CN109218744A - 一种基于drl的比特率自适应无人机视频流传输方法 - Google Patents

一种基于drl的比特率自适应无人机视频流传输方法 Download PDF

Info

Publication number
CN109218744A
CN109218744A CN201811209815.5A CN201811209815A CN109218744A CN 109218744 A CN109218744 A CN 109218744A CN 201811209815 A CN201811209815 A CN 201811209815A CN 109218744 A CN109218744 A CN 109218744A
Authority
CN
China
Prior art keywords
bit rate
video
video block
adaptive
drone status
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811209815.5A
Other languages
English (en)
Other versions
CN109218744B (zh
Inventor
王巍
王艺苑
江涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811209815.5A priority Critical patent/CN109218744B/zh
Publication of CN109218744A publication Critical patent/CN109218744A/zh
Application granted granted Critical
Publication of CN109218744B publication Critical patent/CN109218744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/643—Communication protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于DRL的比特率自适应无人机视频流传输方法，将传感器收集到的无人机状态信息作为ABR的参考指标，无人机状态信息包括飞行速度、加速度、收发端距离，并依据上述参数对空地无线信道的影响程度对其分级处理，使得每次视频比特率决策均考虑了无人机状态的影响，使其适用于信道状态随无人机状态波动剧烈的情形，提高了用户体验质量；将LSTM网络应用到DRL方法中，LSTM网络对过去八个视频块的平均吞吐量进行处理，提取吞吐量时域序列的特征，以更好地掌握信道状态的变化情况，提高了对未来的信道状态的预测能力，比特率选择更正确。

