栅格化无人机集群动态路由方法

Netgrid Model-Based Dynamic Routing for UAV Swarm

摘要

无人机自组织网络节点进入或离开网络需要立即重新计算路由，如果在路由建立过程中不能充分获得位置信息，容易导致路由决策失误。针对此问题，提出一种栅格化无人机集群动态路由（NDR）方法。首先，将地面以上1 000 m×1 000 m×1 000 m飞行区域进行栅格划分，无人机节点采用基于栅格ID的路由表达形式，在飞行过程中动态更新路由表进行路由决策。其次，论证基于栅格的概率路由方法，节点根据NDR策略选择待转发栅格，栅格中所有节点均有一定概率会被选做中继节点，代替事先选取网关的方法，有效减少路由空洞的发生概率，避免局部优化和数据包交付失败等问题。仿真实验证明，所提方法的无人机自组织网络节点能量消耗较慢，延迟与信令开销相比其他路由协议有明显降低，包投递成功率也提升近一倍。

Abstract

When nodes in the unmanned aerial vehicle (UAV) ad hoc network enter or leave the network, the routing needs to be recalculated immediately. If the location information cannot be obtained sufficiently during the routing establishment process, it is easy to lead to mistakes in routing decisions. To solve the above problems, a netgrid model-based dynamic routing (NDR) for UAV swarm is proposed. Firstly, the flight area 1 000 m×1 000 m×1 000 m above the ground is divided into netgrids. The UAV node adopts the routing expression form of the netgrid ID. The routing table is dynamically updated to make routing decisions during the flight. Secondly, the netgrid-based probabilistic routing method is demonstrated in detail. The netgrid to be forwarded is selected according to the NDR strategy, and all nodes in the netgrid have a certain probability to be selected as relays, instead of selecting the gateway in advance, which can effectively reduce routing holes, and avoid local optimization and packet delivery failures. Simulation experiments demonstrate that less energy is consumed by using the proposed method of UAV ad hoc network nodes, the network delay and signaling overhead are significantly reduced compared with those of other routing protocols, and the success rate of packet delivery is also increased by nearly 100%.

Graphical abstract

关键词

无人机集群 / 栅格 / 概率路由 / 动态路由

Key words

UAV swarm / netgrid / probabilistic routing / dynamic routing

无人机（Unmanned Aerial Vehicle, UAV）系统在侦察监视、遥感测绘、交通控制、应急救援等军事、民用领域有着广泛的应用。随着嵌入式系统和无线通信技术的发展，集成化、小型化的无人机集群系统在可靠性和生存能力方面显现出更大优势。美国国防部在2018年发布的《2017—2042年无人系统综合路线图》中，将无人系统的敏捷、响应、自适应性作为远期发展目标之一^[1]。自组织网络的优化为无人系统的高效协同提供了重要支撑，飞行自组织网络(Flying Ad Hoc Network, FANET)^[2]是移动自组织网络（Mobile Ad Hoc Network, MANET）的一个子集。文献[3-5]提出飞行自组织网络路由协议主要分为基于拓扑的路由、基于地理位置的路由和生物启发式路由。

基于拓扑的路由主要分为平面路由（静态路由、先应路由、反应路由）与层次路由。数据中心路由（Data Centric Routing, DCR）^[6]、负载携带和传递路由（Load Carry And Deliver Muting, LCAD）^[7]等静态路由大多会随着节点间通讯距离的增加，网络时延比较明显。先应路由如增强型定向优化链路状态路由(Directional Optimized Link State Routing, DOLSR)^[8]、基于反向路径转发的拓扑广播路由（Topology Dissemination Based on Reserve-Path Forwarding, TBRPF）^[9]、目的节点序列距离矢量路由（Destination Sequenced Distance Vector, DSDV）等，每个节点需维护一个定期更新的路由表，网络开销较大，收敛速度较慢，带宽利用率较低。基于时隙请求的按需距离矢量路由（Ad Hoc On Demand Distance Vector, AODV）^[10]、基于AODV的预测性路由策略（Robust and Reliable Predictive Routing Strategy, RARP）^[11]等反应路由利用轨迹信息预测定向传输中间节点位置，实现了更长的传输范围，但依然避免不了高时延问题。区域路由（Zone Routing Protocol, ZRP）^[12]、移动性预测聚类路由（Mobility Prediction Clustering Routing, MPCR）^[13]等层次路由可将多个路由请求限制在一个确定的范围内，减少网络拥塞，但该方法需先在集群中选定各个簇头，分簇粒度越大，簇规模便越大，会产生较高的网络时延和开销；反之，簇粒度越小，复杂的结构会导致链路资源的浪费。

