CN112203291A - 基于知识嵌入的区域覆盖和连通保持的集群控制方法 - Google Patents
基于知识嵌入的区域覆盖和连通保持的集群控制方法 Download PDFInfo
- Publication number
- CN112203291A CN112203291A CN202011393769.6A CN202011393769A CN112203291A CN 112203291 A CN112203291 A CN 112203291A CN 202011393769 A CN202011393769 A CN 202011393769A CN 112203291 A CN112203291 A CN 112203291A
- Authority
- CN
- China
- Prior art keywords
- agent
- target
- attention
- cluster
- connectivity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012423 maintenance Methods 0.000 title claims abstract description 48
- 238000004891 communication Methods 0.000 claims abstract description 60
- 230000009471 action Effects 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 219
- 239000000126 substance Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 23
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000000523 sample Substances 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer And Data Communications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于无人集群系统协同技术领域,具体涉及了一种基于知识嵌入的区域覆盖和连通保持的集群控制方法,旨在解决现有技术无法在实现目标覆盖最大化的同时有效保证集群中智能体之间的连通性,因而智能体控制效果不佳的问题。本发明包括:提取群体中各智能体和目标的状态信息的相对特征;提取邻居各智能体对目标的意图特征和交互信息,并扩展感受野;设计群体奖惩函数,计算智能体选择累计回报最大的动作;删除冗余重要连接边,获得目标覆盖最大化的重要连接图和重要性节点集合;计算保证通信拓扑图实时连通的智能体最大步长,对动作进行约束截断,输出到集群智能体。本发明将知识和数据方法相结合,能够快速实现集群连通保持下的目标覆盖最大化。
Description
技术领域
本发明属于无人集群系统协同技术领域,具体涉及了一种基于知识嵌入的区域覆盖和连通保持的集群控制方法。
背景技术
集群协同区域覆盖和连通保持是指在给定若干目标区域或目标点的情况下,一定个数的自组织无人集群通过协同配合,使其对所有目标形成最大面积覆盖,同时保证无人集群智能体间的通信拓扑连通性。其中,无人集群包括无人车、无人机或者其他无人系统,拓扑连通性是指集群中的智能体经过一定数量的通信跳数,所有无人系统均能连通。有时为了保证所有无人集群中各智能体的连通性,无法确保集群对所有目标都形成覆盖。
在大面积战场侦察、全覆盖式火力打击、全天候多节点式通信中继等军事领域以及灾后区域快速搜索、扫网式物品投递、森林防火等民用领域,无人集群协同区域覆盖和连通保持具有广泛的应用前景,通过自组织集群协同,能解决单一无人系统无法完成或解决的问题,极大提高任务完成的效率和范围,已有小规模集群协同系统应用于若干典型场景,实现了对场景的极大赋能,改变了传统单一个体的工作方式。
现有方法虽然可以实现集群智能体间的连通保持,但是难以设计有效的策略实现目标覆盖最大化或者只实现了目标覆盖最大化,但无法保证智能体间的连通性。而基于深度强化学习等数据驱动的方法虽然具有较大的探索性和智能性等优势,但由于存在难以收敛和安全性等问题,难以有效保证连通保持这一条件。因此仅考虑知识或者数据驱动的某种方法很难同时解决多智能体间的目标覆盖最大化和连通关系保持问题,从而导致智能体控制效果难以达到预期。
发明内容
为了解决现有技术中的上述问题,即现有技术无法在实现目标覆盖最大化的同时有效保证集群中智能体之间的连通性,因而智能体控制效果不佳的问题,本发明提供了一种基于知识嵌入的区域覆盖和连通保持的集群控制方法,该方法包括:
步骤S30,基于所述智能体与目标之间的观测注意力特征,通过通信多头注意力机
制提取各邻居智能体的交互信息和查询目标特征、键目标特征和值目标特征映射、
、,并通过多跳通信机制扩展智能体的感受野,获得智能体与目标之间的交互注意力特征;
在一些优选的实施例中,步骤S20包括:
在一些优选的实施例中,所述不同目标的归一化关注系数,其公式表示为:
其中,表示所述观测多头注意力机制的探测头个数,表示第个探测头,表
示第个探测头的权重系数矩阵,为最优非线性函数,代表第个探测头对应的
第j个目标对第i个智能体的归一化的关注系数,为第个智能体观测到的目标个数,代
表拼接操作。
其中,代表拼接操作,为最优非线性函数,m代表所述通信多头注意力机制的第个探测头,代表所述通信多头注意力机制的探测头个数,代表第个智能体通信范
围内的邻居智能体个数,代表第个智能体第个探测头提取到的值目标特征,代
表第个智能体对第个邻居智能体的归一化注意力权重:
在一些优选的实施例中,所述奖惩函数,其公式表示为:
其中,代表通信拓扑图的代数连通数,代表通信拓
扑图的拉普拉斯矩阵,代表实数向量,代表个智能体,为目标的总数,为
被覆盖的目标数,为各智能体最大覆盖半径,为第j个目标的位置,为第i个智能体的