Description

一种基于DRL的比特率自适应无人机视频流传输方法
技术领域
本发明属于无人机视频流传输领域，更具体地，涉及一种基于DRL的比特率自适应无人机视频流传输方法。
背景技术
近年来，基于无人机的视频流应用数量迅速增长，例如利用航拍无人机进行视频直播等。大多数的视频播放器都使用自适应比特率(ABR，Average Bitrate)算法来优化视频质量。视频的下载与播放是分块进行的，每个块都有几种不同的编码方式，分别对应不同的视频质量(比特率)：高清、超清、流畅等等。而ABR算法所要做的就是自动根据其所依据的观测指标为下一个所要下载的视频块选择最佳的比特率。
现有的ABR算法包括基于缓冲区的算法、基于速率(即吞吐量)的算法等。在特定的场景中这些算法效果比较理想，但是这些算法的设计都是基于简化的环境模型或者固定的控制规则，因此不能适用于广泛的网络条件。为解决上述问题，有研究采取深度强化学习(DRL，Deep reinforcement learning)生成视频ABR算法，深度强化学习的agent会自动根据过去的经验数据学习出如何做出最佳的决策。
然而，与传统的地面终端通信不同，无人机的飞行轨迹更加波动，使得多普勒效应更加明显，同时前后时刻的信道状态波动剧烈，使得信道状态信息CSI很难估计准确，解调容易出错，最终造成吞吐量的下降。因此将基于DRL的AB算法应用到无人机视频流时会遇到困难。
发明内容
针对现有技术的缺陷，本发明的目的在于解决现有技术将基于DRL的AB算法应用到无人机视频流时，由于无人机前后时刻的信道状态波动剧烈，使得信道状态信息CSI很难估计准确，解调容易出错，最终造成吞吐量的下降的技术问题。
为实现上述目的，第一方面，本发明实施例提供了一种基于DRL的比特率自适应无人机视频流传输方法，该方法包括以下步骤：
S1.无人机将第1-8个视频块以设定比特率传输给地面客户端，t初始化为9；
S2.将第t个视频块开始时刻对应的无人机状态信息发送给地面客户端，所述无人机状态信息包括GPS、加速度和飞行速度；
S3.依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态
S4.无人机状态与视频状态第t-8个～第t-1个视频块中每个视频块的平均吞吐量共同构成当前状态向量
S5.地面客户端将当前状态向量输入至训练好的DRL网络，网络输出比特率选择lt，并发送给无人机；
S6.无人机根据比特率选择lt，将第t个视频块发送给地面客户端；
S7.将t更新为t+1，并重复步骤S2-S6，直至视频流中所有视频块传输结束。
具体地，所述依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态具体包括：
(1)将距离小于50米定义为dt＝0，距离不小于50米定义为dt＝1；
(2)将速度处于[0,4)区间定义为pt＝0，速度处于[4,8)区间定义为pt＝1，速度处于[8,12)区间定义为pt＝2，速度处于[12,∞)区间定义为pt＝3；
(3)将加速度小于18.5m/s2定义为at＝0，加速度不小于18.5m/s2定义为at＝1。
具体地，所述视频状态其中，bt表示当前缓冲区尺寸，lt-1为上一个视频块的比特率选择，所述第t-8个～第t-1个视频块中每个视频块的平均吞吐量其中，xt-8、…、xt-1分别为第t-8个视频块的平均吞吐量、…、第t-1个视频块的平均吞吐量。
具体地，采用Advantage Actor Critic方法作为DRL网络的策略。
具体地，采用LSTM网络对过去八个视频块的平均吞吐量进行处理，提取出时域上的特征，再与其他输入参数一同输入至DRL网络的隐藏层。
具体地，比特率选择包括比特率240p、360p、720p和1080p，分别对应流畅、低清、高清和超清。
第二方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的比特率自适应无人机视频流传输方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1.本发明将传感器收集到的无人机状态信息作为ABR的参考指标，无人机状态信息包括飞行速度、加速度、收发端距离，并依据上述参数对空地无线信道的影响程度对其分级处理，使得每次视频比特率决策均考虑了无人机状态的影响，使其适用于信道状态随无人机状态波动剧烈的情形，提高了用户体验质量；
2.本发明将LSTM网络应用到DRL方法中，LSTM网络对过去八个视频块的平均吞吐量进行处理，提取吞吐量时域序列的特征，以更好地掌握信道状态的变化情况，提高了对未来的信道状态的预测能力，比特率选择更正确。
附图说明
图1为本发明提供的系统结构框架图；
图2为本发明实施例提供的收发端距离-吞吐量曲线图；
图3为本发明实施例提供的速度-吞吐量曲线图；
图4为本发明实施例提供的加速度-吞吐量曲线图；
图5为本发明实施例提供的深度强化学习网络架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明提供的系统结构框架图。如图1所示，无人机与地面终端通过无线网(WiFi802.11n)连接。无人机向地面客户端传输视频流，同时无人机上的传感器收集无人机状态信息(GPS,加速度,飞行速度)，并发送给地面客户端。地面客户端将收集到的传感器数据经过简单处理后，与过去的吞吐量、客户端视频缓冲区状态共同作为ABR算法(DRL网络)的输入。上述输入经过DRL网络之后，输出一个比特率选择给无人机。无人机根据ABR算法所选择的比特率将对应编码的视频块发送给地面客户端，同时发送传感器数据。ABR算法所要做的就是自动根据其所依据的观测指标为下一个所要下载的视频块选择最佳的比特率。
