多無人機協作以協助搜尋與救援行動

全文

(1)國立臺灣師範大學資訊工程研究所碩士論文. 指導教授：. 賀耀華. 博士. 多無人機協作以協助搜尋與救援行動 Multi-Drones Collaboration to Support Search and Rescue Operations. 研究生：蔡宇融. 撰. 一 O 六年. 中華民國 i. 六月.

(2) 摘要. Multi-Drones Collaboration to Support Search and Rescue Operations 當大型災難發生時，搜尋與救難團隊通常必須面對地形與障礙物的限制與挑戰，也因為這樣的限制無人飛行載具，例如:四軸飛行器，開始被運用到災難現場的資料探勘與蒐集。本篇研究提出了多無人機協作以協助搜尋與救援任務，利用無人機間飛行路徑的演算法設計，以達到用最少的無人機達到最高的區域覆蓋率（Coverage），同時還可以最小化重複覆蓋（Overlap）與搜尋時間。當通訊狀況良好時，中控式（Centralized）演算法藉由遠端控制中心（Remote control center）及時計算並控制每一台無人機飛行的路徑；此演算法仰賴無人機與遠端控制中心間的通訊連線，在災難發生時並無法確保通訊是不中斷的，因此我們也提出分散式演算法（Distributed Solution）以解決通訊中斷時飛行路徑的規劃。混合式演算法（Hybrid Solution）則利用無人機與與人機之間的通訊（Drone to drone, D2D）分享地圖資訊（例如：已拜訪過的區域）；除此之外，貪婪策略（Greedy Strategy）與優先權策略（Priority Strategy）也被運用在混合式演算法上，用以提高覆蓋率同時減少重複覆蓋與區域轉換的飛行距離。最後，由實驗結果得知我們所提出的演算法效能非常接近於最佳解（中控式演算法）. 關鍵字：多無人機、協作、路徑演算法、覆蓋率、重複覆蓋、飛行效率. ii.

(3) Abstract. Multi-Drones Collaboration to Support Search and Rescue Operations During search and rescue (SAR) operations in a large disaster occur, SAR teams often face the challenges of terrain restrictions. Unmanned Aerial Vehicles (UAVs), such as drones, have been used to support such operations to explore and collect information regarding the disaster area. In this research, we propose Multi-Drone Collaboration to support search and rescue (SAR) operations with cooperating flying path algorithms which require the least number of drones to achieve maximum coverage area while minimize overlapping and searching time. In the case of communication is available, Centralized algorithm is proposed to control all drone’s flying path with remote control center in real time. However, this approach required communication connection between drones and remote control center. When communication is interrupted in a disaster area, Distributed Solution can overcome the issue. In Hybrid Solution, droneto-drone (D2D) communication is used to share local map (i.e., searched regions) with other drones. In addition, Greedy Strategy and Priority Strategy are applied to Hybrid Solution to increase coverage while minimize overlapping and moving distance. iii.

(4) between sub-regions. Finally, simulation results show that the proposed solution performs closely to the best case (i.e. Centralized Solution).. Keywords：Multi-Drones、Collaboration、Path Algorithm、Coverage、Overlapping、 Utilization iv.

(5) 目錄. 附圖目錄 ........................................................................................... VII 附表目錄 ............................................................................................ IX 第一章緒論 ........................................................................................ 1 第一節. 研究背景.................................................. 1. 第二節. 研究動機.................................................. 2. 第三節. 問題描述.................................................. 3. 第二章相關文獻探討 ......................................................................... 7 第一節. 地圖切割（MAP DECOMPOSITION） ................................ 7. 第二節. 分散式合作演算法 ......................................... 9. 第三章方法設計 .............................................................................. 11 第一節. 中控式演算法（CENTRALIZED SOLUTION） ........................ 11. 第二節. 隨機演算法（RANDOM SOLUTION） .............................. 12. 第三節. 分散式演算法（DISTRIBUTED SOLUTION） ........................ 13. 第四節. 混合式演算法（HYBRID SOLUTION） ............................ 13. 第五節. 貪婪策略（GREEDY STRATEGY） ................................ 14. 第六節. 優先權策略（PRIORITY STRATEGY） ............................. 15 v.

(6) 第四章實驗評估 .............................................................................. 18 第一節. 子區域切割 .............................................. 19. 第二節. 演算法比較 .............................................. 20. 第三節. 貪婪策略（GREEDY STRATEGY） ................................ 21. 第四節. 優先權策略（PRIORITY STRATEGY） ............................. 22. 第五節. 所有方法覆蓋率比較 ...................................... 26. 第六節. 重複覆蓋率（OVERLAPPING. 第七節. 飛行效率（UTILIZATION）比較 ................................ 29. 第八節. 所有方法時間與覆蓋率比較 ................................ 30. RATIO）比較 ......................... 27. 第五章結論與未來展望 ................................................................... 31 參考著作 ........................................................................................... 33. vi.