基于地理位置的路由主要分为延迟无容忍网络路由、延迟容忍网络路由和异构路由，通过嵌入GPS设备或其他定位系统使每个节点知道自己位置，也可被用于数据包转发决策。延迟无容忍网络路由如基于移动性预测的地理路由（Mobility Prediction-Based Geographic Routing, MPGR）^[14]、基于地理定位的路由（Geolocation-Based Routing, GBR）^[15]等，网络中每个节点都会广播其位置信息，路由在邻居节点接收到数据包时按需确定，减少了高动态的影响。为了解决间歇性连接和网络分区问题，发展出延迟容忍的方案。当节点无法将数据包转发到其他节点时，可以允许节点保存信息，直到找到目标节点。如位置辅助延迟容忍路由（Location-Aided Delay Tolerant Routing, LADTR）^[16]、无人机自组网地理路由（Geographic Routing Protocol for Aircraft Ad-Hoc Network, GRAA）^[17]通过集成存储转发功能，使自组织网络能够容忍延迟和中断。但是，上述路由协议都没有考虑能源效率与负载平衡。异构路由是无人机辅助地面网络通信系统的协议，如无人机辅助车联网路由协议（UAV-Assisted VANET Routing Protocol, UVAR）^[18]可根据车辆与无人机之间的报文计算出各路段的连通性、交通密度、节点距离和车辆真实分布，据此选择最短路径。

此外，生物启发式寻路方法也显示出巨大潜力。如蚁群动态源路由（Ant-Dynamic Source Routing, Ant-DSR）^[19]、无人机生物启发式按需路由协议（Bio-Inspired on Demand Routing Protocol for Unmanned Aerial Vehicles, BR-AODV）^[20]等，在路径探索阶段获得路由的信息素，用于选择数据转发的路由路径。

基于地理位置的路由性能优势最明显，但无人机节点的高移动性、急剧变化的网络拓扑结构，以及间歇连接的通信链路等因素，都使得MANET路由协议不能很好地应用于FANET。针对此问题，提出一种分层的栅格化网络架构——栅格化无人机集群动态路由（Netgrid Model-Based Dynamic Routing for UAV Swarm, NDR）方法，有效降低网络延迟，并最大限度提高数据包传输率。首先，以GeoSOT地球空间参考网格为标准划分栅格，无人机通过确定选用的栅格层级进行路由决策，采用节点ID和节点所在栅格ID替代节点地址的方法，分析证明基于栅格的分层网络结构优势；其次，设计NDR概率路由方法，通过选取合适的概率调节参数，提高路由的可靠性与传输成功率。

1 网络模型

构建栅格化空地联通网络，充分利用地面移动通信的大容量传输能力，结合无人机集群灵活的广域覆盖优势，实现无处不在的宽带连接。在单个无人机移出网络或出现故障时，集群中其他无人机可以共享任务，提升系统的容错能力和传输成功率^[21]。主要针对地面上空1 000 m×1 000 m×1 000 m空间内的小型无人机集群进行研究。

GeoSOT地球空间参考网格每一尺度的体元无缝、无叠充满着整个地球立体空间^[22]，且地球球面二维网格可转化为局部平面投影的公里网形式，分别为100、10、1 km和100、10、1 m等系列。