本发明提供一种基于DRL的比特率自适应无人机视频流传输方法，该方法包括以下步骤：
S1.无人机将第1-8个视频块以设定比特率传输给地面客户端，t初始化为9；
S2.将第t个视频块开始时刻对应的无人机状态信息发送给地面客户端，所述无人机状态信息包括GPS、加速度和飞行速度；
S3.依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态
S4.无人机状态与视频状态第t-8个～第t-1个视频块的每个视频块的平均吞吐量共同构成当前状态向量
S5.地面客户端将向量输入至训练好的DRL网络，网络输出比特率选择lt，并发送给无人机；
S6.无人机根据比特率选择lt，将第t个视频块发送给地面客户端；
S7.将t更新为t+1，并重复步骤S2-S6，直至视频流中所有视频块传输结束。
步骤S1.无人机将第1-8个视频块以设定比特率传输给地面客户端，t初始化为9。
设定比特率是比特率240p、360p、720p、1080p中任一个，它们分别对应流畅、低清、高清、超清。
步骤S2.将第t个视频块开始时刻对应的无人机状态信息发送给地面客户端，所述无人机状态信息包括GPS、加速度和飞行速度。
无人机状态信息包括GPS、加速度和飞行速度，通过传感器收集。
步骤S3.依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态
对输入的各参数进行分级，分级处理所依据的标准为各参数对无线信道的影响程度。
图2为本发明实施例提供的收发端距离-吞吐量曲线图。如图2所示，当距离小于50米时吞吐量保持在一个较高的水平，当距离大于50米时吞吐量迅速下降。本发明将距离小于50米定义dt＝0，距离不小于50米定义dt＝1。
图3为本发明实施例提供的速度-吞吐量曲线图。如图3所示，无人机速度强烈影响发送信号的吞吐量。当速度低于8米每秒时，吞吐量的下降还不很明显；当速度高于8米每秒时，吞吐量迅速下降。当无人机速度高于12米每秒时，吞吐量接近于零。随着速度的增加，四个速度区间对应的吞吐量统计值呈下降趋势，因此，本发明将速度处于[0,4)区间，pt＝0；速度处于[4,8)区间，pt＝1；速度处于[8,12)区间，pt＝2；速度处于[12,∞)区间，pt＝3。
图4为本发明实施例提供的加速度-吞吐量曲线图。如图4所示，在15～18s时，加速度波动较大，视频传输的吞吐量也随之受到影响下降，当加速度波动完成后，吞吐量恢复到正常过水平。根据加速度对吞吐量的影响程度，将加速度小于18.5m/s2定义为at＝0，加速度不小于18.5m/s2定义为at＝1。
分级处理后的无人机状态
步骤S4.无人机状态与视频状态第t-8个～第t-1个视频块的每个视频块的平均吞吐量共同构成当前状态向量
视频状态其中，bt表示当前缓冲区尺寸，lt-1为上一个视频块的比特率选择。
第t-8个～第t-1个视频块的每个视频块的平均吞吐量
步骤S5.地面客户端将向量输入至训练好的DRL网络，网络输出比特率选择lt，并发送给无人机。
本发明采用Advantage Actor Critic方法作为深度强化学习的策略。图5为本发明实施例提供的深度强化学习网络架构示意图。如图5所示，A2C由两个神经网络组成：Actor网络和Critic网络。
本发明中Actor网络和Critic网络的结构基本相同，输入完全相同，但是输出不同：Actor网络的输出是下一个视频块的比特率选择；Critic网络的输出为一个价值函数V(st；w)，用来更新Actor的梯度。Actor网络训练一个Actor，它的功能是基于给定的观察数据来为未来视频块动态选择比特率。Actor网络的目标就是找到策略πθ:πθ(s,a)→[0,1]来最大化累积(折扣)奖励。πθ(s,a)是不同比特率选择的分布概率。基于随机策略，所有比特率的视频块都有可能被选择。然而，概率最高的那个比特率是最有可能被选择的。Critic网络辅助Actor网络的训练，它的作用是评估Actor网络的状态-行动对的好坏。Critic网络的功能就是对当前状态作出一个客观的评价，表示为价值函数V(st；w)，表示依据策略πθ从状态开始会得到的总的奖励的期望。
Actor网络和Critic网络在训练与更新参数的过程中相互作用，详细过程如下：
输入：当前状态一维向量
这两个网络共享相同的一组输入参数，采用LSTM(Long Short-Term Memory,LSTM)网络对过去八个视频块的平均吞吐量进行处理，研究吞吐量曲线的动态变化特性，提取出时域上的特征，再与其他输入参数一同输入隐藏层。
训练阶段：尽管两个网络的输入相同，并且都使用随机梯度策略来训练参数，但具体方法不同。Actor网络训练的关键步骤就是怎样由计算优势函数，其中，表示优势函数，表示行动价值函数，V(st；w)表示价值函数。行动价值函数代表在状态st下依据策略πθ选择行动at得到的真实奖励值。因此，代表在选择行动at后真实奖励值以及期望奖励值的差。本发明选用n步时间差分(TD)法来获得行动价值函数，计算公式如下：