(7) 附圖目錄圖 1 搜救區域與任務起始點示意圖............................................................ 3. 圖 2 重複覆蓋一次示意圖............................................................................ 5. 圖 4 不同飛行路徑對轉彎數影響圖............................................................ 7. 圖 5 多邊形旋轉與 Diameter Function 值圖 ............................................... 8. 圖 6 分散式合作演算法架構圖.................................................................... 9. 圖 7 割草機路徑示意圖.............................................................................. 11. 圖 8 動態調整飛行路徑示意圖.................................................................. 12. 圖 10. 分散式演算飛行路徑示意圖...................................................... 13. 圖 11. 根據所在位置決定子區域起始點示意圖.................................. 14. 圖 13. 鄰居子區域示意圖...................................................................... 16. 圖 15. 不同 m 值下覆蓋率與無人機數量關係圖 ................................. 19. 圖 17. 貪婪策略下覆蓋率與無人機數量關係圖.................................. 21. 圖 18. 子區域與子區域間移動距離示意圖.......................................... 22. 圖 19. 子區域間移動距離總和與無人機數量關係圖.......................... 23. 圖 20. Random、GD、GDP 覆蓋率與無人機數量關係圖 ................. 24 vii.

(8) 圖 21. Hybrid、GH、GHP 覆蓋率與無人機數量關係圖 ................... 25. 圖 22. 所有方法覆蓋率與無人機數量關係圖...................................... 26. 圖 23. 重複拜訪率與無人機數量關係圖.............................................. 27. 圖 24. 飛行效率與無人機數量關係圖.................................................. 29. 圖 25. 時間與覆蓋率關係圖.................................................................. 30. viii.

(9) 附表目錄表 1 模擬器與無人機參數設定.................................................................. 18. ix.

(10) 第一章緒論本章節將會針對研究背景、研究動機與問題描述做介紹。. 第一節. 研究背景. 當大規模災難發生時，如果要進行搜救任務，首先一定會碰到的問題就是地形限制，到處斷垣殘壁，亦或是道路坍方，為了克服這些地形限制，我們需要出動怪手等大型機具進行障礙物的掃除，或是救難團隊徒步攀爬進入災區進行搜尋與救援任務（Search and rescue operations, SAR）。現今用於找尋受難者的方法不外乎兩種：（一）搜救犬（二）生命探測儀。搜救犬除了訓練困難導致數量不足外，於災難現場通常還伴隨著大量粉塵、煙霧…等因素影響搜救犬的嗅覺，因此搜救犬無法很長時間的執行搜救任務。生命探測儀則仰賴高感測度的感測器，藉由感測器找出呼吸、心跳…等微小的生命徵兆並定位出受難者的位置。但生命探測儀除了設備非常昂貴外、能夠探測的範圍非常的小，並且探測的精準度還很容易受到環境干擾。所謂的黃金七十二小時是災難發生下，受難者不吃不喝最長可以存活三天，因此在這七十二小時內能越快找出受難者的所在位置，就能大幅提升受難者存活率。但當大規模災難發生時，往往缺乏搜救資源（例如：救難團隊），也因為障礙物的因素，往往都只能挑選容易到達的目標作為首要的搜救區域。大家如果還有記憶，莫拉克風災造成的小林村事件也是因為小林村位處偏僻，因而沒辦法第一時間進入搶救，造成無法挽救的悲劇。. 1.

(11) 第二節研究動機為了能夠在大規模災難發生當下搶先進行災區資訊的蒐集，卡崔娜颶風（Hurricane Katrina）時就已經有人利用無人機（Drone）無視地形限制的特性，進行災區資訊的蒐集；再加上現今無人飛行器技術越來越純熟，搭載有非常多的感測裝置（e.g., GPS、Wi-Fi、相機[1]、紅外線相機、聲納…等），這些感測裝置都能有效的替我們集災區的資訊，任務完成後也能第一時間將資訊提供給救援指揮團隊，有效的分配救難人員與資源。除此之外，無人機還具有部屬快速的特性，只要備有電池就可以直接進行任務，也因此無人機非常適合用於災難現場的資訊蒐集。當我們運用無人機執行災區資訊蒐集時，則必須考量到幾種因素： . 感測器感測範圍：當無人機處於災區時，我們需要考量到環境干擾影響感測器準確度的問題，因此如何選取適當的距離當作感測半徑是很重要的。. . 飛行的高度與路徑：我們可以將無人機感測的範圍視為一個球型，而當無人機飛行高度較高時，可以接收到的訊號範圍變大[2]，但是精準度則較低；飛行高度較低時，又會讓感測器接收到的訊號範圍減少，但能偵測到較強的訊號。另外，如何決定飛行的路線也是很重大的議題，當多台無人機同時進行任務時，分配這每一台無人機的路徑，也是需要有策略性的，才能達到好的區域覆蓋率（Coverage）. 2.

