CN112783132A - 一种无人集群中认知协同赋能的智能体单元 - Google Patents
一种无人集群中认知协同赋能的智能体单元 Download PDFInfo
- Publication number
- CN112783132A CN112783132A CN202110034496.4A CN202110034496A CN112783132A CN 112783132 A CN112783132 A CN 112783132A CN 202110034496 A CN202110034496 A CN 202110034496A CN 112783132 A CN112783132 A CN 112783132A
- Authority
- CN
- China
- Prior art keywords
- information
- layer
- cluster
- task
- execution
- 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.)
- Pending
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000002787 reinforcement Effects 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 6
- 230000003930 cognitive ability Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 32
- 238000005516 engineering process Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007370 cognitive improvement Effects 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种无人集群系统中具备认知协同能力的智能体单元,通过对集群智能体单元进行功能任务的层级划分,由底向上构建了智能体单元的反射层、任务执行层、协商层、集群协同层、元认知层,其中反射层与任务执行层构成了智能体单元的底层快速反应与任务执行机构,协商层、集群协同层、元认知层构成了智能体单元顶层的任务规划与训练学习的认知协同机构。本发明提供了一种层级化、通用化、智能化的集群智能体构架,用以解决现有集群中智能体单元认知能力低、协同能力弱、功能难以扩展升级的缺点。
Description
技术领域
本发明属于人工智能中群体智能领域,具体为一种无人集群中认知协同赋能的智能体单元。
背景技术
近些年人工智能技术取得了巨大的发展,群体智能(Swarm Intelligence,SI)是人工智能技术的一种,是指在集群中存在众多的智能体(Agent)单元,这些智能体单元之间通过简单的相互协作,从而使得整个群体表现出智能行为。
群体智能技术有着众多的应用方向,尤其是在国防军事领域。利用智能无人集群技术对传统武器装备进行升级改造或深度融合,衍生了诸如无人飞机集群、无人战车集群、无人水面舰艇集群等种类丰富、功能独特的武器装备系统。智能无人集群具备体积小质量轻、数量多规模大、种类多样式全特点,拥有去中心化自组织、灵活机动、隐蔽性好、快速部署、造价低等优势。
智能无人集群技术不是某项单一技术,而是无人控制、群体智能、人工智能、无线移动网络等多种相关技术的综合运用。群体中智能体单元的设计与构建是现今智能无人集群作战系统所面临的关键技术难点。现有集群中智能体单元认知能力低、协同能力弱、功能难以升级扩展。
发明内容
本发明的目的在于提出了一种无人集群中认知协同赋能的智能体单元,用以解决现有集群中智能体单元认知能力低、协同能力弱、功能难以升级扩展的缺点。
实现本发明目的的技术方案为:一种无人集群中认知协同赋能的智能体单元,包括传感单元、执行单元、反射层、任务执行层、协商层、集群协同层、元认知层,所述传感单元用于获取外界环境信息,所述反射层用于根据各传感单元采集的信息发送动作指令至执行单元,所述任务执行层根据外界环境信息以及反射层的状态信息生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息,并根据协商层下达的任务完成任务调度及资源分配,所述协商层用于进行信息融合与特征提取,并生成任务执行列表;所述用于实现外界与底层信息的综合存储,网络训练更新,集群智能体单元之间的互相学习以及强化学习器的认知传递,所述元认知层用于实现认知综合与传递。
优选地,所述反射层包括第一信息综合模块、有限状态机以及快速反应模块,所述第一信息综合模块接收传感单元的机体运动姿态、外界障碍位置信息并进行融合,有限状态机根据融合的信息快速下达动作指令,所述快速反应模块接收动作指令,协调执行单元完成相应动作。
优选地,所述任务执行层包括第二信息综合模块、任务调度模块、资源分配模块,所述第二信息综合模块接收传感单元的外界环境信息与反射层综合的状态信息并进行综合处理,生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息提供给等待执行列表,任务调度模块根据任务的重要等级、时效性、执行状态进行任务的调度安排,资源分配器根据计算能力、功率限制、武器损耗、电磁频谱的消耗情况对各项任务进行相应的资源分配,并通过执行单元的合作完成各项任务的执行。
优选地,所述第三信息综合模块接收任务执行层综合的任务执行信息、智能体状态信息、外界环境信息,进行多元信息融合与特征提取,并将上述融合的信息作为任务决策网络的输入,决策网络根据任务执行累积收益最大化原则,生成任务执行列表,并下达给任务执行层,评估网络根据决策网络的任务安排,结合外界任务执行收益,对决策网络进行反馈与更新。
