基于传感器辅助的无人机自适应视频流比特率算法研究

发布时间：2020-06-15 18:15

【摘要】：现阶段无人机(Unmanned Aerial Vehicle,UAV)技术的快速发展使得其在民用和军事中得到了广泛的应用,其中无人机视频回传是无人机系统的一个重要功能。如何在无人机和地面接收端之间进行实现实时高清视频传输是一个很大的难题。现阶段已有的自适应视频流比特率(Adaptive Bitrate,ABR)算法都未考虑根据无人机链路状态进行优化,但是通常由于无人机的飞行状态改变的很剧烈会导致无人机飞行过程中的链路状态也会有显著的波动,因此传统的ABR算法在无人机与地面接收端之间的视频回传中并不能很好的适用。因此,本文在深入探索无人机的飞行状态对其无线通信链路的影响后,提出了一个新的基于无人机传感器增强辅助的深度强化学习自适应比特流(Sensor-Augmented Adaptive Bitrate,SA-ABR)算法,通过借助无人机中的各种固有传感器数据的辅助来产生自适应视频流。本文先着重研究了无人机飞行状态,具体包括速度、加速度以及与地面接收端之间的距离等因素对无人机链路信道吞吐量的影响,在此基础上,将传感器数据和视频播放过程中的状态参数进行结合,通过训练深度强化学习(Deep Reinforcement Learning,DRL)的模型从飞行状态信息中提取出显著信息并且学习如何适应剧烈变化的无人机信道容量。SA-ABR不依赖与关于无人机飞行状态或者环境的任何假设和模型,而是通过深度学习中的长短期记忆网络(Long Short-Term Memory,LSTM)来探索无人机过去一段时间内吞吐量的模式来适应剧烈变化的环境,从而对下一步的视频流比特率做出选择。基于以上方案,本文在室外实际采集了大量的无人机飞行中的实际数据,并且在商业无人机上实现了SA-ABR算法,最后在室外进行了验证和评估。本文将SA-ABR算法与现阶段已有的各种自适应比特流算法进行比较,结果表明本文的系统在视频用户质量体验上平均优于现有的最佳自适应算法21.4%。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V279;V243
【图文】：

典型结构,循环神经网络,卷积

图 2.2 卷积神经网络典型结构CNN 网络结构一般包括输入层、卷积层、池化层、全连接层和输出层，典型的结构如上图 2.2 所示。卷积层的操作可以认为是受局部感受野概念的启发，而池化层的作用是降低数据维度。CNN 通过卷积核进行特征区分，并通过其特有的卷积权值共享和池化操作来降低网络参数的量级，最后通过传统的神经网路来进行分类等任务。2.2.2 循环神经网络循环神经网络也是一种常用的深度学习神经网络，已在自然语言处理中取得成功。RNN 主要赋予神经网络对时间建模的能力，能够记录时间之间的相关性。下图就是一个典型的 RNN 结构，可以看到序列的当前输入与前面的输出有关，具体表现为网络会对前面的信息进行记忆并应用于当前输入的计算中。

吞吐量,飞行状态,无线信道,无人机

实验结果如下图 3.3 所示，分别表示的在无人机悬停和以 8m/s 的速度移动时距离从 10 米到 60 米变化时，无线信道吞吐量的四分位点和中位数的变化趋势，中可以得出，无论无人机是悬停还是飞行状态，无线信道吞吐量都会随着距离的增而减小。这一点能为本文后面考虑到距离对吞吐量的影响并提出 SA-ABR 算法提了思路。

【参考文献】