网中的应用将起到对用户数据和服务的承载和传递，比如位置、速度等敏感信息，无人机的身份认证与数据的安全加密是十分必要的，以防恶意攻击。另一方面，当无人机用于实时性要求很高的交通安全应用时，比如车联网中车辆间的碰撞检测等需要作出快速决策的应用，无人机应具备针对不同应用和服务自身处理能力自动评估的能力，确保应用安全。

3 结语

    本文较详细地介绍了物联网无人机应用典型架构及其特点以及实现的技术难点。同时，详细介绍了物联网无人机应用中的关键技术及其应用案例。最后，对物联网无人机应用未来的发展趋势进行了展望。

参考文献

[1] ASHTON K.That ‘internet of things’ thing.RFiD J 2009，22(7)：97-114.

[2] MOZAFFARI M，SAAD W，BENNIS M，et al.Mobile Internet of Things: Can UAVs provide an energy-efficient mobile architecture?[C]//Proc.of IEEE Global Communications Conference(GLOBECOM)，2016.

[3] MOZAFFARI M，SAAD W，BENNIS M，et al.Unmanned aerial vehicle with underlaid device-to-device communications: Performance and tradeoffs[J].IEEE Transactions on Wireless Communications，2016，15(6)：3949-3963.

[4] MOTLAGH N H，BAGAA M，TALEB T.UAV-Based IoT Platform: A crowd surveillance use case[J].IEEE Communications Magazine，2017，55(2)：128-134.

[5] DroneDeploy.Powerfull Cloud-Based Software. Accessed on Jun. 4,2016.[DB/OL].[2016-6-4].https：//www.dronedeploy.com/.

[6] PURI A.A survey of unmanned aerial vehicles(UAV) for traffic surveillance[J].Department of computer science and engineering，2005.

[7] HARRIS M.Project Skybender：Google’s secretive 5G Internet drone tests revealed[DB/OL].[2016-1-29].www.theguardian.com.

[8] KIM D Y，JO H S，YOON H，et al.Reverse-link interrogation range of a UHF MIMO-RFID system in Nakagamifading channels[J].Industrial Electronics，IEEE Transactions on，2010，57(4)：1468-1477.

[9] MOHAMMED F，IDRIES A，MOHAMED N，et al.UAVs for smart cities: Opportunities and challenges[C]//Unmanned Aircraft Systems(ICUAS)，2014 International Conference on. IEEE，2014：267-273.

[10] DOMINGO M C.An overview of the internet of underwater things[J].Journal of Network and Computer Applications，2012，35(6)：1879-1890.

[11] OUBBATI O S，LAKAS A，LAGRAA N，et al.UVAR：An intersection UAV-assisted VANET routing protocol[C]//Wireless Communications and Networking Conference(WCNC)，2016 IEEE.IEEE，2016：1-6.

[12] ZHENG D，CARTER W A.Leveraging the internet of things for a more efficient and effective military[M].Rowman & Littlefield，2015.

[13] ZHANG N，ZHANG S，YANG P，et al.Software Defined Space-Air-Ground Integrated Vehicular Networks：Challenges and Solutions[J].arXiv preprint arXiv：1703.02664，2017.

[14] GUPTA L，JAIN R，VASZKUN G.Survey of important issues in UAV communication networks[J].IEEE Communications Surveys & Tutorials，2016，18(2)：1123-1152.

[15] Mohamed Salleh M F B，LOW K H.Concept of operations(ConOps) for traffic management of unmanned aircraft systems(TM-UAS) in urban environment[C]//AIAA Information Systems-AIAA Infotech@ Aerospace.2017：0223.

[16] FASANO G，ACCARDO D，MOCCIA A，et al.Multisensor based Fully Autonomous Non-Cooperative Collision Avoidance System for UAVs[J].Journal of Aerospace Computing Information & Communication，2013，5(10)：338-360.

[17] BENI G，WANG J.Swarm intelligence in cellular robotic systems[C].Robots and Biological Systems：Towards a New Bionics，Springer，1993：703-712.

[18] KUREICHIK V V，ZHILENKOV M A.Bee algorithms for solving optimization problems with the explicit objective function[J].Informatics，Computer Science and Engineering Education，2015，1(21)：1-8.

[19] LEONOV A V.Modeling of bio-inspired algorithms AntHocNet and BeeAdHoc for Flying Ad Hoc Networks(FANETs)[C]//Actual Problems of Electronics Instrument Engineering(APEIE)，2016 13th International Scientific-Technical Conference on.IEEE，2016，2：90-99.

[20] KARABOGA D，BASTURK B.Artificial bee colony(ABC) optimization algorithm for solving constrained optimization problems[C].Foundations of Fuzzy Logic and Soft Computing，Springer，2007：789-798.

[21] ZHANG Z.Chapter 8-Routing protocols in Intermittently Connected Mobile Ad Hoc Networks and Delay-Tolerant Networks，Algorithms and Protocols for Wireless，Mobile Ad Hoc Networks，Wiley，2009.

[22] SHIRANI R，St-Hilaire M，KUNZ T，et al.Combined Reactive-Geographic routing for Unmanned Aeronautical Ad-hoc Networks[C].8th International Conference on Wireless Communications and Mobile Computing(IWCMC)，2012.

[23] CARDEI I，LIU C，WU J.Routing in wireless networks with intermittent connectivity[C].Encyclopaedia of Wireless and Mobile Communications，2013.

[24] GUDAITIS M S.Multicriteria mission route planning using a parallel A* search[J].Graduate School Eng.，Air Force Inst.Technol.，Wright-Patterson AFB，OH，USA，Dec.1994.

[25] YANMAZ E，KUSCHNIG R，. QUARITSCH M，et al.On path planning strategies for networked unmanned aerial vehicles[C].Proc.IEEE Conf.Comput. Commun.Workshops(INFOCOM WKSHPS)，2011：212–216.

[26] DELY P，KASSLER A，BAYER N.Openflow for wireless mesh networks[C].Proceedings of 20th International Conference on Computer Communications and Networks(ICCCN)，2011：1–6.

[27] RAVICH T M.The Integration of Unamnned Aerial Vehicles into the National Airspace[J].NDL Rev.，2009，85：597.

作者信息：

刘青龙1，2，董家山2

（1.华南理工大学 电信学院，广东 广州510640；2.广州海格通信集团股份有限公司，广东 广州510663）