优选地,所述集群协同层包括信息存储模块、强化学习器、协同接口和认知接口,存储模块用于记录协商层综合的智能体状态信息、地理空间信息、电磁态势信息、目标任务信息、任务执行信息;强化学习器根据存储模块存储的信息对决策网络与评估网络进行训练更新,并通过协同接口进行经验数据共享、决策网络升级、评估网络修正,同时强化学习器对存储模块进行相应的数据更新。
优选地,所述元认知层包括信息提炼模块与元学习器,所述信息提炼模块通过集群协同层存储的外界环境、下层状态、智能体单元之间这三者信息进行进一步的提炼,元学习器在此基础上对集群协同层的强化学习器进行升级。
本发明与现有技术相比,其显著优点为:本发明包括五个层级,涉及了底层的动作反应、任务执行,和上层的任务规划、决策评估更新、学习器提升与协同互助,提供了一种层级化、通用化、智能化的集群单体构架,认知能力高、协同能力强。
附图说明
附图仅用于出示具体实施例的目的,而并不认为是对本发明的限制。
图1为一个实施例中多层次自组织集群的水面作战场景示意图。
图2为一个实施例中集群智能体单元的认知协同构架示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。其中,附图构成本申请的一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种水面集群作战场景下具备认知协同能力的智能体单元。如图1所示,在作战指挥控制中心的安排下,划分了多个任务区域,任务区域中的集群由若干无人舰艇、无人飞行器构成,不同的无人装备负责探测、干扰、打击等多种作战任务。集群中同种类或异类的各智能体单元在任务执行的过程中从不同的时间空间中获得了差异化的信息,这些信息将用于智能体单元自身的学习、训练与互相之间的知识迁移、认知传递。
如图2所示,一种无人集群中认知协同赋能的智能体单元,包括传感单元、执行单元、反射层、任务执行层、协商层、集群协同层、元认知层,所述传感单元用于获取外界环境信息,所述反射层用于根据各传感单元采集的信息发送动作指令至执行单元,所述任务执行层根据外界环境信息以及反射层的状态信息生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息,并根据协商层下达的任务完成任务调度及资源分配,所述协商层用于进行信息融合与特征提取,并生成任务执行列表;所述用于实现外界与底层信息的综合存储,网络训练更新,集群智能体单元之间的互相学习以及强化学习器的认知传递,所述元认知层用于实现认知综合与传递。
具体地,所述反射层包括第一信息综合模块、有限状态机以及快速反应模块,所述第一信息综合模块接收各传感单元的机体运动姿态、外界障碍位置等低层级信息并进行融合,有限状态机根据融合的信息快速下达姿态调整、障碍规避等相应动作指令。快速反应模块接收动作指令,协调执行单元完成相应动作,包含伺服驱动、姿态维持、障碍规避等底层基础性功能,不涉及任务级、协同级、认知级的高层次运作。
进一步的实施例中,所述任务执行层包括第二信息综合模块、任务调度模块、资源分配模块,所述第二信息综合模块接收传感单元的外界环境信息与反射层综合的状态信息并进行综合处理,生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息,提供给等待执行列表中相应任务,作为任务信息输入。其中外界环境信息包含邻域智能体位置、作战对象目标位置、脉冲描述等高层级信息。等待执行列表中候选任务由协商层下达指定,包括路径规划、电磁干扰、武器打击等共有或专有任务。任务调度模块根据任务的重要等级、时效性、执行状态等多方因素进行任务的调度安排,资源分配器根据计算能力、功率限制、武器损耗、电磁频谱等资源的消耗情况对各项任务进行相应的资源分配,最终通过各种执行单元的合作完成各项任务的执行。
进一步的实施例中,所述协商层包括第三信息综合模块、决策网络、评估网络,本层级模块的构建基于深度强化学习的方法,具体的为执行者-评判者(Actor-Critic)框架,这里的实现方式并不唯一,只作为本实施例阐述用。所述第三信息综合模块接收任务执行层综合的任务执行信息、智能体状态信息、外界环境信息,进行多元信息融合与特征提取,并将上述融合的信息作为任务决策网络的输入。决策网络根据任务执行累积收益最大化原则,生成任务执行列表,并下达给任务执行层。评估网络根据决策网络的任务安排,结合实际的外界任务执行收益,对决策网络进行反馈与更新,这里决策网络与评估网络的更新学习过程是由上层强化学习器控制的。
进一步的实施例中,所述集群协同层包括信息存储模块、强化学习器、协同接口和认知接口,本层级负责外界与底层信息的综合存储,智能体单元自身的训练更新,集群智能体单元之间的互相学习,和自身学习器的认知传递这四项功能。存储模块记录了协商层综合的智能体状态信息、地理空间信息、电磁态势信息、目标任务信息、任务执行信息等。强化学习器将存储模块存储的信息作为输入,对决策网络与评估网络进行训练更新。智能体集群通过协同接口进行经验数据共享、决策网络升级、评估网络修正,并且依据更新后的信息,强化学习器对信息存储模块进行相应的数据更新。强化学习器针对智能体单元自身与单元之间采用不同的学习算法,涉及单智能体与多智能体的强化学习过程。智能体的认知过程体现在对自身强化学习器的增强与升级,涉及到训练提速、知识迁移等方面,由上层元认知层协同安排。
进一步的实施例中,所述元认知层包括信息提炼模块与元学习器,负责智能体单元的认知综合与传递,旨在提升协同层学习器的性能。信息提炼模块通过协同层存储的外界环境、下层状态、智能体单元之间这三者信息进行进一步的提炼,元学习器在此基础上对协同层的强化学习器进行升级,涉及迁移学习、学习器训练加速等方面,以此提升智能体单元的整体认知水平。
