【摘要】：現(xiàn)階段無人機(Unmanned Aerial Vehicle,UAV)技術的快速發(fā)展使得其在民用和軍事中得到了廣泛的應用,其中無人機視頻回傳是無人機系統(tǒng)的一個重要功能。如何在無人機和地面接收端之間進行實現(xiàn)實時高清視頻傳輸是一個很大的難題�，F(xiàn)階段已有的自適應視頻流比特率(Adaptive Bitrate,ABR)算法都未考慮根據無人機鏈路狀態(tài)進行優(yōu)化,但是通常由于無人機的飛行狀態(tài)改變的很劇烈會導致無人機飛行過程中的鏈路狀態(tài)也會有顯著的波動,因此傳統(tǒng)的ABR算法在無人機與地面接收端之間的視頻回傳中并不能很好的適用。因此,本文在深入探索無人機的飛行狀態(tài)對其無線通信鏈路的影響后,提出了一個新的基于無人機傳感器增強輔助的深度強化學習自適應比特流(Sensor-Augmented Adaptive Bitrate,SA-ABR)算法,通過借助無人機中的各種固有傳感器數(shù)據的輔助來產生自適應視頻流。本文先著重研究了無人機飛行狀態(tài),具體包括速度、加速度以及與地面接收端之間的距離等因素對無人機鏈路信道吞吐量的影響,在此基礎上,將傳感器數(shù)據和視頻播放過程中的狀態(tài)參數(shù)進行結合,通過訓練深度強化學習(Deep Reinforcement Learning,DRL)的模型從飛行狀態(tài)信息中提取出顯著信息并且學習如何適應劇烈變化的無人機信道容量。SA-ABR不依賴與關于無人機飛行狀態(tài)或者環(huán)境的任何假設和模型,而是通過深度學習中的長短期記憶網絡(Long Short-Term Memory,LSTM)來探索無人機過去一段時間內吞吐量的模式來適應劇烈變化的環(huán)境,從而對下一步的視頻流比特率做出選擇�；谝陨戏桨�,本文在室外實際采集了大量的無人機飛行中的實際數(shù)據,并且在商業(yè)無人機上實現(xiàn)了SA-ABR算法,最后在室外進行了驗證和評估。本文將SA-ABR算法與現(xiàn)階段已有的各種自適應比特流算法進行比較,結果表明本文的系統(tǒng)在視頻用戶質量體驗上平均優(yōu)于現(xiàn)有的最佳自適應算法21.4%。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：V279;V243
【圖文】：

圖 2.2 卷積神經網絡典型結構CNN 網絡結構一般包括輸入層、卷積層、池化層、全連接層和輸出層，典型的結構如上圖 2.2 所示。卷積層的操作可以認為是受局部感受野概念的啟發(fā)，而池化層的作用是降低數(shù)據維度。CNN 通過卷積核進行特征區(qū)分，并通過其特有的卷積權值共享和池化操作來降低網絡參數(shù)的量級，最后通過傳統(tǒng)的神經網路來進行分類等任務。2.2.2 循環(huán)神經網絡循環(huán)神經網絡也是一種常用的深度學習神經網絡，已在自然語言處理中取得成功。RNN 主要賦予神經網絡對時間建模的能力，能夠記錄時間之間的相關性。下圖就是一個典型的 RNN 結構，可以看到序列的當前輸入與前面的輸出有關，具體表現(xiàn)為網絡會對前面的信息進行記憶并應用于當前輸入的計算中。

實驗結果如下圖 3.3 所示，分別表示的在無人機懸停和以 8m/s 的速度移動時距離從 10 米到 60 米變化時，無線信道吞吐量的四分位點和中位數(shù)的變化趨勢，中可以得出，無論無人機是懸停還是飛行狀態(tài)，無線信道吞吐量都會隨著距離的增而減小。這一點能為本文后面考慮到距離對吞吐量的影響并提出 SA-ABR 算法提了思路。

【參考文獻】

相關期刊論文 前2條

1 王琦;劉勇;徐世錄;;無人直升機的裝備概況與發(fā)展[J];艦船電子工程;2009年01期

2 金敏,葉雄英,周兆英,熊沈蜀,魏強,索利洋;微型飛行器的微小攝像與無線傳輸系統(tǒng)[J];清華大學學報(自然科學版);2004年02期

本文編號：2714806