式中，γ∈[0,1]，代表折扣因子；rt表示在选择第t个视频块后所得到的奖励；n表示视频块的总个数。
不是简单的从视频块t开始的累积(折扣)奖励。它把最终奖励定义为对应视频块t+n的Critic网络的输出V(st；w)。Actor网络的训练目标是最大化优势函数。
Actor网络的参数θ通过随机梯度增加算法进行更新：
其中，α是梯度更新的步长。
Critic网络的目标就是对所有状态作出一个精准的评估。本发明使用TD法来计算并更新Critic网络的参数w：
其中，α′是梯度更新的步长。。
奖励设置：当选择了比特率lt并且完成下载视频块t时会得到奖励rt。奖励rt反映了不同比特率选择的用户体验好坏。本发明把用户体验质量作为强化学习网络的反馈值(奖励)，用其来评估实时视频比特率选择的正确程度。对于Actor网络每一次比特率选择，都采用这个标准计算获得奖励值，最后DRL网络的训练目标就是使得所有奖励值的和尽可能大。我们使用一个一般化用户体验质量标准。QoE标准由以下公式给出：
r＝QoE＝q(lt)-μTt-|q(lt)-q(lt-1)|
其中，lt代表视频块t的比特率选择，q(lt)代表比特率lt下的视频质量，Tt代表以比特率lt下载过程中的卡顿时间。对于q(lt)来说，我们选择的是以下标准QoElog：
q(lt)＝log(lt/lmin)
其中，lmin表示240p对应的比特率。这个标准表明，对于一些用户来说，在较高的比特率，用户体验质量的增长逐渐平缓。
步骤S6.无人机根据比特率选择lt，将第t个视频块发送给地面客户端。
比特率选择lt包括四种可选的比特率240p、360p、720p、1080p，分别对应流畅、低清、高清、超清。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于DRL的比特率自适应无人机视频流传输方法，其特征在于，该方法包括以下步骤：
S1.无人机将第1-8个视频块以设定比特率传输给地面客户端，t初始化为9；
S2.将第t个视频块开始时刻对应的无人机状态信息发送给地面客户端，所述无人机状态信息包括GPS、加速度和飞行速度；
S3.依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态
S4.无人机状态与视频状态第t-8个～第t-1个视频块中每个视频块的平均吞吐量共同构成当前状态向量
S5.地面客户端将当前状态向量输入至训练好的DRL网络，网络输出比特率选择lt，并发送给无人机；
S6.无人机根据比特率选择lt，将第t个视频块发送给地面客户端；
S7.将t更新为t+1，并重复步骤S2-S6，直至视频流中所有视频块传输结束。
2.如权利要求1所述的比特率自适应无人机视频流传输方法，其特征在于，所述依据各无人机状态信息对无线信道的影响，地面客户端对各无人机状态信息分级处理，得到分级处理后的无人机状态具体包括：
(1)将距离小于50米定义为dt＝0，距离不小于50米定义为dt＝1；
(2)将速度处于[0,4)区间定义为pt＝0，速度处于[4,8)区间定义为pt＝1，速度处于[8,12)区间定义为pt＝2，速度处于[12,∞)区间定义为pt＝3；
(3)将加速度小于18.5m/s2定义为at＝0，加速度不小于18.5m/s2定义为at＝1。
3.如权利要求1所述的比特率自适应无人机视频流传输方法，其特征在于，所述视频状态其中，bt表示当前缓冲区尺寸，lt-1为上一个视频块的比特率选择，所述第t-8个～第t-1个视频块中每个视频块的平均吞吐量其中，xt-8、…、xt-1分别为第t-8个视频块的平均吞吐量、…、第t-1个视频块的平均吞吐量。
4.如权利要求1所述的比特率自适应无人机视频流传输方法，其特征在于，采用Advantage Actor Critic方法作为DRL网络的策略。
5.如权利要求1所述的比特率自适应无人机视频流传输方法，其特征在于，采用LSTM网络对过去八个视频块的平均吞吐量进行处理，提取出时域上的特征，再与其他输入参数一同输入至DRL网络的隐藏层。
6.如权利要求1所述的比特率自适应无人机视频流传输方法，其特征在于，比特率选择包括比特率240p、360p、720p和1080p，分别对应流畅、低清、高清和超清。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的比特率自适应无人机视频流传输方法。
CN201811209815.5A 2018-10-17 2018-10-17 一种基于drl的比特率自适应无人机视频流传输方法 Active CN109218744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811209815.5A CN109218744B (zh) 2018-10-17 2018-10-17 一种基于drl的比特率自适应无人机视频流传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811209815.5A CN109218744B (zh) 2018-10-17 2018-10-17 一种基于drl的比特率自适应无人机视频流传输方法

