CN112449309B - 主动诱导式无线自组织网络构建方法、装置和计算机设备 - Google Patents

主动诱导式无线自组织网络构建方法、装置和计算机设备 Download PDF

Info

Publication number
CN112449309B
CN112449309B CN202011333355.4A CN202011333355A CN112449309B CN 112449309 B CN112449309 B CN 112449309B CN 202011333355 A CN202011333355 A CN 202011333355A CN 112449309 B CN112449309 B CN 112449309B
Authority
CN
China
Prior art keywords
signal node
level
node
training
unmanned aerial
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.)
Active
Application number
CN202011333355.4A
Other languages
English (en)
Other versions
CN112449309A (zh
Inventor
唐宇
骆少明
郭琪伟
庄鑫财
黄华盛
朱兴
李嘉豪
杨捷鹏
符伊晴
侯超钧
庄家俊
苗爱敏
褚璇
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal 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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202011333355.4A priority Critical patent/CN112449309B/zh
Publication of CN112449309A publication Critical patent/CN112449309A/zh
Application granted granted Critical
Publication of CN112449309B publication Critical patent/CN112449309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请揭示了一种主动诱导式无线自组织网络构建方法、装置、计算机设备和存储介质，所述方法包括：调取指定三维模型，并提取三维特征数据；进行环境信号采集处理，得到实际环境数据；输入一级信号节点范围预测模型，以得到一级信号节点范围；筛选出第一无人机，并将对应的第一无人机终端作为一级信号节点；获取二级信号节点范围；筛选出第一运输车辆，并将对应的第一车载终端作为二级信号节点；获取三级信号节点范围预测模型输出的三级信号节点范围；筛选出第一机器人，并将对应的第一机器人终端作为三级信号节点；构建主动诱导式无线自组织网络，并生成信号传输策略。从而保证在丘陵区域内的各终端能够实现稳定可靠的信号交互。

Description

主动诱导式无线自组织网络构建方法、装置和计算机设备
技术领域
本申请涉及到计算机领域，特别是涉及到一种主动诱导式无线自组织网络构建方法、装置、计算机设备和存储介质。
背景技术
机械化、智能化、自动化技术已在农业中大量采用，甚至已经应用于丘陵地带。在丘陵地带的机械化、智能化、自动化作业，例如进行林果采摘及运输作业，需要稳定可靠的网络以提供稳定的信号连接，但是由于丘陵地带的地势与林木遮挡等问题，现有技术在丘陵地带的无线信号通信的可靠性与稳定性无法得到保证。
发明内容
本申请提出一种主动诱导式无线自组织网络构建方法，包括以下步骤：
S1、调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
S2、采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
S3、将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
S4、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
S5、获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
S6、获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
S7、获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
S8、获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
S9、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
进一步地，所述将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成的步骤S3之前，包括：
S21、获取预先收集的样本集，并根据预设比例将所述样本集划分为训练集和验证集；其中，样本集中的样本数据由训练用三维数据、训练用实际环境数据和对应的人工标注的一级训练用信号节点范围构成；
S22、调取预设的第一神经网络模型，并将所述训练集输入第一神经网络模型中进行训练，从而得到第一暂时模型；
S23、利用所述验证集对所述第一暂时模型进行验证处理，并判断验证结果是否为验证通过；
S24、若验证结果为验证通过，则将所述第一暂时模型记为一级信号节点范围预测模型。
进一步地，所述获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点的步骤S4，包括：