(12) . 電池電量：以現今的無人機，每一台的電量大約只能支撐 20 分鐘的任務時間，因此如何有效的利用每個電池的時間也是很重要的議題。. 第三節. 問題描述. 由於大規模災難發生時，災區的中心區域並沒有辦法輕易地進入，每一個救難團隊抵達的時間點與抵達的地點皆不盡相同，因此我們假設無人機開始執行任務的起始點為搜尋區域的四周圍，並且會在不同的時間與地點進入災區，如圖 1 所示。. Starting Point. Starting Point. Starting Point. Searching Area. 圖1 搜救區域與任務起始點示意圖. 然而在現實世界執行搜救任務時，往往會考量區域優先權問題[3]，例如：若有一個區域有五十名受難者與另一區域只有五名受難者，基於現實的考量，往往我們會選擇擁有五十名受難者的區域作為搜救的首要目標；但小林村事件. 3.

(13) 仍然記憶猶新，既然利用無人機克服地形障礙的問題，那麼每一個區域都應該被公平的對待。因此設計飛行路徑的方法，我們有以下目標：. . 最大的覆蓋率（Maximize coverage）. . 能降低重複覆蓋（Reduce overlap）. . 盡可能減少搜尋完區域的時間（Minimize searching time）. . 盡可能減少無人機所需要的數量（Minimize num. of drones）. 為此，我們先來定義覆蓋率（Coverage）：. ∑𝑛𝑖=1(2𝑟𝑖 𝑉𝑡𝑖 + 𝑅 ) − (𝑂𝑣𝑒𝑟𝑙𝑎𝑝_𝑁𝑢𝑚) 𝐶= × 100% 𝐿𝑊 =. ∑𝑛𝑖=1(2𝑟𝑖 𝑉𝑡𝑖 + 𝑅 ) − (∑𝐿𝑥=1 ∑𝑊 𝑦=1 𝑂𝑥,𝑦 ) 𝐴. × 100% (1). C：覆蓋率（％）. W: 搜救區域寬（m）. A：搜尋區域面積，A=LW（m）,. 𝑟𝑖 ：第 i 台無人機感測半徑（m）. V：無人機飛行速度（m/s）. n:：無人機數量. R：無人機感測範圍,. R=𝑟𝑖2 𝜋（m2）. i：第 i 台無人機. 𝑂𝑥,𝑦 ：（x, y）區域重複覆蓋次數 L: 搜救區域長（m）. 4.

(14) 重複覆蓋（Overlap）：. 當無人機在執行任務時，若是感測範圍重複覆蓋在某一區域上時，我們稱之為重複覆蓋。如圖 2、圖 3 所示。因為當多架無人機在執行任務時，區域有可能會重複覆蓋很多次，因此在計算覆蓋率（Overlapping ratio）時我們必須要扣掉這些重複拜訪的次數。. Overlap 1 time 圖2 重複覆蓋一次示意圖. Overlap 2 times. Overlap 1 time. 圖3 重複覆蓋一次與兩次示意圖 5.

(15) 重複覆蓋率（Overlapping ratio）：. 此算式用來評估所有被拜訪過的區域中，有多少的區域有被重複拜訪過。. Overlapping Ratio =. 𝑇𝑜𝑡𝑎𝑙 𝑂𝑣𝑒𝑟𝑙𝑎𝑝 𝐴𝑟𝑒𝑎 𝑇𝑜𝑡𝑎𝑙 𝐶𝑜𝑣𝑒𝑟𝑒𝑑 𝐴𝑟𝑒𝑎. (2). 飛行效率（Utilization）：無人機有一個特性是必須考量到電池電量的因素，我們必須讓無人機在完全沒電前回到開始執行任務的地點，因此返回任務點都會剩餘一點點的電力。此算式用來評估實際飛行時間所覆蓋的總面積與覆蓋總面積的關係。. 𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛 =. 𝑇𝑜𝑡𝑎𝑙 𝐶𝑜𝑣𝑒𝑟𝑒𝑑 𝐴𝑟𝑒𝑎 𝑇𝑜𝑡𝑜𝑎𝑙 𝐹𝑙𝑦𝑖𝑛𝑔 𝐴𝑟𝑒𝑎. 6. (3).

(16) 第二章相關文獻探討此章節會分為兩個部分。第一部分，我們會先介紹搜尋時如何決定地圖切割（Map Decomposition）。第二部分會介紹一種分散式合作演算法(Distributed Collaboration Algorithm)結合老化技術（Aging），讓每個子區域能（Sub region）夠盡快地被訪問到，並可以結合多台無人機間只要彼此在通訊範圍 (Communication range)內，就可以交換資訊，進而達到動態調整飛行路徑與自動導航。. 地圖切割（Map Decomposition）. 第一節. 因為地圖有時候並不是一個凸多邊形（Non-convex polygon），因此會先將它轉換為凸多邊形（Convex polygon）後才進行更進一步的切割[4]。考量到固定翼無人飛行載具（Fixed Wing Unmanned Aerial Vehicle，UAV）進行越多次的轉彎則需要額外耗費更多的能量，因此切割地圖時要能夠減少轉彎次數，以達到節能的目標，如圖 4 所示。[2][4][5][6]為了計算出最好的切割角度，首先旋轉這個多邊形，如圖 5 所示，並藉由 Diameter Function 算式（3），算出最大的𝑑(𝜃)值，並且就以此角度進行切割。. 圖4 不同飛行路徑對轉彎數影響圖. 7.

