CN111836326A - 基于目标追踪场景下边缘网络路由方法 - Google Patents

基于目标追踪场景下边缘网络路由方法 Download PDF

Info

Publication number
CN111836326A
CN111836326A CN202010629604.8A CN202010629604A CN111836326A CN 111836326 A CN111836326 A CN 111836326A CN 202010629604 A CN202010629604 A CN 202010629604A CN 111836326 A CN111836326 A CN 111836326A
Authority
CN
China
Prior art keywords
network
nodes
node
edge
target
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
CN202010629604.8A
Other languages
English (en)
Other versions
CN111836326B (zh
Inventor
贾刚勇
张忠义
李尤慧子
殷昱煜
蒋从锋
张纪林
万健
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010629604.8A priority Critical patent/CN111836326B/zh
Publication of CN111836326A publication Critical patent/CN111836326A/zh
Application granted granted Critical
Publication of CN111836326B publication Critical patent/CN111836326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/24Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/248Connectivity information update

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种基于目标追踪场景下边缘网络路由方法。本发明主要包括三部分内容:初始状态网络构建,目标追踪的路由转发规则以及网络拓扑的动态构建。本发明克服传统TCP/IP协议和无线传感网络中的单节点过载以及应用通信高延时等缺点,使得边缘节点之间的协同在最低延时下完成,且保证了网络以较少的通信量完成任务,同时网络还支持节点动态弹性的扩展。