S401、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据所有无人机的位置与飞行航线，计算出所有无人机在所述一级信号节点范围内的飞行时间长度；
S402、根据暂定无人机在所述一级信号节点范围内的飞行时间长度大于预设的时间长度阈值的筛选条件，从所有无人机中筛选出暂定无人机；
S403、判断所述暂定无人机的数量是否大于1；
S404、若所述暂定无人机的数量大于1，则构建三维直角坐标系，其中所述三维直角坐标系以所述一级信号节点范围的中心为原点；
S405、生成所有的所述暂定无人机对应的飞行航线关于时间的函数组：
Figure BDA0002793970310000031
其中，Xi为第i个暂定无人机对应的飞行航线关于时间的X轴函数，Yi为第i个暂定无人机对应的飞行航线关于时间的Y轴函数，Zi为第i个暂定无人机对应的飞行航线关于时间的Z轴函数，t为时间，t0为当前时间点，t1为第i个暂定无人机飞出所述一级信号节点范围对应的时间点，共有n个暂定无人机；
S406、将函数组划分为
Xi＝Xi1(t)或Xi2(t),0≤Xi1(t)，Xi2(t)＜0
Yi＝Yi1(t)或Yi2(t),0≤Yi1(t)，Yi2(t)＜0
Zi＝Zi1(t)或Zi2(t),0≤Yi1(t)，Yi2(t)＜0，
并将时间窗口[t0,t1]等比例划分为m个时间段[t0,t11]、(t11,t12]、…、(t1m-1,t1m]，其中t1＝t1m，m大于等于3；
S407、根据公式：
Figure BDA0002793970310000041
分别计算出n个暂定无人机分别对应的范围匹配数值P1、P2…Pn，其中i为小于等于n且大于等于1的正整数，a1、a2、…、am为预设的m个大于0的参数，且a1、a2、…、am依次减小；
S408、从n个范围匹配数值P1、P2…Pn中选出数值最大的范围匹配数值，并将数值最大的范围匹配数值对应的暂定无人机记为第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点。
进一步地，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9，包括：
S901、构建一级路由表，并将所述一级路由表存储于所述一级信号节点中；所述一级路由表记载了以所述一级信号节点为唯一信号中转的传输路径；
S902、构建二级路由表，并将所述二级路由表存储于所述一级信号节点和所述二级信号节点中；所述二级路由表记载了以所述一级信号节点和所述二级信号节点为信号中转的传输路径；
S903、构建三级路由表，并将所述三级路由表存储于所述一级信号节点、所述二级信号节点和所述三级信号节点中；所述三级路由表记载了以所述一级信号节点、所述二级信号节点和所述三级信号节点为信号中转的传输路径；
S904、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，并在信号转发时依据所述一级路由表获取传输路径，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，并在信号转发时依据所述二级路由表获取传输路径，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端，并在信号转发时依据所述三级路由表获取传输路径的传输策略。
进一步地，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9之后，包括：
S91、实时获取所述第一无人机的位置，并判断所述第一无人机的位置是否超出了预设的极限距离范围，其中所述极限距离范围完全囊括了所述一级信号节点范围、所述二级信号节点范围和所述三级信号节点范围；
S92、若所述第一无人机的位置超出了预设的极限距离范围，则生成无线自组织网络再次构建指令；其中所述无线自组织网络再次构建指令用于指示再次构建新的主动诱导式无线自组织网络。
本申请提供一种主动诱导式无线自组织网络构建装置，包括：
三维特征数据提取单元，用于调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
实际环境数据获取单元，用于采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
一级信号节点范围获取单元，用于将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
第一无人机筛选单元，用于获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
二级信号节点范围获取单元，用于获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
第一运输车辆筛选单元，用于获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
三级信号节点范围获取单元，用于获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
第一机器人筛选单元，用于获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
主动诱导式无线自组织网络构建单元，用于构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其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上述任一项所述的方法的步骤。
本申请的主动诱导式无线自组织网络构建方法、装置、计算机设备和存储介质，能够解决丘陵地带的无线信号通信的可靠性与稳定性差的问题，从而使机械化、智能化、自动化技术在丘陵地带的应用成为了可能。其中，主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成，以保证在指定丘陵区域内的各终端均能够实现稳定可靠的信号交互。
附图说明