参照地球空间参考网格每一尺度的体元设计，将整个空间被划分为若干个大小固定的虚拟栅格。无人机信息传递轨迹采用离散的栅格而不是预先选取的网关节点进行描述，同时记录无人机在每个立方体中的飞行速度、停留的时间等。在随机的传输要求下为路由提供时间连续的拓扑信息，如此，无人机轨迹可被描述为一个连续的时间有序的离散栅格集。

当无人机位于两个相邻立方体的对角顶点时，视为最长通信距离，节点只要位于此范围内就认为相邻栅格内的任意两个节点可通，此时栅格边长L与最长通信半径R_{\mathrm{m}\mathrm{a}\mathrm{x}}的关系可以表示为

L=\frac{\sqrt[]{\mathrm{6}}}{\mathrm{6}}{R}_{\mathrm{m}\mathrm{a}\mathrm{x}}（1）

在不考虑实际信道噪声、障碍物或者多径造成的信道随机衰落的前提下，任意栅格到达目的的跳数最少，端到端能耗最小。

2 栅格化概率路由方法

基于传输概率的NDR方法的关键是节点通过邻居之间的预测结果来计算节点间通信概率，通过定期更新路由表完成通信链路的维护。以下阐述栅格化分层路由查找、更新、应答、修复的基本方法。

2.1 路由查找方案

首先，将无人机存在的整个空间划分为若干层若干个栅格，网络内每个节点都能获取自身位置信息，各栅格的中心点采用迪卡尔坐标系（x，y，z）表示，用来识别三维空间中的每个栅格。其次，构造一个栅格表来收集栅格信息，为每一系列的栅格进行编码，赋予其代表某一层级的ID。任何一个位于地球空间范围内的坐标，均可一一映射到这一时刻处于的空间网格编码。

对邻居栅格进行定义：某个无人机节点在给定时间内，其周围相邻的所有栅格被定义为邻居栅格；靠近目的节点方向的栅格被定义为好邻居栅格；远离目的节点方向的栅格被定义为坏邻居栅格；其中中心点最靠近目的节点的栅格为待转发栅格。

三维示意图如图1所示。边长分别为1 000、100、10 m的A、B、C这3层栅格的第1号栅格为A1、B1、C1，那么中心点为（350，350，50）的栅格即是以边长100 m划分的B层24号栅格，其对应的ID编码为B24。如此，依然存在一种重叠的可能性，如A层和C层的中心栅格的中点将会重合，此时将两个编码以链表的形式存储，再根据无人机的密度判定选择哪个层级的栅格。

假设24号栅格的源节点S周围的多个好邻居栅格（23号、13号、14号）中只有一个栅格（13号）可以被选择，节点根据周围无人机群密度确定选用哪一层级栅格（A层、B层或C层），根据目的节点所在的栅格位置确定自己的下一跳栅格ID，并把数据信息发送给该栅格。该栅格里的任意无人机均有一定概率作为下一跳节点完成转发任务。这样做的好处是不需要提前确定栅格中的网关节点，节点可以通过直接查找栅格表进行路由决策。

在分层结构设计的基础上，为简化对所提出的路由方法分析，考虑以下3种基于二维平面场景的假设。

1）直连目的节点。源节点S可直接连接目的节点D进行数据传输，直接建立路由S-D。

2）通过一个节点转发。源节点S通过一个中继节点R进行数据转发后，传输至目的节点D。首先，确定目的节点D所在栅格；其次，节点S根据栅格路由策略源选择好邻居，根据目的节点所在栅格ID从多个好邻居中确定带转发栅格；最后，根据概率公式进行数据转发，建立路由S-R-D。

3）通过多个节点转发。源节点S通过多个中继节点R_{\mathrm{1}}、R_{\mathrm{2}}、…、R_k进行数据转发后，传输至目的节点D。首先，确定目的节点D所在栅格；其次，源节点S根据无人机群密度选择栅格层级，再假设采用该栅格路由策略选择好邻居，根据目的节点所在栅格ID从多个好邻居中确定待转发栅格；最后，根据概率公式进行数据转发，建立路由S-R_{\mathrm{1}k}-R_{\mathrm{2}k}-…-R_{ik}-D。

2.2 路由更新方案

路由更新采用维护路由表完成路由发现，实现消息分组传输。不同的是，路由表中不存放节点地址，仅存放节点ID和节点所在栅格ID，将预先选取网关的复杂过程，转化为选择栅格的过程，在选择栅格范围的基础上，再进一步确定转发节点收到数据包的概率。

邻居表存储邻节点相关信息。N_ID表示节点唯一标识号；N_gird_ID表示栅格唯一标识号；N_borgird_ID表示其邻居栅格的ID；N_link_state表示与其好邻居栅格节点间的链路状态；N_speed表示节点的飞行速度；N_energy表示节点剩余能量；N_average表示平均节点度；N_weigh表示节点的权值。

路由表存储该节点到其他节点的路由信息。R_dest_ID表示目的节点的ID；R_nextgird_ID表示下一跳好邻居栅格ID；R_next_ID表示下一跳节点ID；R_dist表示该节点到目的节点的跳数。

HELLO包用来发现邻居并维护邻居关系，如图2所示。其中：Message_Size表示链路消息大小；Message_Time表示HELLO发送时间间隔；Borgird_state表示邻居栅格状态；Borgird_N_state表示邻居栅格节点状态。

通过节点间HELLO包的周期性交互执行链路感知发现，只有好邻居才能执行概率转发。最终建立数据表，判定是否需要对网络中个别节点的任务进行调整。每个无人机节点定期广播HELLO包，当其他节点第1次接收到HELLO包，且节点所在栅格ID更接近目的节点所在栅格ID时s，则将发送方标记为好邻居，并保存HELLO包中相应信息。通过将接收时间记录为最新的检查时间，可以定期更新所有活动邻居的状态。若因中断、节点故障等因素导致节点在3个广播周期都没有接收到HELLO包，将标记为坏邻居后删除。为了便于符号标注，节点的所有好邻居节点所在栅格将被描述为好邻居栅格。此过程中，若因路由空洞造成数据包丢弃，则继续判定是否需要动态调整集群中普通节点与中继节点的任务转换，重新识别目标栅格，以提高整体网络的信息传输成功率。

2.3 概率路由策略

通过研究节点密度以及栅格大小对相邻栅格可通概率、路径可通概率的影响，提出一种最佳栅格概率路由方法，如图3所示。

数据包由4号栅格传输至9号栅格，若只考虑1跳范围内的局部信息，容易陷入局部优化之中^[23]。NDR概率路由方法中，每个数据包都有一个字段记录节点高度信息，通过GPS得到各节点与地面站的垂直高度差，在更接近地面站的好邻居栅格里确定候选节点的转发概率，并在每1跳后进行更新，以避免局部优化和数据包交付失败等问题。若数据包来源于其他邻居，则简单丢弃。

NDR可根据节点能量推算转发概率。设原始能量为e_i，能量消耗为e_k，能量消耗可以表示为

e_k=P_{\mathrm{s}}\frac{L_{\mathrm{s}}}{v_{\mathrm{s}}}+P_{\mathrm{r}}\frac{L_{\mathrm{r}}}{v_{\mathrm{r}}}=P_{\mathrm{s}}{t}_{\mathrm{s}}+P_{\mathrm{r}}{t}_{\mathrm{r}}（2）

式中：P_{\mathrm{s}}表示发送功率；P_{\mathrm{r}}表示接收功率；L_{\mathrm{s}}表示发送数据包长；L_{\mathrm{r}}表示接收数据包长；v_{\mathrm{s}}表示发送数据速率；v_{\mathrm{r}}表示接收数据速率；t_{\mathrm{s}}表示发送数据时长；t_{\mathrm{r}}表示接收数据时长。即一个节点发送或接收一个数据包所消耗的能量，是由该节点发送或接收的功率和处理该包所需的时间决定。

概率转发策略如图4所示。S_i的好邻居有3个节点R_{\mathrm{1}}、R_{\mathrm{2}}和R_{\mathrm{3}}，每个节点包含3个信息，其中：e_{ik}表示节点能量；n_{ik}表示其一跳邻域内的节点数量；d_{ik}表示节点与地面站的垂直距离。节点S_i可将接收到的数据包以一定的转发概率传输给3个候选数据包中的任何一个。

在此前提下，如果两个待传输节点的高度差为Δd_{ik}>δ（重传阈值），则S_i与R_k之间的转发概率可以表示为

{\rho }_{ik}=\frac{e_i^{\alpha }}{\sum _k{e}_{ik}}+\frac{n_i^{\beta }}{\sum _k{n}_{ik}}（3）

式中，\alpha≤1和\beta≤1为计算概率的调节参数。当\alpha、\beta=0时，所有的相邻节点被选择的概率相同；当\alpha、\beta数值较大时，数据包会优先选择概率很大的邻居节点进行传递，可能导致部分节点处发生阻塞；当\alpha、\beta数值较小时，相邻节点中概率较小的节点会被优先选择，理论上可以使网络拥塞得到一定的缓解，但概率小的节点数量过多会使概率路由效果不明显。所以，选择合适的\alpha、\beta可以使网络传输更为流畅，同时可以充分利用转发概率较大的节点，提升传输效率和成功率。

NDR概率路由转发策略如算法1所示。

算法1 NDR概率路由转发策略

1. 在其一跳邻居内广播数据包P。

2. 读取数据包P所在栅格ID。若来自好邻居栅格，则保存；若来自其他邻居栅格，则丢弃。

3. 栅格内每个节点S_i维护自己的信息e_i、n_i和d_i。

4. S_i从它的一跳邻居节点R_k收到信息e_{ik}、n_{ik}和d_{ik}。

5. 从接收到的数据包P中获取之前的高度d_{iP}。

6. 计算高度差Δd_{ik}。如果Δd_{ik}≤δ，则丢弃数据包P；如果Δd_{ik}>δ，则计算转发概率{\rho }_{ik}。

7. 将此数据包转发到下一跳节点。

8. 更新节点位置信息，并重复上述步骤。

2.4 路由应答方案

在路由建立过程中，如果遇到网络节点较为密集的情况，依然采用广播泛洪转发路由请求（Route Request, RREQ）消息，会很容易引发广播风暴造成网络堵塞，导致数据传输延迟较长。同时，过多地重传不必要的RREQ消息还会加速节点能量的损耗，减少网络寿命。NDR采用与GRID路由协议相似的路由请求与应答的传播方式，不同的是中继节点不再是单一地通过各栅格的Leader节点，而是采用区域内多个节点动态概率地广播RREQ的方式，如图5所示。

图5中带箭头的实线表示发送RREQ；带箭头的虚线表示回复RREP。当位于4号栅格的源节点S向位于9号栅格的目的节点D传送数据包时，S将首先广播RREQ分组（id _S，id，id _D，s_seq，d_seq，range，Qprevioushop）。其中：（id _S，id）表示区分路由请求消息是否来自同一个源节点，以避免相同RREQ的无限次泛洪；id _D 表示目的节点ID；s_seq表示从目的节点到源节点的序列号。完整的序列号信息表明路由可以被接受使用；d_seq表示从源节点到目的节点的序列号。完整的序列号信息表明路由可以被接受使用；range表示从源节点到目的节点的路由寻找的区域；Qprevioushop表示传输该请求消息的栅格ID。

对于待转发栅格的任意一个节点X，若其是目的节点D，则直接发送RREQ消息；若其不是目的节点，则求得转发概率{\rho }_{ik}并产生一个0~1的随机数。若随机数小于或等于{\rho }_{ik}，则转发RREQ，否则丢弃。然后，X会建立一个指向上一个中继节点的反向指针，同时再次广播路由请求消息。

此过程一直持续至当目的节点D接受到RREQ，它会生成一个路由应答消息RREP（id _S，id _D，d_seq，nexthop，Pprevioushop），沿着反向指针再传回源节点S。其中：id _S 表示源节点ID；nexthop表示该应答消息的下一跳栅格ID；Pprevioushop表示传输该应答消息的栅格ID。至此，从S到D的路由发现和从D到S的路由应答过程进行完毕，意味着从源节点S到目的节点D的路由成功建立起来。

2.5 路由修复方案

将路由失效问题分为中间节点和源节点/目的节点移出原栅格这两种情况进行讨论。为了方便表述，约定造成中断的节点只在原路由方向上的一跳好邻居栅格范围内移动，且若因其移动造成发现中断的节点需在两跳栅格范围内搜寻重建路由，则认为修复失败，源节点重新发起路由寻找。修复情况分为中间节点移出原栅格和源节点移出原栅格两种。

1）中间节点移出原栅格的过程如图6所示。带箭头的实线表示原路由路径；带箭头的虚线表示发送RE_RREQ；红色的虚线表示中间节点R_{\mathrm{2}}移动至R_{\mathrm{2}}^{\text{'}}。当位于9号栅格的节点R_{\mathrm{1}}向位于8号栅格的节点R_{\mathrm{2}}传送数据包时，由于R_{\mathrm{2}}的移动造成空洞导致原有路由失效，此时发现失效的节点R_{\mathrm{1}}将首先广播路由修复请求RE_RREQ（id _S，id _D，linkrange，Qprevioushop）。其中，linkrange表示当前节点的好邻居区域。除去已经没有节点的8号栅格，13号栅格作为好邻居，对于其中任意一个节点X，此过程同第2.4节。接着，13号栅格的好邻居12号栅格内的某个节点收到了RE_RREQ消息，通过检查自己的路由表，发现其包含从源节点到目的节点的路由信息，此时会生成一个修复应答消息RE_RREP（id _S，id _D，linkrange，nexthop，Pprevioushop），沿着反向指针再传回源节点S。至此，从S到D的路由修复过程进行完毕，可以沿着新路由继续传送数据。

2）源节点移出原栅格的过程如图7所示。节点向着远离目的节点D方向移动，若采用传统的方法，则只能判定为路由中断，但采用NDR方法，源节点同样可以修复路由。带箭头的实线表示原路由路径；带箭头的虚线表示发送RE_RREQ；红色虚线表示源节点S移动至S^{\text{'}}。且9号栅格再没有其他节点，造成空洞导致原有路由失效。此时，S将首先广播路由修复请求RE_RREQ。4号栅格作为好邻居，采用图6中所述方法完成判断节点属性、发送RE_RREQ、回复RE_RREP各个步骤，直至路由修复过程进行完毕。

3 实例仿真与分析

3.1 仿真模型建立

运用NS-2仿真器生成1 000 m×1 000 m×1 000 m空间范围并划分3级栅格，部署30~100个无人机节点，集群平均节点度为5，确保无人机群在覆盖范围和连接性方面的合理性与可行性。每架无人机的初始能量、功耗相同，初始位置随机，移动方向随机。主要模拟符号及参数值如表1所示。

3.2 协议性能分析

3.2.1 分层路由的有效性

实验设置仿真时间300 s，无人机节点50个，飞行速度分别设置为10、20、30、40 m/s。不同飞行速度下的典型路由划分层级与不划分层级效果对比如图8所示。

如图8（a）所示，随着飞行速度的增加，网络变化更为剧烈，基于栅格的分层路由（DE）方法在分组投递率上与高投递率的反应路由AODV不相上下，比先应路由OLSR、DSDV的投递成功率提升了约150%，这是因为节点之间断链的可能性在减少；由图8（b）可以看出，基于栅格的分层路由在时延上均有了明显地降低；如图8（c）所示，在路由开销上，基于栅格的分层路由更是相较高开销的OLSR提升显著。

3.2.2 NDR概率路由的有效性

实验设置仿真时间300 s，飞行速度30 m/s，无人机节点数量分别设置为30、50、70、90、110个。不同节点数量下的路由效果对比如图9所示。图9（a）表明NDR的投递成功率与AODV差距不大，均超过92%，丢包更少。从图9（b）与图9（c）中可以看出，相比AODV，NDR采用栅格到栅格的传输方式，在保证了低路由开销的同时，也明显降低了网络延迟。虽然GRID也采用了网格到网格的寻路方式，但需要提前选定网关，性能不及NDR。

3.2.3 剩余能量对比

实验设置仿真时间200 s，无人机节点30个，飞行速度20 m/s。不同时刻的剩余能量对比如图10所示。

前50 s无人机开始搜寻节点，判断所在栅格，能量迅速下降。随着飞行时间增长，节点能量的消耗速率变缓。约在100 s后，各路由开始呈现出明显差异，相较于为数据传输专门分配时隙的高延迟AODV，以及为节点另行设置路由序列号的DSDV，采用NDR方法的网络节点能量消耗得更慢。

4 结束语

提出一种栅格化的概率转发方法，在基于三维空间的不同层级的栅格划分基础上，通过查找栅格ID与节点ID进行路由决策，并结合各个节点的垂直高度、剩余能量和邻居节点数推导转发概率，充分考虑了移动自组织网络拓扑的高度动态变化特征。通过建立不同的三维仿真场景对提出其鲁棒性和效率进行实验验证，从结果可以分析出，与OLSR、DSDV、AODV、GRID等路由方法相比，栅格化的概率转发NDR方法在提升包传输成功率、降低整个网络延迟和开销，以及节省能量方面具有明显的优势。下步计划结合未来网络的陆海空天一体化连接需求，动态调整集群中各节点的任务转换，更加灵活地配置参数以研究栅格化路由的性能表现。

参考文献

[1] Office of the Assistant Secretary of Defense. Unmanned systems integrated roadmap 2017—2042［R/OL］. （2018-08-30）［2024-01-11］.

[2] BEKMEZCI I， SAHINGOZ O K， TEMEL S. Flying ad-hoc networks （FANETs）： a survey［J］. Ad Hoc Networks， 2013，11（3）：1254-1270.

[3] LAKEW D S， SA’AD U， DAO N N， et al. Routing in flying ad hoc networks： a comprehensive survey［J］. IEEE Communications Surveys & Tutorials， 2020，22（2）：1071-1120.

[4] MAUVE M， WIDMER A， HARTENSTEIN H. A survey on position-based routing in mobile ad hoc networks［J］. IEEE Network， 2001，15（6）：30-39.

[5] QABAJEH L K， KIAH L M， QABAJEH M M. Position-based routing protocols for ad hoc networks［M］∥GAVRILOVSKA L， KRCO S， MILUTINOVIC V， et al. Application and multidisciplinary aspects of wireless sensor networks： concepts， integration， and case studies. London： Springer， 2011：47-83.

[6] DE JONG E. Flexible， data-centric UAV platform eases mission adaptation［DB/OL］. （2013-08-19）［2024-01-11］.

[7] CHENG C M， HSIAO P H， KUNG H T， et al. Maximizing throughput of UAV-relaying networks with the load-carry-and-deliver paradigm［C］∥Proceedings of IEEE Wireless Communications and Networking Conference. Hong Kong， China： IEEE， 2007. DOI： 10.1109/WCNC.2007.805 .

[8] ALSHABTAT A I， DONG L. Low latency routing algorithm for unmanned aerial vehicles ad-hoc networks［J］. International Journal of Electrical and Computer Engineering， 2011，5（8）：989-995.

[9] BELLUR B， LEWIS M， TEMPLIN F. An ad-hoc network for teams of autonomous vehicles［DB/OL］. （2002-07-18）［2024-01-11］.

[10] FORSMANN J H， HIROMOTO R E， SVOBODA J. A time-slotted on-demand routing protocol for mobile ad hoc unmanned vehicle systems［C］∥Proceedings of Unmanned Systems Technology IX. Orlando， USA： SPIE， 2007：530-540.

[11] GANKHUYAG G， SHRESTHA A P， YOO S J. Robust and reliable predictive routing strategy for flying ad-hoc networks［J］. IEEE access， 2017，5：643-654.

[12] LIU K S， ZHANG J， ZHANG T. The clustering algorithm of UAV networking in near-space［C］∥Proceedings of 2008 8th International symposium on antennas， propagation and EM theory. Kunming， China： IEEE， 2008：1550-1553.

[13] SHU J， GE Y F， LIU L L， et al. Mobility prediciton clustering routing in UAVs［C］∥Proceedings of 2011 International Conference on Computer Science and Network Technology. Harbin， China： IEEE， 2011：1983-1987.

[14] LIN L， SUN Q B， LI J， et al. A novel geographic position mobility oriented routing strategy for UAVs［J］. Journal of Computational Information Systems， 2012，8（2）：709-716.

[15] CHOI S C， HUSSEN H R， PARK J H， et al. Geolocation-based routing protocol for flying ad hoc networks （FANETs）［C］∥Proceedings of 2018 Tenth International Conference on Ubiquitous and Future Networks. Prague， Czech Republic： IEEE， 2018：50-52.

[16] ARAFAT M Y， MOH S. Location-aided delay tolerant routing protocol in UAV networks for post-disaster operation［J］. IEEE Access， 2018，6：59891-59906.

[17] SAIFULLAH K， KIM K I. A new geographical routing protocol for heterogeneous aircraft ad hoc networks［C］∥Proceedings of 2012 IEEE/AIAA 31st Digital Avionics Systems Conference. Williamsburg， USA： IEEE， 2012. DOI： 10.1109/DASC.2012.6382336 .

[18] OUBBATI O S， LAKAS A， LAGRAA N， et al. UVAR： an intersection UAV-assisted VANET routing protocol［C］∥Proceedings of 2016 IEEE Wireless Communications and Networking Conference. Doha， Qatar： IEEE， 2016. DOI： 10.1109/WCNC.2016.7564747 .

[19] AISSANI M， FENOUCHE M， SADOUR H， et al. Ant-DSR： cache maintenance based routing protocol for mobile ad-hoc networks［C］∥Proceedings of The Third Advanced International Conference on Telecommunications. Morne， Mauritius： IEEE， 2007. DOI： 10.1109/AICT.2007.14 .

[20] BAHLOUL N E H， BOUDJIT S， ABDENNEBI M， et al. Bio-inspired on demand routing protocol for unmanned aerial vehicles［C］∥Proceedings of 2017 26th International Conference on Computer Communication and Networks. Vancouver， Canada： IEEE， 2017. DOI： 10.1109/ICCCN.2017.8038487 .

[21] RAJ S D， PANCHAL D V， CHOPRA D R. Flying ad hoc networks （FANETs）： a review of mobility models［J］. Journal of Emerging Technologies and Innovative Research， 2020，7（10）：2700-2705.

[22] CHENG C Q， TONG X C， CHEN B， et al. A subdivision method to unify the existing latitude and longitude grids［J］. ISPRS International Journal of Geo-Information， 2016，5（9）：161.

[23] ZHANG M Y， CAI W Y. Energy-efficient depth based probabilistic routing within 2-hop neighborhood for underwater sensor networks［J］. IEEE Sensors Letters， 2020，4（6）. DOI： 10.1109/LSENS.2020.2995236 .