Planning UAV Flight Trajectories for Monitoring Large Areas

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Modern agriculture covers vast areas, and effective monitoring of these territories plays a key role in precision farming. Wireless sensor networks are widely used to obtain real-time information on the condition of agricultural crops. However, manually collecting data from such sensors (deployed across a sensor network) is challenging. At the same time, unmanned aerial vehicles (UAVs) are increasingly used to provide automated and highly accurate data collection. This article addresses the problem of constructing an optimal UAV trajectory to efficiently collect data from distributed sensor nodes. The goal is to minimize the total route length while fully covering the sensing zones of all devices. Within the study, four route planning methods were developed and compared: the centroid-based method, the three-point method, the tangential method, and the optimal point selection method within the coverage radius boundary. Each method was implemented as a programmatic algorithm, including route construction, geometric optimization, and coverage evaluation. All methods were tested under the same conditions using a set of sensors distributed over a defined area. Evaluation criteria included total path length, number of maneuver points, and computation time, across coverage radii from 1 to 50 meters. The authors propose two approaches for trajectory optimization: a clustering-based centroid algorithm and an enhanced three-point algorithm based on the Lin-Kernighan heuristic. Experimental results showed that the proposed dual-algorithm method significantly outperforms previously studied route planning methods. Thus, this paper presents a comprehensive approach to UAV route planning for agricultural field monitoring, considering geometric, algorithmic, and computational factors. It also provides practical recommendations for selecting the most suitable method based on the spatial structure of the sensor network.

Авторлар туралы

A. Rodionov

Институт вычислительной математики и математической геофизики Сибирского отделения Российской академии наук (ИВМиМГ СО РАН)

Email: alrod@sscc.ru
Lavrentyev Av. 6

T. Matkurbanov

Novosibirsk State University (NSU)