图1为本申请一实施例的主动诱导式无线自组织网络构建方法的流程示意图；
图2为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种主动诱导式无线自组织网络构建方法，包括以下步骤：
S1、调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
S2、采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
S3、将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
S4、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
S5、获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
S6、获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
S7、获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
S8、获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
S9、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
如上述步骤S1-S3所述，调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成。所述指定三维模型是对应真实区域(指定丘陵区域)而建成的，其可采用任意可行方式构建而成，例如采用测绘无人机采集指定丘陵区域的图像数据，再根据预设的三维模型构建方法构建为指定三维模型。所述指定三维模型的三维特征数据能够反应指定丘陵区域的地形特性，例如为海拔高度最大值、海拔高度最小值、地貌类型和/或地势高低走向等。其中，所述指定三维模型的三维特征数据越多，后续分析的准确性越高。预设的环境信号采集设备可为任意可行设备，例如为湿度传感器、温度传感器、图像传感器和/或风速传感器等，以采集得到能够影响无线信号传输的实际环境数据。再将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空。其中，所述一级信号节点范围是用于确定一级信号节点理论点应该存在的位置范围。虽然在丘陵区域的信号传输困难，但是丘陵区域上空的无人机相对而言能够进行质量更高的信号传输，尤其选择合适范围内的无人机更能进行质量更高的信号传输，本申请据此将合适的无人机作为一级信号节点。
进一步地，所述将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成的步骤S3之前，包括：
S21、获取预先收集的样本集，并根据预设比例将所述样本集划分为训练集和验证集；其中，样本集中的样本数据由训练用三维数据、训练用实际环境数据和对应的人工标注的一级训练用信号节点范围构成；
S22、调取预设的第一神经网络模型，并将所述训练集输入第一神经网络模型中进行训练，从而得到第一暂时模型；
S23、利用所述验证集对所述第一暂时模型进行验证处理，并判断验证结果是否为验证通过；
S24、若验证结果为验证通过，则将所述第一暂时模型记为一级信号节点范围预测模型。
从而获取能够胜任一级信号节点范围预测的一级信号节点范围预测模型。其中，所述第一神经网络模型可采用任意可行模型，例如为BP神经网络模型、卷积神经网络模型或径向基函数神经网络模型等。所述预设比例可为任意可行比例，例如为0.8-0.99:0.2-0.01。并利用训练集进行训练，再采用验证集进行验证，从而得到符合要求的一级信号节点范围预测模型。
如上述步骤S4-S6所述，获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点。虽然在指定丘陵区域上方的任意一架无人机均有可能作为转发无线信号的一级信号节点，但由于指定丘陵区域自身复杂的地形、林木等关系，并非任意一架无人机均能最大化地实现转发信号的覆盖。因此，本申请以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点。其中，本申请中的无人机在所述指定丘陵区域上方作业，例如进行林果采摘作业或药液喷施作业等。由于无人机的高速航行的特性，所述第一无人机一般不会长时间处在一级信号节点范围内，一般而言，会在所述第一无人机离开一级信号节点范围就再次选出新的第一无人机作为一级信号节点。然而，本申请另辟蹊径，获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面，从而找出二级信号节点范围(用于筛选出二级信号节点)，以避免完全重新构建网络的计算机资源浪费。其中，所述二级信号节点对应于运输车辆的终端，这是因为运输车辆的终端的移动速度要小于无人机，但却大于智能机器人。即，一级信号节点对应于速度最快的无人机，二级信号节点对应于速度次快的运输车辆，三级信号节点对应于速度最慢的智能机器人。所述二级节点实施时间窗口指二级信号节点参与信号转发的时间窗口。所述运输车辆在指定丘陵区域内进行林果运输作业。所述预设的运输车辆筛选方法可采用任意可行方法，例如选取在所述二级信号节点范围内停留时间最长的运输车辆作为选取结果。
进一步地，所述获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点的步骤S4，包括：
S401、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据所有无人机的位置与飞行航线，计算出所有无人机在所述一级信号节点范围内的飞行时间长度；
S402、根据暂定无人机在所述一级信号节点范围内的飞行时间长度大于预设的时间长度阈值的筛选条件，从所有无人机中筛选出暂定无人机；
S403、判断所述暂定无人机的数量是否大于1；