位置,代表使在范围以内的截断操作,代表求平均操作。
在一些优选的实施例中,步骤S50包括:
步骤S51,分别计算构成多边形拓扑的各智能体的速度向量与邻居拓扑形成的角度;
本发明的有益效果:
本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法,将数据驱动和知识过滤相结合,通过观测注意力网络提取目标点特征,实现智能体对不同目标关注度的信息提取,并基于图交互注意力网络提取邻居多智能体的意图特征和不同重要程度的信息,实现智能体间的意图传递和信息交互,然后基于代数连通度设计奖惩函数来引导数据驱动方法的训练,最后基于连通保持的知识模型进一步过滤优化数据驱动方法,从而实现连通保持下的目标覆盖最大化情况下的智能体精确控制。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法的流程示意图;
图2是本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法的整个网络示意图;
图3是本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种实施例的观测注意力网络的多头注意力机制示意图;
图4是本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种实施例的图交互注意力网络示意图;
图5是本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种实施例的仿真效果图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于知识嵌入的区域覆盖和连通保持的集群控制方法,充分发挥知识过滤约束和数据驱动的自学习探索等优势,通过双层注意力网络提取目标和邻居智能体的信息特征,并基于代数连通度设计奖惩函数来引导模型训练,快速实现无人集群连通保持下的目标覆盖最大化。
本发明的一种基于知识嵌入的区域覆盖和连通保持的集群控制方法,该方法包括:
步骤S30,基于所述智能体与目标之间的观测注意力特征,通过通信多头注意力机
制提取各邻居智能体的交互信息和查询目标特征、键目标特征和值目标特征映射、
、,并通过多跳通信机制扩展智能体的感受野,获得智能体与目标之间的交互注意力特征;
为了更清晰地对本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法进行说明,下面结合图1和图2对本发明实施例中各步骤展开详述。
本发明第一实施例的基于知识嵌入的区域覆盖和连通保持的集群控制方法,包括步骤S10-步骤S70,各步骤详细描述如下:
为了有效表征当前智能体对不同目标的关注程度,采用softmax函数对不同目标的关注系数进行归一化处理,如式(2)所示:
结合式(1)和式(2)可获得式(3):
其中,表示所述观测多头注意力机制的探测头个数,表示第个探测头,表
示第个探测头的权重系数矩阵,为最优非线性函数,代表第个探测头对应的
第j个目标对第i个智能体的归一化的关注系数,为第个智能体观测到的目标个数,代
表拼接操作。
这里也可以通过单头注意力网络进行特征提取,但是单头注意力网络存在特征表征受限等问题,采用多头注意力机制实现对智能体特征和目标特征之间的关注关系的相对特征提取,其效果更好。
如图3所示,为本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种
实施例的观测注意力网络的多头注意力机制示意图,代表智能体i,代表智能体i周围的M个目标,分别
为智能体i与周围的M个目标以及自身的归一化关注系数,最终结合最优非线性函数获取智
能体与目标之间的观测注意力特征。
步骤S30,基于所述智能体与目标之间的观测注意力特征,通过通信多头注意力
机制提取各邻居智能体的交互信息和查询目标特征、键目标特征和值目标特征映射、、,并通过多跳通信机制扩展智能体的感受野,获得智能体与目标之间的交互注意力
特征。
结合式(8)和式(9)可获得式(10):
如图4所示,为本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种
实施例的图交互注意力网络示意图,以智能体1与3个观测注意力特征、和进行说
明,、和分别为查询目标特征、键目标特征和值目标特征映射,、和分别为智能体1、2、3对邻居智能体1的归一化注意力权重,通过图
交互注意力网络结合获取智能体与目标之间的交互注意力特征。
总的奖励函数如式(13)所示:
其中,代表通信拓扑图的代数连通数,代表通信拓
扑图的拉普拉斯矩阵,代表实数向量,代表个智能体,为目标的总数,为
被覆盖的目标数,为各智能体最大覆盖半径,为第j个目标的位置,为第i个智能体的
位置,代表使在范围以内的截断操作,代表求平均操作。
步骤S51,分别计算构成多边形拓扑的各智能体的速度向量与邻居拓扑形成的角度。
如图5所示,为本发明基于知识嵌入的区域覆盖和连通保持的集群控制方法一种
实施例的仿真效果图,直线代表智能体连通拓扑,圆圈代表智能体覆盖范围,通过直线相连
的三个点代表智能体,其余点代表目标,从图中可以看出,本发明方法可以通过最少的智
能体实现最大的目标覆盖,并且能够保证智能体集群之间的连通关系,因此,本发明方法进
行智能体控制的精度、准确度和实时性均优于现有方法。
非重要节点表示如式(22):
多边形拓扑表示为:当且仅当或者,而且,智能体i
和邻居对(j,k)形成一个多边形拓扑,其中,表示为j到k的链路;当且仅当,一个
多边形拓扑成为三角拓扑。链式拓扑的定义为:当且仅当,智能体i和邻居j
形成链式拓扑。
本发明第二实施例的基于知识嵌入的区域覆盖和连通保持的集群控制系统,该系统包括以下模块:
信息获取模块,配置为实时获取集群中各智能体和目标的状态信息;
第三特征提取模块,配置为基于所述智能体与目标之间的观测注意力特征,通过通
信多头注意力机制提取各邻居智能体的交互信息和查询目标特征、键目标特征和值目标
特征映射、、,并通过多跳通信机制扩展智能体的感受野,获得智能体与目标之间的
交互注意力特征;
奖惩设计及智能体动作获取模块,配置为分别基于代数连通度以及覆盖率和目标与智
能体间的距离设计集群连通保持和集群对目标覆盖的总的奖惩函数,并结合所述交互注意
力特征,计算当前时刻各智能体能够获得最大累计回报的动作;
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于知识嵌入的区域覆盖和连通保持的集群控制系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于知识嵌入的区域覆盖和连通保持的集群控制方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于知识嵌入的区域覆盖和连通保持的集群控制方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于知识嵌入的区域覆盖和连通保持的集群控制方法,其特征在于,该方法包括:
步骤S30,基于所述智能体与目标之间的观测注意力特征,通过通信多头注意力机制
提取各邻居智能体的交互信息和查询目标特征、键目标特征和值目标特征映射、、,并通过多跳通信机制扩展智能体的感受野,获得智能体与目标之间的交互注意力特征;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393769.6A CN112203291B (zh) | 2020-12-03 | 2020-12-03 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393769.6A CN112203291B (zh) | 2020-12-03 | 2020-12-03 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112203291A true CN112203291A (zh) | 2021-01-08 |
CN112203291B CN112203291B (zh) | 2021-02-23 |
Family
ID=74033686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393769.6A Active CN112203291B (zh) | 2020-12-03 | 2020-12-03 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112203291B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254580A (zh) * | 2021-05-24 | 2021-08-13 | 厦门大学 | 一种特殊群体搜索方法及系统 |
CN115278699A (zh) * | 2022-06-17 | 2022-11-01 | 深圳市人工智能与机器人研究院 | 通信连通保持约束下的多智能体覆盖控制方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120292A1 (en) * | 2006-11-20 | 2008-05-22 | Neelakantan Sundaresan | Search clustering |
CN107818367A (zh) * | 2017-10-30 | 2018-03-20 | 中国科学院计算技术研究所 | 用于神经网络的处理系统和处理方法 |
CN109086134A (zh) * | 2018-07-19 | 2018-12-25 | 郑州云海信息技术有限公司 | 一种深度学习作业的运行方法和装置 |
CN109144099A (zh) * | 2018-08-28 | 2019-01-04 | 北京航空航天大学 | 基于卷积神经网络的无人机群行动方案快速评估方法 |
CN111738372A (zh) * | 2020-08-26 | 2020-10-02 | 中国科学院自动化研究所 | 分布式多智能体时空特征提取方法、行为决策方法 |
CN111814915A (zh) * | 2020-08-26 | 2020-10-23 | 中国科学院自动化研究所 | 多智能体时空特征提取方法及系统、行为决策方法及系统 |
-
2020
- 2020-12-03 CN CN202011393769.6A patent/CN112203291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120292A1 (en) * | 2006-11-20 | 2008-05-22 | Neelakantan Sundaresan | Search clustering |
CN107818367A (zh) * | 2017-10-30 | 2018-03-20 | 中国科学院计算技术研究所 | 用于神经网络的处理系统和处理方法 |
CN109086134A (zh) * | 2018-07-19 | 2018-12-25 | 郑州云海信息技术有限公司 | 一种深度学习作业的运行方法和装置 |
CN109144099A (zh) * | 2018-08-28 | 2019-01-04 | 北京航空航天大学 | 基于卷积神经网络的无人机群行动方案快速评估方法 |
CN111738372A (zh) * | 2020-08-26 | 2020-10-02 | 中国科学院自动化研究所 | 分布式多智能体时空特征提取方法、行为决策方法 |
CN111814915A (zh) * | 2020-08-26 | 2020-10-23 | 中国科学院自动化研究所 | 多智能体时空特征提取方法及系统、行为决策方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254580A (zh) * | 2021-05-24 | 2021-08-13 | 厦门大学 | 一种特殊群体搜索方法及系统 |