通过本发明的分层级构建,涵盖了底层动作反应、任务执行,和上层任务规划、决策评估更新、协同互助、与认知提升,提供了一种层级化、通用化、智能化的集群智能体。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种无人集群中认知协同赋能的智能体单元,其特征在于,包括传感单元、执行单元、反射层、任务执行层、协商层、集群协同层、元认知层,所述传感单元用于获取外界环境信息,所述反射层用于根据各传感单元采集的信息发送动作指令至执行单元,所述任务执行层根据外界环境信息以及反射层的状态信息生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息,并根据协商层下达的任务完成任务调度及资源分配,所述协商层用于进行信息融合与特征提取,并生成任务执行列表;所述用于实现外界与底层信息的综合存储,网络训练更新,集群智能体单元之间的互相学习以及强化学习器的认知传递,所述元认知层用于实现认知综合与传递。
2.根据权利要求1所述的无人集群中认知协同赋能的智能体单元,其特征在于,所述反射层包括第一信息综合模块、有限状态机以及快速反应模块,所述第一信息综合模块接收传感单元的机体运动姿态、外界障碍位置信息并进行融合,有限状态机根据融合的信息快速下达动作指令,所述快速反应模块接收动作指令,协调执行单元完成相应动作。
3.根据权利要求1所述的无人集群中认知协同赋能的智能体单元,其特征在于,所述任务执行层包括第二信息综合模块、任务调度模块、资源分配模块,所述第二信息综合模块接收传感单元的外界环境信息与反射层综合的状态信息并进行综合处理,生成智能体集群的状态信息、目标任务信息、地理空间信息、电磁态势信息提供给等待执行列表,任务调度模块根据任务的重要等级、时效性、执行状态进行任务的调度安排,资源分配器根据计算能力、功率限制、武器损耗、电磁频谱的消耗情况对各项任务进行相应的资源分配,并通过执行单元的合作完成各项任务的执行。
4.根据权利要求1所述的无人集群中认知协同赋能的智能体单元,其特征在于,所述第三信息综合模块接收任务执行层综合的任务执行信息、智能体状态信息、外界环境信息,进行多元信息融合与特征提取,并将上述融合的信息作为任务决策网络的输入,决策网络根据任务执行累积收益最大化原则,生成任务执行列表,并下达给任务执行层,评估网络根据决策网络的任务安排,结合外界任务执行收益,对决策网络进行反馈与更新。
5.根据权利要求1所述的无人集群中认知协同赋能的智能体单元,其特征在于,所述集群协同层包括信息存储模块、强化学习器、协同接口和认知接口,存储模块用于记录协商层综合的智能体状态信息、地理空间信息、电磁态势信息、目标任务信息、任务执行信息;强化学习器根据存储模块存储的信息对决策网络与评估网络进行训练更新,并通过协同接口进行经验数据共享、决策网络升级、评估网络修正,同时强化学习器对存储模块进行相应的数据更新。
6.根据权利要求1所述的无人集群中认知协同赋能的智能体单元,其特征在于,所述元认知层包括信息提炼模块与元学习器,所述信息提炼模块通过集群协同层存储的外界环境、下层状态、智能体单元之间这三者信息进行进一步的提炼,元学习器在此基础上对集群协同层的强化学习器进行升级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034496.4A CN112783132A (zh) | 2021-01-11 | 2021-01-11 | 一种无人集群中认知协同赋能的智能体单元 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034496.4A CN112783132A (zh) | 2021-01-11 | 2021-01-11 | 一种无人集群中认知协同赋能的智能体单元 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112783132A true CN112783132A (zh) | 2021-05-11 |
Family
ID=75757057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110034496.4A Pending CN112783132A (zh) | 2021-01-11 | 2021-01-11 | 一种无人集群中认知协同赋能的智能体单元 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112783132A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792844A (zh) * | 2021-08-19 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度自动编码和特征融合的智能体蜂拥行为控制方法 |
CN115933537A (zh) * | 2022-12-11 | 2023-04-07 | 西北工业大学 | 一种数控机床多层次认知模型 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN108628294A (zh) * | 2017-03-20 | 2018-10-09 | 北京军石科技有限公司 | 一种多机器人靶标自主协同控制系统及其控制方法 |
CN110278249A (zh) * | 2019-05-30 | 2019-09-24 | 天津神兔未来科技有限公司 | 一种分布式群体智能系统 |
CN110554709A (zh) * | 2019-09-06 | 2019-12-10 | 哈尔滨工业大学(深圳) | 一种分布式的仿生的多智能体自主集群控制方法 |
CN110852486A (zh) * | 2019-10-16 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种无人机集群自主协同的任务规划方法 |
CN111898908A (zh) * | 2020-07-30 | 2020-11-06 | 华中科技大学 | 一种基于多智体的生产线调度系统及方法 |
-
2021