S404、若所述暂定无人机的数量大于1，则构建三维直角坐标系，其中所述三维直角坐标系以所述一级信号节点范围的中心为原点；
S405、生成所有的所述暂定无人机对应的飞行航线关于时间的函数组：
Figure BDA0002793970310000121
其中，Xi为第i个暂定无人机对应的飞行航线关于时间的X轴函数，Yi为第i个暂定无人机对应的飞行航线关于时间的Y轴函数，Zi为第i个暂定无人机对应的飞行航线关于时间的Z轴函数，t为时间，t0为当前时间点，t1为第i个暂定无人机飞出所述一级信号节点范围对应的时间点，共有n个暂定无人机；
S406、将函数组
Figure BDA0002793970310000122
划分为
Xi＝Xi1(t)或Xi2(t),0≤Xi1(t)，Xi2(t)＜0
Yi＝Yi1(t)或Yi2(t),0≤Yi1(t)，Yi2(t)＜0
Zi＝Zi1(t)或Zi2(t),0≤Yi1(t)，Yi2(t)＜0，
并将时间窗口[t0,t1]等比例划分为m个时间段[t0,t11]、(t11,t12]、…、(t1m-1,t1m]，其中t1＝t1m，m大于等于3；
S407、根据公式：
Figure BDA0002793970310000123
分别计算出n个暂定无人机分别对应的范围匹配数值P1、P2…Pn，其中i为小于等于n且大于等于1的正整数，a1、a2、…、am为预设的m个大于0的参数，且a1、a2、…、am依次减小；
S408、从n个范围匹配数值P1、P2…Pn中选出数值最大的范围匹配数值，并将数值最大的范围匹配数值对应的暂定无人机记为第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点。
从而实现了精准筛选出最合适的第一无人机。需要注意的是，要应用上述S405-S408的公式以确定合适的第一无人机，必须是在进行S401-S404以选出在所述一级信号节点范围内的飞行时间长度较长的无人机的前提下才能实现，否则会出现筛选错误的可能。所筛选出的第一无人机，其在所述一级信号节点范围内的飞行时间长度长，且总体趋向一级信号节点范围的趋势性高，因此更能胜任一级信号节点的需要。
如上述步骤S7-S9所述，获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据是预测三级信号节点范围的依据，由三级信号节点范围预测模型输出，同时三级信号节点范围预测模型还输出三级节点实施时间窗口，所述三级节点实施时间窗口指三级信号节点参与信号转发的时间窗口。由于所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，因此其能够胜任三级信号节点范围预测的任务。再以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人。其中，预设的机器人筛选方法可采用任意可行方法，例如采用随机选取在所述三级节点实施时间窗口内位置在所述三级信号节点范围中的机器人，相对而言，机器人筛选方法可更为随意，这是机器人的移动范围较小的缘故。所述机器人在所述指定丘陵区域内执行林果装车作业等工作内容。再构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略，从而使得丘陵区域的无线信号通信得到改善。其中，所述主动诱导式无线自组织网络中的通信协议，可采用基于消息驱动机制的异步休眠通信协议，从而节省通信资源，再采用网络深度路由算法，建立路由级数、发射频率和通信优先级间的动态耦合模型，减少中继节点数，增大单点传输距离，节省传输成本，满足大范围、低能耗、低成本信息传输要求。
进一步地，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9，包括：
S901、构建一级路由表，并将所述一级路由表存储于所述一级信号节点中；所述一级路由表记载了以所述一级信号节点为唯一信号中转的传输路径；
S902、构建二级路由表，并将所述二级路由表存储于所述一级信号节点和所述二级信号节点中；所述二级路由表记载了以所述一级信号节点和所述二级信号节点为信号中转的传输路径；
S903、构建三级路由表，并将所述三级路由表存储于所述一级信号节点、所述二级信号节点和所述三级信号节点中；所述三级路由表记载了以所述一级信号节点、所述二级信号节点和所述三级信号节点为信号中转的传输路径；
S904、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，并在信号转发时依据所述一级路由表获取传输路径，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，并在信号转发时依据所述二级路由表获取传输路径，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端，并在信号转发时依据所述三级路由表获取传输路径的传输策略。从而实现了多级条件路由的构建，以在不同的条件下，尽快找出恰当的信号传输路径，保证指定丘陵区域内的信号畅通。
进一步地，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9之后，包括：
S91、实时获取所述第一无人机的位置，并判断所述第一无人机的位置是否超出了预设的极限距离范围，其中所述极限距离范围完全囊括了所述一级信号节点范围、所述二级信号节点范围和所述三级信号节点范围；
S92、若所述第一无人机的位置超出了预设的极限距离范围，则生成无线自组织网络再次构建指令；其中所述无线自组织网络再次构建指令用于指示再次构建新的主动诱导式无线自组织网络。
从而实现无线自组织网络再次构建。由于所述第一无人机的位置超出了预设的极限距离范围，且所述极限距离范围完全囊括了所述一级信号节点范围、所述二级信号节点范围和所述三级信号节点范围，因此所述第一无人机无法再作为一级信号节点使用，因此需要再次构建无线自组织网络。其中，新的主动诱导式无线自组织网络可采用任意可行方法构建，例如采用与旧的主动诱导式无线自组织网络相同的构建方式。