Publications (2)

Publication Number Publication Date
CN109218744A true CN109218744A (zh) 2019-01-15
CN109218744B CN109218744B (zh) 2019-11-22

Family

ID=64980574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811209815.5A Active CN109218744B (zh) 2018-10-17 2018-10-17 一种基于drl的比特率自适应无人机视频流传输方法

Country Status (1)

Country Link
CN (1) CN109218744B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110191362A (zh) * 2019-05-29 2019-08-30 鹏城实验室 数据传输方法及装置、存储介质及电子设备
CN110809127A (zh) * 2019-10-10 2020-02-18 北京邮电大学 一种基于深度模仿学习的视频通话方法及装置
CN110933380A (zh) * 2019-12-17 2020-03-27 深圳市道通智能航空技术有限公司 一种图传控制方法、系统及无人机
CN111083106A (zh) * 2019-11-12 2020-04-28 华中科技大学 一种多机器人网络中攻击机器人检测方法及检测系统
WO2021143344A1 (zh) * 2020-01-16 2021-07-22 北京达佳互联信息技术有限公司 码率决策模型训练方法以及电子设备
CN113259657A (zh) * 2021-05-18 2021-08-13 上海大学 基于视频质量分数的dppo码率自适应控制系统和方法
CN114827683A (zh) * 2022-04-18 2022-07-29 天津大学 基于强化学习的视频自适应码率控制系统及方法
CN114885208A (zh) * 2022-03-21 2022-08-09 中南大学 Ndn网络下可伸缩流媒体传输的动态自适应方法、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101594533A (zh) * 2009-06-30 2009-12-02 华中科技大学 一种适用于无人机序列图像的压缩方法
CN103763062A (zh) * 2014-01-17 2014-04-30 中国航空无线电电子研究所 可变增益自适应带宽的航空无线电抗干扰宽带传输方法
CN105979264A (zh) * 2016-04-19 2016-09-28 成都翼比特自动化设备有限公司 用于无人机的远距离大数据量无线通信方法
CN106791696A (zh) * 2017-01-13 2017-05-31 中国科学院大学 无线视频监控系统及其图像传输方法和装置
CN106796761A (zh) * 2014-09-30 2017-05-31 深圳市大疆创新科技有限公司 用于支持模拟移动的系统和方法
CN107124603A (zh) * 2017-05-10 2017-09-01 中国电子科技集团公司第五十四研究所 一种基于缓存的多视点视频自适应传输方法
WO2017193374A1 (en) * 2016-05-13 2017-11-16 SZ DJI Technology Co., Ltd. System and method for presenting a video via transcode
CN107371040A (zh) * 2017-08-28 2017-11-21 荆门程远电子科技有限公司 一种无人机影像高效处理系统
US20180059660A1 (en) * 2016-08-23 2018-03-01 Group Care Technologies, LLC Intelligent event response with unmanned aerial system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101594533A (zh) * 2009-06-30 2009-12-02 华中科技大学 一种适用于无人机序列图像的压缩方法
CN103763062A (zh) * 2014-01-17 2014-04-30 中国航空无线电电子研究所 可变增益自适应带宽的航空无线电抗干扰宽带传输方法
CN106796761A (zh) * 2014-09-30 2017-05-31 深圳市大疆创新科技有限公司 用于支持模拟移动的系统和方法
CN105979264A (zh) * 2016-04-19 2016-09-28 成都翼比特自动化设备有限公司 用于无人机的远距离大数据量无线通信方法
WO2017193374A1 (en) * 2016-05-13 2017-11-16 SZ DJI Technology Co., Ltd. System and method for presenting a video via transcode
US20180059660A1 (en) * 2016-08-23 2018-03-01 Group Care Technologies, LLC Intelligent event response with unmanned aerial system
CN106791696A (zh) * 2017-01-13 2017-05-31 中国科学院大学 无线视频监控系统及其图像传输方法和装置
CN107124603A (zh) * 2017-05-10 2017-09-01 中国电子科技集团公司第五十四研究所 一种基于缓存的多视点视频自适应传输方法
CN107371040A (zh) * 2017-08-28 2017-11-21 荆门程远电子科技有限公司 一种无人机影像高效处理系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110191362A (zh) * 2019-05-29 2019-08-30 鹏城实验室 数据传输方法及装置、存储介质及电子设备
CN110191362B (zh) * 2019-05-29 2021-03-16 鹏城实验室 数据传输方法及装置、存储介质及电子设备
CN110809127A (zh) * 2019-10-10 2020-02-18 北京邮电大学 一种基于深度模仿学习的视频通话方法及装置
CN110809127B (zh) * 2019-10-10 2021-03-19 北京邮电大学 一种基于深度模仿学习的视频通话方法及装置
CN111083106A (zh) * 2019-11-12 2020-04-28 华中科技大学 一种多机器人网络中攻击机器人检测方法及检测系统
CN110933380A (zh) * 2019-12-17 2020-03-27 深圳市道通智能航空技术有限公司 一种图传控制方法、系统及无人机
WO2021143344A1 (zh) * 2020-01-16 2021-07-22 北京达佳互联信息技术有限公司 码率决策模型训练方法以及电子设备
CN113259657A (zh) * 2021-05-18 2021-08-13 上海大学 基于视频质量分数的dppo码率自适应控制系统和方法
CN114885208A (zh) * 2022-03-21 2022-08-09 中南大学 Ndn网络下可伸缩流媒体传输的动态自适应方法、设备及介质
CN114885208B (zh) * 2022-03-21 2023-08-08 中南大学 Ndn网络下可伸缩流媒体传输的动态自适应方法、设备及介质
CN114827683A (zh) * 2022-04-18 2022-07-29 天津大学 基于强化学习的视频自适应码率控制系统及方法
CN114827683B (zh) * 2022-04-18 2023-11-07 天津大学 基于强化学习的视频自适应码率控制系统及方法