Description

基于目标追踪场景下边缘网络路由方法
技术领域
本发明涉及通信技术领域,特别涉及一种基于目标追踪场景下边缘网络路由方法。
背景技术
边缘计算是在大数据时代尤其是在万物互联时代对云计算的扩展与补充,将传统的移动边缘端与云计算数据中心端完美的连接了起来。边缘计算是指在网络边缘执行计算的一种新型计算模式,其核心的理念是“计算应该更靠近数据的源头,可以更贴近用户”,极大的促进了如计算,存储以及网络等服务质量,降低了成本。但是边缘计算中极为关键的问题是移动边缘节点之间该如何构建网络;数据应该以何种路由协议进行转发,只有解决了这两个问题才能成功的构建出边缘网络实现节点间的网络通信。
边缘网络的出现一定程度上是为了弥补云计算高延时的缺点,大多数边缘网络应用都对延时十分敏感,尤其是目标追踪场景下的边缘网络,目前有关于边缘网络路由协议的相关研究还以物联网为基础,甚至还有一些边缘端节点在协同通信时还采用TCP/IP网络协议架构。对于传统的互联网通信,TCP/IP网络协议架构已经被证明表现非常出色,但是对于新型的移动边缘网络,传统的网络协议架构并不能满足节点移动的特性,且单一的主从模式很容易造成某些节点的网络过载,不利于网络的负载均衡。
无线传感网络路由协议是一种非主从的对等路由协议,可以克服传统的TCP/IP缺陷,并且在有些场景下的无线传感器可以小范围移动,和边缘网络有些相似。但是无线传感器的应用场景却与边缘网络的应用场景有很大不同,边缘节点对能量的消耗并不像无线传感器那样敏感,无线传感网络的通信协议很多都是以牺牲网络其他性能为代价而延长节点的生存时间,但这种代价在边缘网络中是却是不可接受的。
发明内容
对于移动边缘网络尤其是基于目标追踪场景下的多节点协同目标追踪,迫切希望一种新型的网络协议架构能够满足移动边缘计算的节点频繁移动、低延时、可扩展等特性。因此本发明希望边缘网络可以满足以下要求:
1.能实时满足网络节点的动态变化,组建网络的节点与目标都是实时变化的,网络也要能适应节点的动态变化。
2.网络必须支持节点数量的弹性变化。网络中的节点可能因为各种突发情况随时增加或随时减少,故网络必须对这种变化保持足够的敏感。
3.网络必须以最少的通信量完成目标追踪任务,这样能够高效利用网络带宽,增强网络的负载能力。
4.网络节点之间的通信应该以最快的速度传输到目标节点。对于无人驾驶这样的强实时应用必须以最快的速度予以应答,这样才能保证车辆间的安全。
本发明主要提出一种基于边缘网络目标追踪场景下的动态路由方法,该路由方法主要包括三个部分:初始状态网络构建,目标追踪的路由转发规则以及网络拓扑的动态构建。
本发明的具体步骤是:
步骤1.初始构建边缘网络
网络任意的两个边缘节点P1(x1,y1)和P2(x2,y2)都可以根据平面间两点的距离公式计算出P1和P2的距离d。
Figure BDA0002567994670000021
根据权值的计算规则,可以计算出P1和P2两点之间的权值w
w=(x2-x1)2+(y2-y1)2
构建边缘网络就是维护节点的连接关系以及节点与节点间的权值,边缘网络的拓扑信息可以用一个邻接矩阵M表示。其中N为边缘网络中边缘节点的个数,wi,j表示节点i与节点j之间的权值。
Figure BDA0002567994670000022
步骤2.节点任务划分。
为了完成目标追踪的任务,边缘网络需要将整个任务分配给部分边缘节点来执行。定义整个边缘网络中节点的集合为Point(P1,P2,…,Pi…,PN),给定其中的K个节点分配任务协同完成目标追踪,定义这K个节点的集合为Pointwork(p1,p2,…,pi…,pK)。
边缘网络产生的初衷是为了弥补云计算网络延时长等缺点,处理一些时延敏感型任务。为了保证目标追踪任务在最短的时间内完成,需要以一定的规则选出Pointwork节点集合。目标所在的位置为goal(x,y),以节点距离目标所在的位置的最短距离为基准,选择出K个节点,在节点移动速度相同的情况下,距离目标越近的节点会越快的追上目标,处理任务的延时就越短。
Figure BDA0002567994670000031
步骤3.最短路径的规划。
根据步骤1构建了边缘网络,又根据步骤2完成了节点的任务划分,最短路径规划就是目标信息发送到网络分配任务的节点集合。为了保证最快的信息到达,本发明中采用全局最短路径规划算法Dijkstra算法保证了路径的权值和最小。
步骤4.动态构建拓扑网络。
边缘网络中的节点与目标的移动是连续变化的,可以看成是一种连续的输入信号x(t),其频率为fx。边缘网络以一定的频率fs对x(t)进行采样,则采样以后的输入信号为x(nT),其中T=1/fs
根据采样定理可得:当fs≥2*fx即可根据x(nT)还原x(t),创建一个flag(nT)数组记录每个节点在nT时刻位置是否发生改变。
Figure BDA0002567994670000032
将所有位置发生变化的节点的位置信息广播出去,其余的节点更新该节点的位置信息,重新构建的网络拓扑结构这样可以保证网络的实时连接。若目标在本周期已经采样过的时刻出现在网络中,则需要在下一个周期T中才能发现目标,故网络延时delayT最长为:
drlayT=T+delaypath+max(delayi)
delaypath表示数据在规划路径上转发所需的时间,delayi表示节点i广播自身位置信息所需的时间。delaypath+max(delayi)的加和与具体的网络结构有关,通常会在一个固定范围内波动,故网络的延时与采样周期T密切相关,延时与采样周期T基本呈正相关。
步骤5.周期性的循环步骤2至步骤4直至任务结束。
本发明的有益效果:
本发明克服了传统TCP/IP协议和无线传感网络中的单节点过载以及应用通信高延时等缺点,使得边缘节点之间的协同在最低延时下完成,且保证了网络以较少的通信量完成任务,同时网络还支持节点动态弹性的扩展。本发明运用到边缘网络环境中,在满足边缘环境实时性的要求下还可以降低网络的通信量,以最短的网络延时完成分配的任务。
附图说明
图1是边缘网络路由协议的总体架构图;
图2是边缘节点广播数据流向图;
图3是网络节点任务划分示意图;
图4是边缘网络拓扑图转换为拓扑图的生成树。
具体实施方式
以下结合附图对本发明作进一步说明,具体的实施步骤如下。
边缘节点具备频繁移动的特性,网络结构的频繁改变同样增加了能量的消耗。边缘网络与传统网络的这些区别使得传统的物联网或者无线传感网络的路由协议无法直接应用在边缘网络上。因此本发明是在基于目标追踪场景下提出了一种边缘网络的路由方法,该方法主要解决边缘节点的协同通信问题,在保证网络高实时的前提下,优化网络的通信量。本发明以一定周期更新网络的拓扑结构用来维持网络拓扑的动态构建,并分析了影响网络延时一些因素。
请参阅图1;图1给出本发明的总结框架图,主要包括三个部分。
1.边缘节点初始状态构建网络的全局拓扑。
2.某个节点发现目标后,规划出一同协同追踪目标的节点;并规划出发送信息的最短路径,将目标位置信息发送给预计协同工作的节点。
3.下一周期边缘节点和目标若发生变化,重新完成构建全局网络,规划路径,信息发送等工作。
步骤1.初始构建边缘网络,初始构建网络主要包括两个部分分别是权值的选取与构建网络中数据的转发。
步骤1-1.权值的选取
权值的选取与无线通信的原理息息相关,无线通信主要就是发射源发送信号,承载信号的电磁波在空气介质中传播,最后接收源接收电磁波传来的信号。电磁波的传输与光类似,在均匀的空气介质中都是直线传输,在通信设备与环境一定时,影响通信质量的主要因素就是距离。下面的公式指出接收功率主要和哪些因素有关。
Figure BDA0002567994670000051
其中PR表示接收功率,PT表示发射功率,GT发射机的天线增益,GR表示接收机的天线增益,λ表示电磁波波长,d表示通信距离。
根据上面的公式可以看出接收功率的强度主要与三个因素有关:1)电磁波的波长2)节点自身的属性,3)节点间的距离。当通信协议与节点设备确定后,主要就是节点间的通信距离影响节点的接收功率,即接收的信号强度。影响通信质量的因素主要就是节点间的距离d,接收功率反比于d2,所以网络边的权值最终确定为d2
步骤1-2.初始状态构建网络
网络任意的两个边缘节点P1(x1,y1)和P2(x2,y2)都可以根据平面间两点的距离公式计算出P1和P2的距离d。
Figure BDA0002567994670000052
根据权值的计算规则,可以计算出P1和P2两点之间的权值w
w=(x2-x1)2+(y2-y1)2
构建边缘网络就是维护节点的连接关系以及节点与节点间的权值,边缘网络的拓扑信息可以用一个邻接矩阵M表示。其中N为边缘网络中边缘节点的个数,wi,j表示节点i与节点j之间的权值。
Figure BDA0002567994670000053
每个节点需要知道其他所有节点的位置才能建立起全局网络,节点间的信息传输请参阅图2,两个边缘节点间的距离d在不大于L时两个节点才能相互感知到进行信息传输,L表示两个节点可以相互通信的距离上限,与具体的传感器相关。以图2为例描述全局网络的构建过程,也就是节点位置信息的传输过程。A节点与E节点可以直接通信;B节点与E节点通信需要经过中转节点A或者是C、D才可以通信。
步骤2.节点任务划分
为了完成目标追踪的任务,边缘网络需要将整个任务分配给部分边缘节点来执行。定义整个边缘网络中节点的集合为Point(P1,P2,…,Pi…,PN)。给定其中的K个节点分配任务协同完成目标追踪,定义这K个节点的集合为Pointwork(p1,p2,…,pi…,pK)。
为了保证目标追踪任务在最短的时间内完成,需要以一定的规则选出Pointwork节点集合,目标所在的位置为goal(x,y),以节点距离目标goal的最短距离为基准选择出K个节点,在节点移动速度相同的情况下,距离目标越近的节点会越快的追上目标,处理任务的延时就越短。
Figure BDA0002567994670000061
计算出网络中的节点距离目标goal的距离为dis={disA,B,…,disG};对距离进行排序找出距离目标goal最近的K个节点,请参阅图3,看出最近的三个节点分别为{D,E,F}。在此采样周期T中划分这三个节点执行目标追踪任务,即扇形区域内的三个节点。这个过程中任务的决策过程直接在边缘网络层就完成了,不需要像传统的云计算架构模型一样将任务上传至云中心,大大减少了节点任务划分过程所消耗的时间,同时边缘网络选择距离目标最近的边缘节点来完成任务也能以最短的时间处理完任务,体现了边缘网络低延时,高响应的优越性。
步骤3.最短路径规划
边缘网络层决策出了分配任务的节点,但是一些分配了任务的节点可能并不知道目标的位置。请参与图3,D节点与E节点并不知道目标goal的位置,这时就需将目标的位置发送给诸如D、E这些不知道目标的位置但是被分配了任务的节点。为保证信息尽快的发送过去,信息的转发路径应为全局最短路径,即应保证wi,j的加和最小,sum(wi,j)越小表示线路通信质量越高,网络延时越小。
路径规划算法通过每个顶点v∈V来保留当前所有找到从s到v的最短路径来工作的。初始状态时源点s的路径权值被赋予0,同时把所有到其他节点的路径长度设为无穷大,也就是不清楚源点s到达其他节点的任何路径。用d[v]存储源点s到达节点v的最短路径,如果路径不存在的话,则d[v]是无穷大。
路径规划的具体流程是如果存在一条从u到v的边,那么从s到v的一条新路径是将边w(u,v)∈E添加到从s到u的路径尾部来拓展一条从s到v的路径,这条路径的长度是d[u]+w(u,v)。如果这个值比当前已知的d[v]要小,那么可以用这个值来替代当前的d[v]这个值,重复这个边的拓展操作直到所有的d[v]都代表s到v的最短路径值。
算法其实主要维护两个顶点集合S与Q。集合S保留所有已知最短路径的节点,集合Q则保留其他节点,进行边的拓展就是逐渐减少Q中的节点,当Q内节点全部添加到S中,则最短路径的规划完成。在边缘网络中距离目标最近的节点就是充当最短路径算法中的s节点,由该节将目标的位置发出,数据包所经过的路径就是规划出的最短路径。算法的伪代码如下所示。
Figure BDA0002567994670000071
步骤4动态构建拓扑网络。
边缘网络中的节点与目标的移动是连续变化的,可以看成是一种连续的输入信号x(t),其频率为fx。边缘网络以一定的频率fs对x(t)以一定的频率进行采样,则采样以后的输入信号为x(nT),其中T=1/fs
根据采样定理可得:当fs≥2*fx,即可根据x(nT)还原x(t),对于边缘网络这种强实时的网络架构,fs通常为几百kHz到几千kHz之间,而边缘节点的移动轨迹通常是无规则运动,非周期平缓信号fx趋近于0,故满足fs≥2*fx,可以通过以一定频率采样的方式将连续的变化的网络离散化。
边缘网络其实质是边缘节点集合和带权值的边的集合,动态的构建拓扑网络就是维护position(nT)和wi,j(nT),其中position(nT)与wi,j(nT)分别表示在nT时刻的位置信息与边的权值。
position(nT)=[P1(x1nT,y1nT),P2(x2nT,y2nT),…Pi(xinT,yinT),…Pn(xnnT,ynnT)]
Figure BDA0002567994670000081
为了重新构建网络拓扑,将flag(nT)中为0的节点的位置信息广播给网络中的其他节点,所有位置发生过改变的节点都完成了广播的过程,这个周期就完成了position与wi,j的更新。
节点位置的广播过程类似于广度优先搜索,将网络的图形结构转换成以该节点为根节点的树形结构。当finT=1时,即i的位置发生改变,需要将i节点的新位置广播出去。
首先将i节点放入队列Q中,从队列中取出队首节点,将i的信息广播给队首的邻居,同时将这些邻居中没有进入队列Q的节点插入到队尾,直到队列中没有节点,网络中每个节点都获得了i节点位置信息,这时候,广播信息的方式保证了每个节点只对i节点的信息广播一次,有效的减少了网络通信开销,避免网络洪泛的产生。
Figure BDA0002567994670000082
Figure BDA0002567994670000091
请参阅图4,在时刻nT时边缘网络中节点G位置发生了变化,需要将G的位置发送到整个网络中,G首先将信息发给邻居节点{A,B},同时{A,B}加入到队列Q中,然后A出队将信息发送给节点{D,E}同时{D,E}入队。然后B再出队,将信息发送给C节点,C节点入队,D,E分别出队,将信息发送给各自的邻居节点,直到最后的队列为空则完成信息的广播。广播过程的节点生成树如图4所示,同一层的叶子节点会在相同轮次完成节点信息的转发。
在动态构建边缘网络的过程中,采样的时间间隔T对网络通信量与延时等各个方面有着十分重要的影响。在一个周期T内边缘网络完成的任务有三部分:将fi=1的i节点位置广播出去;识别出目标后对网络节点进行任务划分;规划出数据转发的最短路径并完成数据转发。在一个周期T内通信量datanT来自节点i广播信息和最短路径中数据的转发两部分,其中datai表示节点i广播位置信息的通信量,datapath表示最短路径中的数据转发的通信量。
Figure BDA0002567994670000092
相同单位时间Time内,对于不同的周期T要进行Time/T次数据通信,每次通信开销为datanT,故在单位时间Time中,网络的通信开销为dataTime
Figure BDA0002567994670000093
从公式可以看出网络在单位时间Time中,网络的通信开销与网络规模、路径规划还有网络的采样周期T有关;当采样周期越大,则网络中的通信开销越少;若网络中节点的规模不变,在多个周期中统计的通信开销中datanT也大致相同,网络的通信开销与网络的采样周期T大致呈反比关系。
网络延时是边缘网络中最重要的性能指标。当目标出现在边缘网络中,希望网络能在最短的时间内完成对目标的追踪。一个采样周期T内的延时delayT为节点i广播信息的延时与信息在路径上传输的延时。若目标在本周期已经采样过的时刻出现在网络中,则需要在下一个周期T中才能发现目标,故网络延时delayT最长为:
delayT=T+delaypath+max(delayi)
delaypath表示数据在规划路径上转发所需的时间,delayi表示节点i广播自身位置信息所需的时间。在同一网络规模下的每一个采样周期T中,delaypath+max(delayi)的加和与具体的网络结构有关,通常会在一个固定范围内波动,故网络的延时与采样周期T密切相关,通常T的取值越大网络的延时会越高,延时与采样周期T基本呈正相关线性变换。
步骤5.重复步骤2至步骤4。
边缘网络是一个动态连续的过程,步骤2至步骤4将动态连续的过程转换为静态离散的过程,将这个的过程拆分为时间片段执行,动态更新网络数据。
以上是本发明的较佳实施过程,凡依本发明技术所做的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。

Claims (5)

1.基于目标追踪场景下边缘网络路由方法,其特征在于该方法包括如下步骤:
步骤1.初始构建边缘网络
根据平面间两点的距离公式计算网络中任意的两个边缘节点P1(x1,y1)和P2(x2,y2)的距离d;
根据权值的计算规则,计算出边缘节点P1(x1,y1)和P2(x2,y2)之间的权值w为d2
构建边缘网络就是维护节点的连接关系以及节点与节点间的权值,边缘网络的拓扑信息用邻接矩阵;
步骤2.节点任务划分
定义整个边缘网络中节点的集合为Point(P1,P2,…,Pi…,PN);给定其中的K个节点分配任务协同完成目标追踪,定义这K个节点的集合为Pointwork(p1,p2,…,pi…,pk);
采用设定的规则选出Pointwork节点集合来保证目标追踪任务在最短的时间内完成;
步骤3.最短路径的规划
根据步骤1构建了边缘网络,又根据步骤2完成了节点的任务划分,最短路径规划就是将目标信息发送到网络分配任务的节点集合;为了保证最快的信息到达,信息的转发路径应为全局最短路径;
步骤4.动态构建拓扑网络;
边缘网络中的节点与目标的移动是连续变化的,将其视为一种连续的输入信号x(t),其频率为fx;边缘网络以频率fs对x(t)进行采样,则采样后的输入信号为x(nT),其中T=1/fs
创建一个数组记录每个节点在nT时刻位置是否发生改变,将所有位置发生变化的节点的位置信息广播出去,其余的节点更新该节点的位置信息,重新构建的网络拓扑结构可以保证网络的实时连接;
步骤5.周期性的循环步骤2至步骤4直至任务结束。
2.根据权利要求1所述的基于目标追踪场景下边缘网络路由方法,其特征在于:
步骤2中所述的规则设置为:设目标所在的位置为goal(x,y),以节点距离目标所在的位置goal(x,y)的最短距离为基准选择出K个节点,在节点移动速度相同的情况下,距离目标越近的节点会越快的追上目标,处理任务的延时就越短。
3.根据权利要求1所述的基于目标追踪场景下边缘网络路由方法,其特征在于:
步骤3中采用全局最短路径采用Dijkstra算法,该算法用于保证路径的权值和最小。
4.根据权利要求1所述的基于目标追踪场景下边缘网络路由方法,其特征在于:
步骤4中广播形式为:设节点i的位置发生了改变,将节点i放入队列Q中,从队列中取出队首节点,将节点i的信息广播给队首的邻居,同时将这些邻居中没有进入队列Q的节点插入到队尾,直到队列中没有节点,网络中每个节点都获得了节点i的位置信息。
5.根据权利要求4所述的基于目标追踪场景下边缘网络路由方法,其特征在于:还包括计算网络延时delayT
delayT=T+delaypath+max(delayi)
其中delaypath表示数据在规划路径上转发所需的时间,delayi表示节点i广播自身位置信息所需的时间。
CN202010629604.8A 2020-07-03 2020-07-03 基于目标追踪场景下边缘网络路由方法 Active CN111836326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010629604.8A CN111836326B (zh) 2020-07-03 2020-07-03 基于目标追踪场景下边缘网络路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010629604.8A CN111836326B (zh) 2020-07-03 2020-07-03 基于目标追踪场景下边缘网络路由方法

Publications (2)

Publication Number Publication Date
CN111836326A true CN111836326A (zh) 2020-10-27
CN111836326B CN111836326B (zh) 2022-06-14

Family

ID=72900704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010629604.8A Active CN111836326B (zh) 2020-07-03 2020-07-03 基于目标追踪场景下边缘网络路由方法

Country Status (1)

Country Link
CN (1) CN111836326B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112104841A (zh) * 2020-11-05 2020-12-18 深圳市万佳安人工智能数据技术有限公司 一种用于移动目标监测的多摄像头智能监控方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009097427A1 (en) * 2008-01-31 2009-08-06 General Dynamics United Kingdom Apparatus and method for surveillance system using sensor arrays
EP2571660A2 (en) * 2010-05-20 2013-03-27 iRobot Corporation Mobile human interface robot
CN103364004A (zh) * 2012-03-28 2013-10-23 富士通株式会社 路径搜索方法和路径搜索装置
WO2016120634A2 (en) * 2015-01-29 2016-08-04 Unifai Holdings Limited Computer vision systems
CN106961707A (zh) * 2017-03-06 2017-07-18 哈尔滨工程大学 一种vanet中基于连通性的多因素决策路由协议
CN107222900A (zh) * 2017-04-18 2017-09-29 西安电子科技大学 一种基于动态链的无线传感器网络节点协作方法
WO2018020275A1 (en) * 2016-07-29 2018-02-01 Unifai Holdings Limited Computer vision systems
CN107690170A (zh) * 2017-08-20 2018-02-13 中国人民解放军理工大学 基于位置和任务规划的动态路由计算方法
EP3416114A1 (en) * 2017-06-15 2018-12-19 Flex, Ltd. System and method for assessing the insurance risk of driver behavior using gps tracking and machine learning
CN109714730A (zh) * 2019-02-01 2019-05-03 清华大学 用于车车及车路协同的云控平台系统及协同系统和方法
CN109996039A (zh) * 2019-04-04 2019-07-09 中南大学 一种基于边缘计算的目标追踪方法及装置
CN110113138A (zh) * 2019-04-29 2019-08-09 杭州电子科技大学 一种基于边缘计算的海洋vms数据传输优化方法
US20190340906A1 (en) * 2016-12-15 2019-11-07 David H. Williams Systems and methods for monitoring for and preempting pre-identified restriction violation-related behavior(s) of persons under restriction
CN111338350A (zh) * 2020-03-10 2020-06-26 青岛蓝海未来海洋科技有限责任公司 基于贪婪机制粒子群算法的无人船路径规划方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009097427A1 (en) * 2008-01-31 2009-08-06 General Dynamics United Kingdom Apparatus and method for surveillance system using sensor arrays
EP2571660A2 (en) * 2010-05-20 2013-03-27 iRobot Corporation Mobile human interface robot
CN103364004A (zh) * 2012-03-28 2013-10-23 富士通株式会社 路径搜索方法和路径搜索装置
WO2016120634A2 (en) * 2015-01-29 2016-08-04 Unifai Holdings Limited Computer vision systems
WO2018020275A1 (en) * 2016-07-29 2018-02-01 Unifai Holdings Limited Computer vision systems
US20190340906A1 (en) * 2016-12-15 2019-11-07 David H. Williams Systems and methods for monitoring for and preempting pre-identified restriction violation-related behavior(s) of persons under restriction
US20200105113A1 (en) * 2016-12-15 2020-04-02 David H. Williams Systems and methods for monitoring for and preempting pre-identified restriction violation-related behavior(s) of persons under restriction
CN106961707A (zh) * 2017-03-06 2017-07-18 哈尔滨工程大学 一种vanet中基于连通性的多因素决策路由协议
CN107222900A (zh) * 2017-04-18 2017-09-29 西安电子科技大学 一种基于动态链的无线传感器网络节点协作方法
EP3416114A1 (en) * 2017-06-15 2018-12-19 Flex, Ltd. System and method for assessing the insurance risk of driver behavior using gps tracking and machine learning
US20180365771A1 (en) * 2017-06-15 2018-12-20 Flex Ltd. Systems and methods for assessing the insurance risk of driver behavior using gps tracking and machine learning
CN107690170A (zh) * 2017-08-20 2018-02-13 中国人民解放军理工大学 基于位置和任务规划的动态路由计算方法
CN109714730A (zh) * 2019-02-01 2019-05-03 清华大学 用于车车及车路协同的云控平台系统及协同系统和方法
CN109996039A (zh) * 2019-04-04 2019-07-09 中南大学 一种基于边缘计算的目标追踪方法及装置
CN110113138A (zh) * 2019-04-29 2019-08-09 杭州电子科技大学 一种基于边缘计算的海洋vms数据传输优化方法
CN111338350A (zh) * 2020-03-10 2020-06-26 青岛蓝海未来海洋科技有限责任公司 基于贪婪机制粒子群算法的无人船路径规划方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
" "S1-174277 - TR 22.872 v0.3.0"", 《3GPP TSG_SA\WG1_SERV》 *
ZONGWEI ZHU: "《Modified DenseNet for Automatic Fabric DefectDetection With Edge Computing for Minimizing Latency》", 《IEE XPLORE》 *
周帆: "传感器网络中高效移动物体追踪研究", 《中国博士学位论文全文数据库(电子期刊)信息科技辑》 *
王夙喆: "无线传感器网络位置信息获取与应用研究", 《中国博士学位论文全文数据库(电子期刊)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112104841A (zh) * 2020-11-05 2020-12-18 深圳市万佳安人工智能数据技术有限公司 一种用于移动目标监测的多摄像头智能监控方法及装置
CN112104841B (zh) * 2020-11-05 2021-12-07 乐荣时代智能安防技术(深圳)有限公司 一种用于移动目标监测的多摄像头智能监控方法

Also Published As

Publication number Publication date
CN111836326B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN109640370B (zh) 一种基于信息新鲜度的车联网传输方法及装置
CN104640168B (zh) 基于q学习的车载自组织网络路由方法
CN113163466B (zh) 基于模糊决策树的自适应鱼群寻路包路由方法
CN110336751B (zh) 基于隶属函数的低轨卫星网络路由策略
CN111836326B (zh) 基于目标追踪场景下边缘网络路由方法
Li et al. Improving routing in networks of UAVs via scoped flooding and mobility prediction
Kim et al. Machine learning based edge-assisted UAV computation offloading for data analyzing
CN113382383A (zh) 一种基于策略梯度的公交车辆计算任务卸载方法
Ji et al. Keep forwarding path freshest in VANET via applying reinforcement learning
CN112672398B (zh) 一种基于自适应kalman预测的3D-GPSR路由方法
Farooq et al. AMVR: A multicast routing protocol for autonomous military vehicles communication in VANET
Jiang et al. Research on OLSR adaptive routing strategy based on dynamic topology of UANET
CN105025516B (zh) 高动态环境下的移动状态累积加权路由方法
CN111614559B (zh) 实现全局优化aodv路由的方法、系统及介质
CN114039683A (zh) 无人机集群的无线紫外光通信网络抗干扰容错方法
Haglan et al. The effect of network size and density to the choice of zone radius in ZRP
CN116806043A (zh) 路由选择方法、装置、电子设备及移动边缘网络
Kuruvila et al. Progress based localized power and cost aware routing algorithms for ad hoc and sensor wireless networks
Chu et al. Fast or slow: An autonomous speed control approach for UAV-assisted IoT data collection networks
CN111835640B (zh) 基于连续时间聚合图的最短时延路由方法
CN111711974B (zh) 基于轨迹预测的飞行自组织网络能量有效型机会路由方法
Carfang et al. A Cascaded Approach to Optimal Aircraft Trajectories for Persistent Data Ferrying
Belkout et al. A load balancing and routing strategy in fog computing using deep reinforcement learning
Adamek et al. Stateless reliable geocasting
Sengathir et al. An Adaptive Opposition Learning-Improved Slime Mould Algorithm-Based Optimization Routing for Guaranteeing Reliable Data Dissemination in FANETs

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