(17) 圖5 多邊形旋轉與 Diameter Function 值圖. 𝑘1 sin(𝜃 + ∅1 ) 𝜃 ∈ [𝜃0 , 𝜃1 ) 𝑘2 sin(𝜃 + ∅2 ) 𝜃 ∈ [𝜃1 , 𝜃2 ) . 𝑑(𝜃) = . . {𝑘2𝑛 sin(𝜃 + ∅2𝑛 ) 𝜃 ∈ [𝜃(2𝑛−1) , 𝜃2𝑛 ). (3). 此種切割地圖的方式，因考量固定翼無人飛行載具有最大轉彎角度限制，因此必須減少轉彎次數；但當運用到無人機時，無人機對於轉彎角度並沒有嚴格限制。上述的研究內容也都以一台固定翼無人飛行載具配對一個搜尋區域，並無法支援到多架的無人飛行載具共同搜尋同一個區域。我們所提出的方法除了支援多台無人機可以搜尋同一個區域外，還同時允許每一台無人機可以在不同的時間（Starting time）與地點（Starting point）開始執行任務。. 8.

(18) 第二節. 分散式合作演算法. 為了能夠加速區域探索的任務，利用多架固定翼無人飛行載具進行探索是一個可行的方式，但若各架固定翼無人飛行載具之間沒有合作關係的話，很容易探索到之前已經探索過的區域，進而造成能源與時間上的浪費。因此[7]提出了分散合作演算法，各架固定翼無人飛行載具利用本身配有的感測裝置進行資料的蒐集，當固定翼無人飛行載具的通訊範圍內有其他的固定翼無人飛行載具時，它們可以進行資訊的交換；同時搭配上老化技術（Aging），對於尚未拜訪過的區域，就讓它老化，下次要決定拜訪目標時除了參考老化地圖（Age map）外，還同時參考可行地圖（Feasibility map），確保每個地點都可以儘快地被拜訪到之外，還可以減少拜訪到已經拜訪過的區域，演算法架構圖如圖 6 所示。. 圖6 分散式合作演算法架構圖. 9.

(19) 當災難發生時通常伴隨著通訊中斷，此種分散式合作演算法並不需要藉由控制中心（Ground station）進行地圖資訊的傳遞，而是當固定翼無人飛行載具彼此處於通訊範圍內時進行資訊交換，能夠有效的運用在通訊中斷的環境中。但是此篇研究並沒有將能源問題考量進去，也因為現今無人機（Drone）的電量有限，若是將老化技術運用在無人機上，有可能因此挑選到的搜尋區域很遠，要花費非常多的電量在移動上，造成大量的電力消耗與移動路徑的重複覆蓋（Overlap）。我們所設計的方法有將電量限制的因素考量進去，同時也盡可能提高覆蓋率（Coverage）。. 10.

(20) 第三章方法設計本章節所介紹的演算法主要有兩種類型，第一種為通訊良好的類型：中控式演算法（Centralized Solution），此種類型擁有最好的效能。第二種為通訊中斷下的類型分散式演算法（Random, Distributed, and Hybrid Solution）. 第一節. 中控式演算法（Centralized Solution）. 在通訊不中斷的情況下，我們利用[2]所提出的方法，選擇長邊做飛行路徑選擇，並且為了能夠讓多架無人機同時進行探索任務，我們結合了割草機路徑（Lawnmower pattern）[8]，當只有一台無人機在執行任務時，採用割草機路徑，如圖 7 所示。當無人機數量 > 2 時，我們則運讓無人機可以動態調整飛行路徑，於轉彎處交錯飛行，如圖 8 所示。此種演算法為我們評估效能中的最佳（Best case）方法。. Drone 1 圖7 割草機路徑示意圖. 11.

(21) Drone 1. Drone 2. 圖8 動態調整飛行路徑示意圖. 第二節. 隨機演算法（Random Solution）. 當通訊中斷時，無法藉由遠端控制中心（Remote control center）即時控制並規劃每一架無人機的飛行路徑。為此我們勢必得採用分散式類型演算法的拜訪方式，隨機演算法（Random Solution）基於隨機航點模型（Random waypoint model），在沒有進行任何地圖的切割下，每台無人機於地圖中隨機挑選一個節點並拜訪它，若在拜訪的途中電量不足則返回起飛點；到達下一個節點後，再於地圖中隨機選取一個節點，直到電量不足返航為止。此種方法會產生大量的重複覆蓋，因此也為效能評估中的最差（Worst case）方法。圖 9 為無人機飛行路徑示意圖：. 圖9 隨機節點演算法飛行路徑示意圖 12.