CN113254580B (zh) * | 2021-05-24 | 2023-10-03 | 厦门大学 | 一种特殊群体搜索方法及系统 |
CN115278699A (zh) * | 2022-06-17 | 2022-11-01 | 深圳市人工智能与机器人研究院 | 通信连通保持约束下的多智能体覆盖控制方法和装置 |
CN115278699B (zh) * | 2022-06-17 | 2024-01-16 | 深圳市人工智能与机器人研究院 | 通信连通保持约束下的多智能体覆盖控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112203291B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | An intelligent WSN-UAV-based IoT framework for precision agriculture application | |
CN113495578B (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
Dutta et al. | Application of agricultural drones and IoT to understand food supply chain during post COVID‐19 | |
CN112203291B (zh) | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 | |
CN106406346A (zh) | 一种多无人机协同快速覆盖搜索航迹规划方法 | |
Keerthana et al. | An ensemble algorithm for crop yield prediction | |
Faryadi et al. | A reinforcement learning‐based approach for modeling and coverage of an unknown field using a team of autonomous ground vehicles | |
CN107065859A (zh) | 多移动机器人的轨迹预测方法 | |
Dutta et al. | Multi-robot information gathering for precision agriculture: Current state, scope, and challenges | |
CN113612528B (zh) | 一种无人机集群数字孪生仿真系统网络连通性修复方法 | |
CN101893441A (zh) | 基于离差最大化及灰色关联分析的无人机航迹优选方法 | |
Arjoune et al. | Soybean cyst nematode detection and management: a review | |
CN114485665A (zh) | 一种基于麻雀搜索算法的无人机航迹规划方法 | |
Sandamurthy et al. | A hybrid weed optimized coverage path planning technique for autonomous harvesting in cashew orchards | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN116560406A (zh) | 一种无人机集群协同规划与自主调度方法 | |
Li et al. | Multi-mechanism swarm optimization for multi-UAV task assignment and path planning in transmission line inspection under multi-wind field | |
Jiang et al. | Learning space-time crop yield patterns with zigzag persistence-based lstm: Toward more reliable digital agriculture insurance | |
Ding et al. | Improved GWO algorithm for UAV path planning on crop pest monitoring | |
Masud et al. | Monitoring and predicting landuse/landcover change using an integrated markov chain & multilayer perceptron models: A case study of sahiwal tehsil | |
CN113342029A (zh) | 基于无人机群的最大传感器数据采集路径规划方法及系统 | |
CN103049757A (zh) | 一种基于蜂群智能的遥感影像分类方法 | |
CN116400737A (zh) | 一种基于蚁群算法的安全路径规划系统 | |
Qiannan et al. | Path planning of UAVs formation based on improved ant colony optimization algorithm | |
Goel et al. | Machine learning-based remote monitoring and predictive analytics system for crop and livestock |
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 |