本申请的主动诱导式无线自组织网络构建方法，能够解决丘陵地带的无线信号通信的可靠性与稳定性差的问题，从而使机械化、智能化、自动化技术在丘陵地带的应用成为了可能。其中，主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成，以保证在指定丘陵区域内的各终端均能够实现稳定可靠的信号交互。
本申请实施例提供一种主动诱导式无线自组织网络构建装置，包括：
三维特征数据提取单元，用于调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
实际环境数据获取单元，用于采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
一级信号节点范围获取单元，用于将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
第一无人机筛选单元，用于获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
二级信号节点范围获取单元，用于获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
第一运输车辆筛选单元，用于获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
三级信号节点范围获取单元，用于获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
第一机器人筛选单元，用于获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
主动诱导式无线自组织网络构建单元，用于构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
其中上述单元分别用于执行的操作与前述实施方式的主动诱导式无线自组织网络构建方法的步骤一一对应,在此不再赘述。
本申请的主动诱导式无线自组织网络构建装置，能够解决丘陵地带的无线信号通信的可靠性与稳定性差的问题，从而使机械化、智能化、自动化技术在丘陵地带的应用成为了可能。其中，主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成，以保证在指定丘陵区域内的各终端均能够实现稳定可靠的信号交互。
参照图2，本发明实施例中还提供一种计算机设备，该计算机设备是服务器或者其他终端，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储主动诱导式无线自组织网络构建方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种主动诱导式无线自组织网络构建方法。
上述处理器执行上述主动诱导式无线自组织网络构建方法，其中所述方法包括的步骤分别与执行前述实施方式的主动诱导式无线自组织网络构建方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，能够解决丘陵地带的无线信号通信的可靠性与稳定性差的问题，从而使机械化、智能化、自动化技术在丘陵地带的应用成为了可能。其中，主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成，以保证在指定丘陵区域内的各终端均能够实现稳定可靠的信号交互。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现主动诱导式无线自组织网络构建方法，其中所述方法包括的步骤分别与执行前述实施方式的主动诱导式无线自组织网络构建方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，能够解决丘陵地带的无线信号通信的可靠性与稳定性差的问题，从而使机械化、智能化、自动化技术在丘陵地带的应用成为了可能。其中，主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成，以保证在指定丘陵区域内的各终端均能够实现稳定可靠的信号交互。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一个非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种主动诱导式无线自组织网络构建方法，其特征在于，包括：
S1、调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
S2、采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
S3、将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
S4、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
S5、获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
S6、获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
S7、获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
S8、获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
S9、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
2.根据权利要求1所述的主动诱导式无线自组织网络构建方法，其特征在于，所述将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成的步骤S3之前，包括：
S21、获取预先收集的样本集，并根据预设比例将所述样本集划分为训练集和验证集；其中，样本集中的样本数据由训练用三维数据、训练用实际环境数据和对应的人工标注的一级训练用信号节点范围构成；
S22、调取预设的第一神经网络模型，并将所述训练集输入第一神经网络模型中进行训练，从而得到第一暂时模型；
S23、利用所述验证集对所述第一暂时模型进行验证处理，并判断验证结果是否为验证通过；
S24、若验证结果为验证通过，则将所述第一暂时模型记为一级信号节点范围预测模型。
3.根据权利要求1所述的主动诱导式无线自组织网络构建方法，其特征在于，所述获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点的步骤S4，包括：
S401、获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据所有无人机的位置与飞行航线，计算出所有无人机在所述一级信号节点范围内的飞行时间长度；
S402、根据暂定无人机在所述一级信号节点范围内的飞行时间长度大于预设的时间长度阈值的筛选条件，从所有无人机中筛选出暂定无人机；
S403、判断所述暂定无人机的数量是否大于1；
S404、若所述暂定无人机的数量大于1，则构建三维直角坐标系，其中所述三维直角坐标系以所述一级信号节点范围的中心为原点；
S405、生成所有的所述暂定无人机对应的飞行航线关于时间的函数组：
Xi＝Xi(t)
Yi＝Yi(t),t0≤t≤t1,1≤i≤n
Zi＝Zi(t)，其中，Xi为第i个暂定无人机对应的飞行航线关于时间的X轴函数，Yi为第i个暂定无人机对应的飞行航线关于时间的Y轴函数，Zi为第i个暂定无人机对应的飞行航线关于时间的Z轴函数，t为时间，t0为当前时间点，t1为第i个暂定无人机飞出所述一级信号节点范围对应的时间点，共有n个暂定无人机；
S406、将函数组划分为
Xi＝Xi1(t)或Xi2(t),0≤Xi1(t)，Xi2(t)＜0
Yi＝Yi1(t)或Yi2(t),0≤Yi1(t)，Yi2(t)＜0，
Zi＝Zi1(t)或Zi2(t),0≤Z i1(t)，Z i2(t)＜0
并将时间窗口[t0,t1]等比例划分为m个时间段[t0,t11]、(t11,t12]、…、(t1m-1,t1m]，其中t1＝t1m，m大于等于3；
S407、根据公式：
Figure FDA0002793970300000041
分别计算出n个暂定无人机分别对应的范围匹配数值P1、P2…Pn，其中i为小于等于n且大于等于1的正整数，a1、a2、…、am为预设的m个大于0的参数，且a1、a2、…、am依次减小；
S408、从n个范围匹配数值P1、P2…Pn中选出数值最大的范围匹配数值，并将数值最大的范围匹配数值对应的暂定无人机记为第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点。
4.根据权利要求1所述的主动诱导式无线自组织网络构建方法，其特征在于，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9，包括：
S901、构建一级路由表，并将所述一级路由表存储于所述一级信号节点中；所述一级路由表记载了以所述一级信号节点为唯一信号中转的传输路径；
S902、构建二级路由表，并将所述二级路由表存储于所述一级信号节点和所述二级信号节点中；所述二级路由表记载了以所述一级信号节点和所述二级信号节点为信号中转的传输路径；
S903、构建三级路由表，并将所述三级路由表存储于所述一级信号节点、所述二级信号节点和所述三级信号节点中；所述三级路由表记载了以所述一级信号节点、所述二级信号节点和所述三级信号节点为信号中转的传输路径；
S904、构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，并在信号转发时依据所述一级路由表获取传输路径，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，并在信号转发时依据所述二级路由表获取传输路径，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端，并在信号转发时依据所述三级路由表获取传输路径的传输策略。
5.根据权利要求1所述的主动诱导式无线自组织网络构建方法，其特征在于，所述构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略的步骤S9之后，包括：
S91、实时获取所述第一无人机的位置，并判断所述第一无人机的位置是否超出了预设的极限距离范围，其中所述极限距离范围完全囊括了所述一级信号节点范围、所述二级信号节点范围和所述三级信号节点范围；
S92、若所述第一无人机的位置超出了预设的极限距离范围，则生成无线自组织网络再次构建指令；其中所述无线自组织网络再次构建指令用于指示再次构建新的主动诱导式无线自组织网络。
6.一种主动诱导式无线自组织网络构建装置，其特征在于，包括：
三维特征数据提取单元，用于调取对应于指定丘陵区域的指定三维模型，并提取所述指定三维模型的三维特征数据；
实际环境数据获取单元，用于采用预设的环境信号采集设备，对所述指定丘陵区域进行环境信号采集处理，从而得到所述指定丘陵区域的实际环境数据；
一级信号节点范围获取单元，用于将所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的一级信号节点范围预测模型中进行处理，以得到所述一级信号节点范围预测模型输出的一级信号节点范围，所述一级信号节点范围位于所述指定丘陵区域上空；其中，所述一级信号节点范围预测模型基于预设的第一神经网络模型并采用第一训练数据训练而成，所述第一训练数据由训练所用的三维数据、训练所用的实际环境数据和对应的人工标注的一级训练所用的信号节点范围构成；
第一无人机筛选单元，用于获取在所述指定丘陵区域上方的所有无人机的位置与飞行航线，并根据预设的无人机筛选方法，以所述一级信号节点范围、所有无人机的位置与飞行航线为依据，从所有无人机中筛选出第一无人机，并将所述第一无人机对应的第一无人机终端作为一级信号节点；