Also Published As

Publication number Publication date
CN109218744B (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN109218744B (zh) 一种基于drl的比特率自适应无人机视频流传输方法
CN110488861A (zh) 基于深度强化学习的无人机轨迹优化方法、装置和无人机
Xiao et al. Sensor-augmented neural adaptive bitrate video streaming on UAVs
WO2021128805A1 (zh) 一种基于生成对抗强化学习的无线网络资源分配方法
CN110955463B (zh) 支持边缘计算的物联网多用户计算卸载方法
Harb et al. Policy evaluation networks
CN101282243A (zh) 无线传感器网络分布式融合识别方法
CN106713265B (zh) Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统
CN107274029A (zh) 一种利用动态场景内交互作用介质的未来预测方法
Egorov Deep reinforcement learning with pomdps
Huang et al. Tiyuntsong: A self-play reinforcement learning approach for ABR video streaming
CN115358831A (zh) 基于多智能体强化学习算法在联邦学习下的用户竞价方法及装置
CN112437131A (zh) 物联网中考虑数据相关性的数据动态采集与传输方法
Huang et al. Zwei: A self-play reinforcement learning framework for video transmission services
CN114169543A (zh) 一种基于模型陈旧性与用户参与度感知的联邦学习算法
CN106022293A (zh) 一种基于自适应共享小生境进化算法的行人再识别方法
DE102022100937A1 (de) Durchführen einer netzwerk-überlastungssteuerungdurch verwendung von verstärkungslernen
CN110290318A (zh) 星载图像处理与自主决策方法和系统
CN109451522A (zh) 一种面向蓝牙网关的流量预测方法及装置
CN116320620A (zh) 基于个性化联邦强化学习的流媒体比特率自适应调整方法
CN112329906A (zh) 一种基于粒子群算法的人工智能金融风险度量方法
CN109214400A (zh) 分类器训练方法、装置、设备和计算机可读存储介质
CN114866272B (zh) 群智感知环境下真值发现算法的多轮次数据投放系统
CN116484945A (zh) 面向图结构数据的联邦元学习方法
CN107203934A (zh) 群智感知不对称信息场景中的激励方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant