本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

无人机在环境监测系统中的轨迹优化研究

作者及机构
本研究的通讯作者为东南大学信息科学与工程学院、移动通信国家重点实验室的Jun Zheng（IEEE高级会员），第一作者为Kai Liu。研究由东南大学与紫金山实验室跨学科科学研究中心合作完成，发表于2022年12月的《IEEE Internet of Things Journal》（第9卷第23期）。

学术背景
随着无人机（UAV, Unmanned Aerial Vehicle）技术的快速发展，其在环境监测、灾害救援等领域的应用日益广泛。然而，在时间敏感的数据采集任务中，无人机需同时满足两个关键约束：
1. 信息年龄（AoI, Age of Information）限制：监测数据需在失效前传输至地面基站（GBS, Ground Base Station）；
2. 机载能量限制：无人机续航能力有限，需优化能耗。

现有研究多假设数据可容忍延迟，或忽略能量约束，导致实际应用中的性能瓶颈。本研究首次提出联合优化无人机飞行速度、悬停位置和访问序列的轨迹规划方法，以最小化任务完成时间。

研究流程与方法
1. 问题建模
- 场景设定：无人机在圆形监测区域（半径1000米）内访问N个随机分布的监测点，采集数据并传输至GBS。
- 关键变量：定义轨迹为飞行速度、数据采集悬停位置、数据传输悬停位置及访问序列的组合。
- 目标函数：最小化任务总时间，约束条件包括AoI阈值、能量限制、通信链路信噪比（SNR）要求等。

1. 问题分解与算法设计
   研究将原问题分解为两个子问题：

   • 速度优化子问题：基于连续凸近似（SCA, Successive Convex Approximation）方法，引入松弛变量（如λ_m表示速度相关项），通过迭代求解凸优化问题（使用CVX工具包）。
     
   • 路径优化子问题：
     
     • 访问序列优化：将问题转化为带邻域的旅行商问题（TSPN），采用遗传算法（GA, Generic Algorithm）生成最优访问顺序。
       
     • 悬停位置优化：引入松弛变量（如μ_k表示飞行距离），通过SCA方法迭代求解凸近似问题。
       

2. AOI-EATO算法
   整合上述子问题的解，提出AOI与能量感知轨迹优化（AOI-EATO）算法：

   • 迭代流程：交替优化速度与路径，直至目标函数收敛。
     
   • 计算复杂度：约为O(l4((l1(2n+2)^3.5 + l3(5n)^3.5)log(1/ε)))，其中n为监测点数量。
     

主要结果
1. 性能对比
- 与贪婪算法和随机算法相比，AOI-EATO在能量限制为280 kJ时：
- 任务完成时间缩短：平均减少15%-20%（图9）；
- 飞行速度提升：平均速度接近最大限速（图8）。
- 轨迹优化效果：AOI-EATO生成的轨迹总距离更短（图10a），且能动态调整悬停位置以满足AoI约束（图14）。

1. 阈值分析

   • 通过仿真获得AoI限制阈值（图12）：当AoI阈值低于26.7秒时，系统无法完成任务。此阈值可用于任务部署前的可行性评估。
     

2. 能量与AoI的权衡

   • 能量限制增加（>300 kJ）时，任务时间趋于稳定（图9）；
     
   • AoI限制放宽（>31秒）时，任务时间不再显著降低（图13）。
     

结论与价值
1. 科学价值
- 提出首个联合优化无人机速度、位置和序列的框架，解决了时间敏感数据采集中的多约束难题。
- 开发的AOI-EATO算法为复杂轨迹优化问题提供了可扩展的解决方案。

1. 应用价值
   
   • 实际部署指导：AoI阈值和能量-时间关系可直接用于任务规划。
     
   • 通信-感知协同设计：通过优化悬停位置平衡数据采集质量（如成功感知概率）与传输效率（如SNR）。
     

研究亮点
1. 创新性方法：
- 将非凸问题分解为可高效求解的子问题，结合SCA与GA的优势。
- 引入松弛变量（如η_k表示信道容量）处理非凸约束。

1. 实用性验证：
   
   • 仿真参数基于真实无人机模型（如推进功率参数d_0=0.6，v_tip=120 m/s）。
     
   • 公开代码实现（基于MATLAB）支持结果复现。
     

其他发现
- 通信链路优化：研究发现无人机在部分监测点（如A4、A10）可直接从采集位置传输数据，无需额外移动（图11a），揭示了地形对轨迹设计的重要性。

此报告全面涵盖了研究的背景、方法、结果与价值，为相关领域研究者提供了技术参考和应用指导。