(22) 第三節. 分散式演算法（Distributed Solution）. 分散式演算法（Distributed Solution）首先會將地圖切割成 m*m 個子區域(Sub regions)，無人機會先隨機從中挑選一個子區域拜訪，當拜訪完成後要決定下一個子區域時，會從尚未拜訪過的子區域中隨機挑選一個子區域做拜訪，而每一個子區域拜訪順序由左上角為起點向下飛行；與隨機節點演算法不同的點在於：隨機節點演算法拜訪以節點為單位，而分散式演算法則以子區域為單位。圖 10 為分散式演算飛行路徑示意圖。. 圖10. 第四節. 分散式演算飛行路徑示意圖. 混合式演算法（Hybrid Solution）. 混合式演算法（Hybrid Solution）由分散式演算法（Distributed Solution）延伸而來，在混合式演算法中，當無人機與無人機的位置處於通訊範圍內時，彼此可以交換已拜訪過的地圖資訊；當在決定要拜訪子區域時，會優先從自己以及交換過資訊的無人機中尚未拜訪過的子區域裡隨機挑選，也就是說經由分享彼此以. 13.

(23) 拜訪區域，進而避免拜訪到已拜訪過的子區域，降低重複覆蓋。混合式演算法與分散式演算法差別在於，當兩架無人機處於通訊範圍內時，是否有地圖資訊分享的機制。. 第五節. 貪婪策略（Greedy Strategy）. 由圖 10 中我們發現每個子區域的起點都是由右上角開始，而當每個子區域拜訪完後，紅色路徑都為重複拜訪的路徑，重複拜訪即代表電力的浪費，因此為了有效的降低重複路徑，在決定下一個子區域起點時，我們應該要讓無人機根據當下所在的位置，選擇最靠近下一個拜訪子區域的點作為起點，如圖 11 所示。. 圖11. 根據所在位置決定子區域起始點示意圖. 14.

(24) 第六節. 優先權策略（Priority Strategy）. 優先權策略在決定下一個拜訪的子區域時，會將子區域類型劃分為三種：. . 鄰近子區域（Nearby sub-regions）. 鄰近區域為最靠近無人機當下所在位置的子區域集合，如圖 12 所示，綠色虛線為無人機飛行路徑，當在決定下一個拜訪的區域時，紫色所示的三個區域定義為鄰近子區域。. 圖12. . 鄰近子區域示意圖. 鄰居子區域（Neighbor sub-regions）. 鄰居區域為在決定下一個拜訪的子區域時，距離無人機當下所在位置距離為 1 個子區域大小的子區域集合，如圖 13 所示，紅色所示的四個子區域定義為鄰居子區域。. 15.

(25) 圖13. . 鄰居子區域示意圖. 其他區域（Other sub-regions）. 其他子區域為扣除鄰近子與鄰居子區域所剩餘的子區域集，如圖 14 所示，藍色子區域為其他子區域。. 圖14. 其他子區域示意圖. 優先權策略在決定下一個要拜訪的子區域時，優先從鄰近子區域中隨機挑選尚未拜過的子區域；若鄰近子區域都被拜訪過了，則從鄰居子區域中隨機挑選；若鄰居子區域也都被拜訪過了，則從其他子區域中隨機挑選子區域進行拜訪。優 16.

(26) 先權策略可以套用到分散式演算法（Distributed Solution）與混合式演算法（Hybrid Solution）。沒有套用優先權策略與有套用優先權策略差別在於沒有套用優先權策略在決定下一個拜訪的子區域時，全地圖隨機挑選自己尚未拜訪過的子區域；而套用優先權策略的則是在決定拜訪子區域時，拜訪的優先順序為鄰近子區域 > 鄰居子區域 > 其他子區域。. 17.

(27) 第四章實驗評估本章節主要針對各種我們提出的演算法進行比較，第一節會先針對我們如何對地圖進行切割進行實驗。第二節則比較四種不同的演算法的覆蓋率與無人機數量關係。第三節評估貪婪策略（Greedy Strategy）所造成的覆蓋率提升效果。第四節評估優先權策略（Priority Strategy）所造成的覆蓋率提升效果。第五節評估所有演算法覆蓋率（Coverage）與無人機數量關係。第六節評估重複覆蓋率（Overlapping ratio）與無人機數量關係。第七節評估飛行效率（Utilization）與無人機數量關係。第八節評估覆蓋率與搜尋時間關係。表1 模擬器與無人機參數設定參數. 數值. 搜尋區域無人機飛行速度. 1km2 5m/s. 無人機感測半徑無人機電量無人機通訊範圍實驗次數. 10m 20min 50m 100 次. 18.