- 2021-01-11 CN CN202110034496.4A patent/CN112783132A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN108628294A (zh) * | 2017-03-20 | 2018-10-09 | 北京军石科技有限公司 | 一种多机器人靶标自主协同控制系统及其控制方法 |
CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
CN110278249A (zh) * | 2019-05-30 | 2019-09-24 | 天津神兔未来科技有限公司 | 一种分布式群体智能系统 |
CN110554709A (zh) * | 2019-09-06 | 2019-12-10 | 哈尔滨工业大学(深圳) | 一种分布式的仿生的多智能体自主集群控制方法 |
CN110852486A (zh) * | 2019-10-16 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种无人机集群自主协同的任务规划方法 |
CN111898908A (zh) * | 2020-07-30 | 2020-11-06 | 华中科技大学 | 一种基于多智体的生产线调度系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792844A (zh) * | 2021-08-19 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度自动编码和特征融合的智能体蜂拥行为控制方法 |
CN113792844B (zh) * | 2021-08-19 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度自动编码和特征融合的智能体蜂拥行为控制方法 |
CN115933537A (zh) * | 2022-12-11 | 2023-04-07 | 西北工业大学 | 一种数控机床多层次认知模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Distributed energy-efficient multi-UAV navigation for long-term communication coverage by deep reinforcement learning | |
CN112783132A (zh) | 一种无人集群中认知协同赋能的智能体单元 | |
Memon et al. | Using machine learning for handover optimization in vehicular fog computing | |
CN111476337B (zh) | 多级可变基因调控网络的群体机器人模式生成与转换方法 | |
CN110753107B (zh) | 天基云雾计算架构下的资源调度系统、方法和存储介质 | |
CN105630578A (zh) | 一种基于分布式多Agent系统的作战仿真引擎 | |
CN112784445A (zh) | 一种飞行控制智能体的并行分布式计算系统及方法 | |
CN113919068B (zh) | 一种基于任务的航空装备保障体系仿真评估方法 | |
CN108205266B (zh) | 基于信息流的指挥决策建模方法及存储介质 | |
CN110162065A (zh) | 一种基于有向跟随的自适应多智能体编队控制方法 | |
CN111209294A (zh) | 一种基于区域分配面向多无人机的分布式覆盖搜索方法 | |
CN110162077B (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
CN114510012A (zh) | 一种基于元动作序列强化学习的无人集群演进系统及方法 | |
CN112801539A (zh) | 无人机集群任务的柔变网络架构动态调度模型 | |
CN115809609A (zh) | 一种多水下自主航行器目标搜索方法及其系统 | |
CN114326827B (zh) | 一种无人机集群多任务动态分配方法及系统 | |
CN113316169A (zh) | 一种面向智慧港口的uav辅助通信能效优化方法及装置 | |
CN114565268A (zh) | 基于态势感知的场景自适应协同指挥控制系统及方法 | |
CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 | |
CN112288343A (zh) | 一种面向体系能力生成的立体栅格可变架构构建方法 | |
Sujit et al. | Multiple UAV search using agent based negotiation scheme | |
CN115327926A (zh) | 基于深度强化学习的多智能体动态覆盖控制方法及系统 | |
US20220107628A1 (en) | Systems and methods for distributed hierarchical control in multi-agent adversarial environments | |
KR101345645B1 (ko) | 목표지향 행위계획 결정이 가능한 모의훈련 시스템 및 목표지향 행위계획 결정방법 | |
Xiao et al. | Multi-UAV formation transformation based on improved heuristically-accelerated reinforcement learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |
|
RJ01 | Rejection of invention patent application after publication |