二级信号节点范围获取单元，用于获取所述第一无人机的位置与所述第一无人机的飞行航线，并将所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的二级信号节点范围预测模型中进行处理，以得到所述二级信号节点范围预测模型输出的二级信号节点范围和二级节点实施时间窗口，所述二级信号节点范围位于所述指定丘陵区域的地面；其中，所述二级信号节点范围预测模型基于预设的第二神经网络模型并采用第二训练数据训练而成，所述第二训练数据由训练用无人机的位置、训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的二级训练用信号节点范围和二级训练用节点实施时间窗口构成；
第一运输车辆筛选单元，用于获取在所述指定丘陵区域内的所有运输车辆的位置与行驶航线，并根据预设的运输车辆筛选方法，以所述二级信号节点范围、所述二级节点实施时间窗口、所有运输车辆的位置与行驶航线为依据，从所有运输车辆中筛选出第一运输车辆，并将所述第一运输车辆对应的第一车载终端作为二级信号节点；
三级信号节点范围获取单元，用于获取所述第一车载终端的位置与所述第一车载终端对应的行驶航线，并将所述第一车载终端的位置、所述第一车载终端对应的行驶航线、所述第一无人机的位置、所述第一无人机的飞行航线、所述指定三维模型的三维特征数据和所述指定丘陵区域的实际环境数据输入预设的三级信号节点范围预测模型中进行处理，以得到所述三级信号节点范围预测模型输出的三级信号节点范围和三级节点实施时间窗口，所述三级信号节点范围位于所述指定丘陵区域的地面；其中，所述三级信号节点范围预测模型基于预设的第三神经网络模型并采用第三训练数据训练而成，所述第三训练数据由训练用车载终端的位置、训练用车载终端对应的行驶航线、所述训练用无人机的位置、所述训练用无人机的飞行航线、所述训练用三维数据、所述训练用实际环境数据、对应的人工标注的三级训练用信号节点范围和三级训练用节点实施时间窗口构成；
第一机器人筛选单元，用于获取在所述指定丘陵区域内的所有智能机器人的位置，并根据预设的机器人筛选方法，以所述三级信号节点范围、所述三级节点实施时间窗口和所有智能机器人的位置为依据，从所有智能机器人中筛选出第一机器人，并将所述第一机器人对应的第一机器人终端作为三级信号节点；
主动诱导式无线自组织网络构建单元，用于构建主动诱导式无线自组织网络，并生成与所述主动诱导式无线自组织网络对应的信号传输策略；其中，所述主动诱导式无线自组织网络由一级信号节点、二级信号节点、三级信号节点和在所述指定丘陵区域内的其他信号终端构成；所述信号传输策略指，在除二级节点实施时间窗口和三级节点实施时间窗口之外的其他时间内以一级信号节点为信号转发终端，在二级节点实施时间窗口内以一级信号节点和二级信号节点为信号转发终端，在三级节点实施时间窗口内以一级信号节点、二级信号节点和三级信号节点为信号转发终端的传输策略。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202011333355.4A 2020-11-24 2020-11-24 主动诱导式无线自组织网络构建方法、装置和计算机设备 Active CN112449309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011333355.4A CN112449309B (zh) 2020-11-24 2020-11-24 主动诱导式无线自组织网络构建方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011333355.4A CN112449309B (zh) 2020-11-24 2020-11-24 主动诱导式无线自组织网络构建方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112449309A CN112449309A (zh) 2021-03-05
CN112449309B true CN112449309B (zh) 2021-06-08

Family

ID=74738760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011333355.4A Active CN112449309B (zh) 2020-11-24 2020-11-24 主动诱导式无线自组织网络构建方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112449309B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106197539A (zh) * 2016-06-30 2016-12-07 淮南市农康生态农业有限公司 一种农田气候环境可视化监测系统
CN106899991A (zh) * 2017-03-08 2017-06-27 哈尔滨工业大学深圳研究生院 基于多机器人和高斯信号模型的自适应最优自组网方法
CN109240331A (zh) * 2018-09-30 2019-01-18 北京航空航天大学 一种无人机-无人车集群模型时变编队控制方法及系统
CN110166113A (zh) * 2019-05-31 2019-08-23 北京工商大学 用于灾区的通讯系统及方法
US10588027B2 (en) * 2017-07-18 2020-03-10 Centurylink Intellectual Property Llc Method and system for implementing self organizing mobile network (SOMNET) of drones and platforms