(28) 第一節. 子區域切割. 我們於第三章第三節中提到分散式演算法（Distributed Solution）會先將地圖切割成 m*m 個子區域，為了找出這個 m 值我們做了以下實驗，我們針對分散式演算法不同的 m 值去畫出覆蓋率（Coverage）與無人機數量關係圖，如圖 15 所示，我們發現當 m = 5 時擁有最高的覆蓋率。推測的原因為：實驗設定感測半徑為 10𝑚，每個子區域大小（200m*200m）剛好為感測範圍 20 公尺的倍數；雖然當 m = 10 時，每個子區域大小也是感測半徑的倍數，但是當子地圖切割的越小，在子區域間移動的頻率越頻繁，造成子區域間移動總距離越長。此間距越長也就代表越耗費電量在子區域移動上，因此切割地圖除了要考量感測半徑外，每一個子區域大小也不能太小。由這個實驗結果，我們將 m 設為 5，也就是說每個子區域大小為 200m*200. 圖15. 不同 m 值下覆蓋率與無人機數量關係圖 19.

(29) 第二節. 演算法比較. 我們將隨機演算法（Random Solution）、中控式演算法（Centralized Solution）、分散式演算法（Distributed Solution）以及混合式演算法（Hybrid Solution）進行覆蓋率與無人機數量關係圖，如圖 16 所示。由圖中可知當無人機數量 = 15 時，中控式演算法就已經覆蓋了 98.7%區域；無人機數量 = 20 時，也只能夠大約提高 0.4%的覆蓋率，也就是對於 1km2 大小搜尋區域大約 15 台的無人機就可以完整覆蓋，因此於中控式演算法，我們只取無人機數量最大為 20（亦即未來加入任務的無人機都會重複覆蓋已經拜訪過的區域）。同時混合式演算法擁有 90.9%覆蓋率，分散式演算法擁有 78.8%覆蓋率，而 Random 僅有 72.9%的覆蓋率。. 圖16. 覆蓋率與無人機數量關係圖. 20.

(30) 第三節. 貪婪策略（Greedy Strategy）. 第三章第五節提到，若沒有根據無人機所在位置來決定子區域的起始點的話，會浪費電量於重複拜訪相同的子區域（如圖 10 紅色虛線所示），此種方法也同樣可以套用至分散式演算法與混合式演算法，稱之為貪婪分散式演算法（Greedy Distributed Solution）與貪婪混合式演算法（Greedy Hybrid Solution）。我們分別針對分散式演算法、貪婪分散式演算法、混合式與貪婪混合式演算法繪出不同演算法下覆蓋率與無人機數量關係圖，如圖 17 所示。由圖中得知，採用貪婪策略平均可以提高 1.5%的覆蓋率。因此可以得知根據所在位置來決定下一個子區域的起始點是能夠小幅度提高覆蓋率。. 圖17. 貪婪策略下覆蓋率與無人機數量關係圖. 21.

(31) 優先權策略（Priority Strategy）. 第四節. 於第三章第六節中我們提到，優先權策略優先拜訪鄰近子區域 > 鄰居子區域 > 其他子區域，這種策略帶來的好處是大幅地降低子區域與子區域間的移動距離。由圖 18 中我們可以觀察到當無人機由最右下角移動到最左上角時，這段移動的距離(紅色虛線所示)，都是重複覆蓋的情形。. 圖18. 子區域與子區域間移動距離示意圖. 我們將優先權策略套用到貪婪混合式，稱之為貪婪混合式優先權（Greedy Hybrid Priority）演算法。我們針對貪婪混合式與貪婪混合式優先權演算法畫出移動距離總和與無人機數量的關係圖，如圖 19 所示。由圖中發現當無人機數量 = 5 時，移動距離總和可以降低 77.92%；當無人機數量 = 10 時，移動距離總合可以降低 63.59%；當無人機數量 = 15 時，移動距離總和仍然可以降低 44.78%。因此優先權策略可以大幅地降低子區域間的移動距離，進而將這些省下來的電量投入區域覆蓋任務。（根據實驗參數設定，一台無人機可飛行距離為 5m/s*20min = 6000 m）. 22.

(32) 圖19. 子區域間移動距離總和與無人機數量關係圖. 為了瞭解採用優先權策略後，是否能有效的提高覆蓋率，我們針對隨機（Random）、貪婪分散式（Greedy Distributed，以下簡稱 GD）、貪婪分散式優先權（Greedy Distributed Priority，以下簡稱 GDP）演算法繪出覆蓋率與無人機數量關係圖，如圖 20 所示。發現套用優先權策略並無法有有效的提高貪婪分散式演算法覆蓋率，反而還會讓結果低於隨機演算法。推測的原因為無人機的起點都落在搜尋區域的四周圍，因此貪婪分散式優先權演算法會先從四周圍的子區域開始拜訪起，而因為沒有地圖資訊交換的因素，導致無人機會優先拜訪最靠近當下位置的子區域，因而造成大量的重複拜訪。. 23.

(33) 圖20. Random、GD、GDP 覆蓋率與無人機數量關係圖. 同時我們也想了解套用優先權策略後貪婪混合式演算法是否能更增進覆蓋率，圖 20 為混合式（Hybrid）演算法、貪婪混合式（Greedy Hybrid，以下簡稱 GH）、貪婪混合式優先權（Greedy Hybrid Priority，以下簡稱 GHP）演算法繪出覆蓋率與無人機數量關係圖，由圖中可以發現有別於貪婪分散式演算法套用了優先權策略後反而會降低覆蓋率，貪婪混合式優先權演算法於無人機數量 = 10 時提高了 6.7%的覆蓋率，於無人機數量 = 15 時提高了 2.5%。優先權策略大幅降低子區域與子區域間的移動距離，並透過交換地圖資訊，使得已拜訪過的的子區域資訊可以告訴通訊範圍內的無人機，進而大幅降低重複覆並提高覆蓋率。. 24.

(34) 圖21. Hybrid、GH、GHP 覆蓋率與無人機數量關係圖. 25.

(35) 第五節. 所有方法覆蓋率比較. 圖 22 為所有方法覆蓋率與無人機數量的關係圖，我們可以觀察到中控式（Centralized）演算法在無人機數量 = 15 時擁有最好的覆蓋率；我們所提出的貪婪混合式優先權（Greedy Hybrid Priority）演算法能夠接近於中控式演算法的覆蓋率。我們同時也發現貪婪分散式優先權（Greedy Distributed Priority）演算法因為重複覆蓋的問題導致覆蓋率甚至比隨機（Random）演算法的覆蓋率還要低。. 圖22. 所有方法覆蓋率與無人機數量關係圖. 26.

(36) 第六節. 重複覆蓋率（Overlapping ratio）比較. 圖 23 為重複覆蓋與無人機數量關係圖，我們將這張圖拆成無人機數量 < 20、無人機數量 = 20 與無人機數量 > 20 三部分來看。首先，當無人機數量 < 20 時，中控式（Centralized）演算法擁有最低的重複覆蓋率，而我們所提出的貪婪混合式優先權（Greedy Hybrid Priority）演算法則比較靠近中控式演算法，這代表利用貪婪與優先權策略可以有效地降低重複覆蓋的問題。. 圖23. 重複拜訪率與無人機數量關係圖. 而當無人機數量 = 20 時，貪婪混合式優先權演算法可以達到 94.7%覆蓋率，同時重複覆蓋率開始快速的提升，當無人機數量時重複覆蓋率可以達到 91.5%，無人機數量 = 40 時重複覆蓋率更可以達到 96.8%。這代表了當無人機數量多於最低完全覆蓋需求量時，對於所有已經拜訪過的區域，貪婪混合式優先權演算法 27.

(37) 可以較平均的分散拜訪這些區域，不會有某些區域很集中的重複拜訪（如貪婪翻散式優先權演算法，重複拜訪的區域多為四周）。這項特性可以運用在資料的驗證與校正，也就是說當我們要拿取某些區域所蒐集的資料時，我們能有很多筆資料做挑選，不會因為有極端值或者資料丟失而影響到該區域所收集到的資訊的準確度。. 28.

(38) 第七節. 飛行效率（Utilization）比較. 圖 24 為 Utilization 與無人機數量關係圖，中控式（Centralized）演算法仍然擁有最佳的飛行效率，當無人機數量 = 5 時，飛行效率可以高達 81%，當無人機數量 = 10 時飛行效率可以達到 73%，當無人機數量 = 15 時仍然可以達到 60%。. 但我們所提出的貪婪混合式優先權（Greedy Hybrid Priority）演算法卻在無人機數量 = 5 時，飛行效率低於貪婪混合式（Greedy Hybrid）演算法，推測的原因為：當無人機處於鄰近的子區域卻不在通訊範圍內，優先權策略會優先拜訪鄰近區域的，因而造成大量的重複覆蓋。. 圖24. 飛行效率與無人機數量關係圖. 29.

(39) 第八節. 所有方法時間與覆蓋率比較. 圖 25 為覆蓋率與時間關係圖。n 為無人機數量，當無人機數量 = 15 時，中控式（Centralized）演算法平均需要 996 秒的時間可以達到 95%的覆蓋率，而此時貪婪混合式優先權（Greedy Hybrid Priority，以下簡稱 GHP）演算法達到 90% 覆蓋率，貪婪混合式（Greedy Hybrid）演算法達到 85%覆蓋率，貪婪分散式（Greedy Distributed）只有達到 73%，隨機（Random）演算法則只有 68%覆蓋率。. 若我們所提出的貪婪混合式優先權演算法與沒有合作機制的 Random 演算法做比較，以覆蓋 60%的區域為例，貪婪混合式優先權所需要的時間平均為 571s，而隨機演算達到相同覆蓋率則需要 815s，利用貪婪混合式優先權演算法可以縮短高達 29.9%的時間。. 圖25. 時間與覆蓋率關係圖 30.