Email: t.matkurbanov@g.nsu.ru
Lyapunova St. 4

Әдебиет тізімі

  1. Tang Y., Fu Y., Guo Q., Huang H., Tan Z., Luo S. Numerical simulation of the spatial and temporal distributions of the downwash airflow and spray field of a co-axial eight-rotor plant protection UAV in hover. Computers and Electronics in Agriculture. 2023. vol. 206.
  2. Raj M., Harshini N.B., Gupta S., Atiquzzaman M., Rawlley O., Goel L. Leveraging precision agriculture techniques using UAVs and emerging disruptive technologies // Energy Nexus. 2024.
  3. Han Y. Application of Unmanned Aerial Vehicle Remote Sensing for Agricultural Monitoring // E3S Web of Conferences. EDP Sciences, 2024. vol. 553. doi: 10.1051/e3sconf/202455302022.
  4. Ногин А.А. Основные элементы структурной архитектуры сенсорных узлов // Научный журнал. 2018. № 5(28). С. 37–39.
  5. Ghahramani M., Zhou M., Wang G. Urban sensing based on mobile phone data: Approaches, applications, and challenges. IEEE/CAA J. Automat. Sinica. 2020. vol. 7. no. 3. pp. 627–637.
  6. Van Phan C., Park Y., Choi H.H., Cho J., Kim J.G. An energyefficient transmission strategy for wireless sensor networks. IEEE Transactions on Consumer Electronics. 2010. vol. 56. no. 2. pp. 597–605.
  7. Han S., Zhu K., Zhou M., Liu X. Joint deployment optimization and flight trajectory planning for UAV assisted IoT data collection: A bilevel optimization approach. IEEE Transactions on Intelligent Transportation Systems. 2022. vol. 23(11). pp. 21492–21504.
  8. Zhang B., Liu C.H., Tang J., Xu Z., Ma J., Wang W. Learning-Based Energy-Efficient Data Collection by Unmanned Vehicles in Smart Cities. IEEE Transactions on Industrial Informatics. 2018. vol. 14. no. 4. pp. 1666–1676.
  9. Zhang R., Pan J., Xie D., Wang F. NDCMC: A Hybrid Data Collection Approach for Large-Scale WSNs Using Mobile Element and Hierarchical Clustering. IEEE Internet of Things Journal. 2015. vol. 3. no. 4. pp. 533–543.
  10. Ebrahimi D., Sharafeddine S., Ho P.-H., Assi C. UAV-Aided Projection-Based Compressive Data Gathering in Wireless Sensor Networks. IEEE Internet of Things Journal. 2019. vol. 6. no. 2. pp. 1893–1905.
  11. Li J., Zhao H., Wang H., Gu F., Wei J., Yin H., Ren, B. Joint optimization on trajectory, altitude, velocity, and link scheduling for minimum mission time in UAV-aided data collection. IEEE Internet of Things Journal. 2019. vol. 7(2). pp. 1464–1475.
  12. Li G., Zhuang C., Wang Q., Li Y., Xu X., Zhou W. A UAV real-time trajectory optimized strategy for moving users. In 2019 11th International Conference on Wireless Communications and Signal Processing (WCSP). IEEE, 2019. pp. 1–6.
  13. Bulut E., Guevenc I. Trajectory optimization for cellular-connected UAVs with disconnectivity constraint. IEEE International Conference on Communications Workshops (ICC Workshops). IEEE. 2018. pp. 1–6.
  14. Song S., Choi M., Ko D.E., Chung J.M. Multi-UAV trajectory optimization considering collisions in FSO communication networks. IEEE Journal on Selected Areas in Communications. 2021. vol. 39(11). 3378–3394.
  15. Davendra D. Traveling salesman problem: Theory and applications. IntechOpen, 2010. 338 p. doi: 10.5772/547.
  16. Гадасин Д.В., Золотарева П.Ю., Тремасова Л.А. Влияние кластеризации при обработке сырых данных // Системы синхронизации, формирования и обработки сигналов. 2024. № 3. С. 10–19.
  17. Dasdan A. The Kernighan-Lin Search Algorithm // arXiv preprint arXiv:2502.00316. 2025. doi: 10.48550/arXiv.2502.00316.
  18. Марков А.В., Симаньков В.И. Методика расчета траекторий полета беспилотных летательных аппаратов для наблюдения за местностью // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2019. № 4(122). С. 57–63.
  19. Patra B., Bandyopadhyay S. Determination of the Minimum Enclosing Cone of a Finite Collection of Cones Sharing the Same Vertex // Available at SSRN 4801268. 2024. doi: 10.2139/ssrn.4801268.
  20. Flemming J. A simple linear time algorithm for smallest enclosing circles on the (hemi)sphere // arXiv preprint arXiv:2407.19840. 2024. doi: 10.48550/arXiv.2407.19840.
  21. Ци Ч. Исследование планирования траектории роторного БПЛА для распыления пестицидов // StudNet. 2021. Т. 4. № 7. С. 654–669.
  22. Манакова В.А. Сравнительный анализ методов маршрутизации беспилотных авиационных систем для доставки груза // Системный анализ и логистика. 2023. № 4.
  23. Rodionov A.S., Matkurbanov T.A., Yagibayeva M.R. Application of a Genetic Algorithm in Planning the Optimal Route of Unmanned Aerial Vehicles Used for Large Area Monitoring // IEEE XVI International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE). IEEE, 2023. pp. 1560–1564.
  24. Родионов А.С., Маткурбанов Т.А., Хайруллаев У.Б. Оптимизация траектории полета БПЛА для мониторинга сельскохозяйственных земель // Проблемы информатики. 2025. № 1(66). С. 5–17. doi: 10.24412/2073-0667-2025-1-5-17.
  25. Stefas N., Plonski P.A., Isler V. Approximation algorithms for tours of orientation-varying view cones // The International Journal of Robotics Research. 2020. vol. 39. no. 4. pp. 389–401.
  26. Jang D.-S., Chae H.-J., Choi H.-L. Optimal control-based UAV path planning with dynamically-constrained TSP with neighborhoods. 17th International Conference on Control, Automation and Systems (ICCAS). IEEE, 2017. pp. 373–378. doi: 10.23919/ICCAS.2017.8204468.
  27. Boutselis G.I., Wang Z., Theodorou E.A. Constrained Sampling-based Trajectory Optimization using Stochastic Approximation. IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020. pp. 2522–2528. doi: 10.1109/ICRA40945.2020.9197284.
  28. Krishnan S., Nemati M., Loke S.W., Park J., Choi J. Energy-Efficient UAV-Assisted IoT Data Collection via TSP-Based Solution Space Reduction. GLOBECOM 2023 – 2023 IEEE Global Communications Conference. IEEE, 2023. pp. 6189–6194. doi: 10.1109/GLOBECOM54140.2023.10437381.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».