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106197539A (zh) * 2016-06-30 2016-12-07 淮南市农康生态农业有限公司 一种农田气候环境可视化监测系统
CN106899991A (zh) * 2017-03-08 2017-06-27 哈尔滨工业大学深圳研究生院 基于多机器人和高斯信号模型的自适应最优自组网方法
US10588027B2 (en) * 2017-07-18 2020-03-10 Centurylink Intellectual Property Llc Method and system for implementing self organizing mobile network (SOMNET) of drones and platforms
CN109240331A (zh) * 2018-09-30 2019-01-18 北京航空航天大学 一种无人机-无人车集群模型时变编队控制方法及系统
CN110166113A (zh) * 2019-05-31 2019-08-23 北京工商大学 用于灾区的通讯系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
植物信息感知与自组织农业物联网系统研究;聂鹏程;《中国博士学位论文全文数据库信息科技辑》;20120715(第7期);全文 *

Also Published As

Publication number Publication date
CN112449309A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN111220159B (zh) 多无人机协同巡检任务的路径优化方法
CN108809839B (zh) 无线Mesh骨干网络流量控制方法与装置
Ghorpade et al. GWO model for optimal localization of IoT-enabled sensor nodes in smart parking systems
Peng et al. A unified framework for joint mobility prediction and object profiling of drones in UAV networks
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
Alvear et al. A discretized approach to air pollution monitoring using UAV-based sensing
Alejo et al. Efficient trajectory planning for WSN data collection with multiple UAVs
CN114724021B (zh) 一种数据的识别方法、装置、存储介质及电子装置
Sharma Evolution of unmanned aerial vehicles (UAVs) with machine learning
CN115840463B (zh) 一种用于无人机集群协同侦察的数据处理方法及装置
Molin et al. Precision agriculture and the digital contributions for site-specific management of the fields
CN112449309B (zh) 主动诱导式无线自组织网络构建方法、装置和计算机设备
CN113342029B (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
CN114493013A (zh) 基于强化学习的智能体路径规划方法、电子设备及介质
CN112511592B (zh) 一种边缘人工智能计算方法、物联网节点和存储介质
CN112203291A (zh) 基于知识嵌入的区域覆盖和连通保持的集群控制方法
CN117291327A (zh) 车辆的加油站推荐方法、装置、设备及存储介质
CN116488755A (zh) 基于任务的集群无人机可靠性评估方法、装置及电子设备
Zhu et al. Reinforcement learning for multi-robot field coverage based on local observation
US20110087628A1 (en) Methods for Updating and Training for a Self-Organising Card
Suhas et al. AgrOne: an agricultural drone using internet of things, data analytics and cloud computing features
Nguyen et al. Barrier coverage by heterogeneous sensor network with input saturation
Brito et al. Optimization system for dynamic flight planning for groups of drones using cooperation with mobile recharge bases by means of multiagent system and recursive auctions
CN110807478A (zh) 一种观测间歇丢失情况下的协同目标跟踪方法
Tiwari et al. Multi-uav resource constrained online monitoring of large-scale spatio-temporal environment with homing guarantee

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