(40) 第五章結論與未來展望由於現今無人機的普及以及可以搭載許多感測裝置與無視地形限制的特性，無人機已經開始運用在區域探索、目標追蹤或是搜救任務上。在大規模災難發生當下，我們希望藉由無人機的特性，搶先進入災區蒐集災區資訊，最後將蒐集到的資訊整合給統籌單位進行任務與資源分配。但是在多台無人機同時進行任務時，我們期望可以盡快地將整個搜救區域探勘完成，也就是無人機之間必須要有策略性地進行區域探勘，才能有效的降低重複覆蓋、加快搜尋區域時間，並且能夠用最少的無人機達到最高的覆蓋率。. 中控式（Centralized）演算法由實驗結果得知，它能以最少的無人機數量達到最高的覆蓋率，有效的減少重複覆蓋率，並且以最快的速度完成區域探索。但是中控式演算法必須建立在沒有通訊良好的環境中，當大規模災難發生時，往往通訊基礎建設都是中斷的，因此中控式演算法並沒有辦法適用於通訊中斷的環境中。. 本篇研究提出了貪婪混合式優先權（Greedy Hybrid Priority）演算法，藉由無人機當下位置來決定下一個拜訪的子區域起點，以及優先拜訪鄰近區域（Nearby Region）以大幅減少子區域與子區域間移動距離的浪費，並且可以與鄰近無人機分享已拜訪過的地圖資訊，以達到接近中控式演算法的效能；貪婪混合式優先權演算法也只需要無人機與 drone 無人機可以通訊的條件，以現今科技與技術來說， 31.

(41) 已經是非常容易達成的。同時貪婪混合式優先權演算法也是一種分散式的架構，因此非常適合用於大規模災難發生時，通訊中斷的情況。. 由於我們的實驗假設所有的無人機規格都相同(e.g., 電池電量、飛行速度、飛行高度…等)，就真實狀況下會有各種不同無人機的規格，因此未來我們期望可以將實驗擴展到不同廠牌、規格的無人機與不同的環境上；除此之外，我們還希望探勘區域的同時，藉由感測裝置所收到的訊號，可以利用定位演算法（e.g., 三角定位法[9]或 RSSI 訊號強弱[10]）定位出災民可能的位置；最後，我們期望無人機進入災區時可以精準的協助我們定位出災民所在的位置，但是當收到訊號時如何動態的改變飛行路徑並精確地找出災民所在在位置，也會是我們未來研究的重要的目標之一。. 32.

(42) 參考著作. [1] M. A. Goodrich, B. S. Morse, D. Gerhardt, J. L. Cooper, M. Quigley, J. A.Adams, and C. Humphrey, “Supporting wilderness search and rescue using a cameraequipped mini UAV, ” Journal of Field Robotics, vol. 25, pp. 89-110. 2008. [2] I. Maza, A. Ollero, “Multiple UAV cooperative searching operation using polygon area decomposition and efficient coverage algorithms,” Distributed Autonomous Robotic Systems, pp. 221–230, 2007. [3] J. Ousingsawat, “UAV Path Planning for Maximum Coverage Surveillance of Area with Different Priorities,” The 20th Conference of Mechanical Engineering(COMS), 2006. [4] J.F. Araujo, P.B. Sujit, J.B. Sousa, “Multiple UAV area decomposition and coverage,” in Symposium on Computational Intelligence for Security and Defense Applications(CISDA), 2013 [5] W.H. Huang, “Optimal line-sweep-based decompositions for coverage algorithms,” in IEEE International Conference on Robotics and Automation, 2001. [6] M. Mehdizade, “A Decomposition Strategy for Optimal Coverage of an Area of Interest using Heterogeneous Team of UAVs,” Concordia University, Quebec, Canada, pp. 77-100, 2012: 33.

(43) [7] J. Yining, W. Yanxuan, F. Ningjun, “Research on Distributed Cooperative Control of Swarm UAVs for Persistent Coverage,” Proceedings of the 33rd Chinese Control Conference(CCC), 2014 [8] T. Trimble, “How to Mow a Lown: Rows or Spirals?,” – [Online]. Available: http://www.popularmechanics.com/home/lawn-garden/how-to/a5935/how-tomow-a-lawn-patterns [9] J. Jinfang, H. Guangjie, X. Huihui, “LMAT: Localization with a Mobile Anchor Node Based on Trilateration in Wireless Sensor Networks,” Global Telecommunications Conference (GLOBECOM), 2011 [10] S. Ferreira, G. Carvalho, F. Ferreira and J. Sousa, “Assessing the capacity of manportable UAVs for network access point localization, using RSSI link data,`” in International Conference on Unmanned Aircraft Systems(ICUAS), 2014.. 34.

(44)