CN113867418B - 一种无人机集群自主协同侦察任务调度方法 - Google Patents
一种无人机集群自主协同侦察任务调度方法 Download PDFInfo
- Publication number
- CN113867418B CN113867418B CN202111093394.6A CN202111093394A CN113867418B CN 113867418 B CN113867418 B CN 113867418B CN 202111093394 A CN202111093394 A CN 202111093394A CN 113867418 B CN113867418 B CN 113867418B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- assisted
- reconnaissance
- drone
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/12—Target-seeking control
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机集群自主协同侦察任务调度方法,该方法设计了以虚拟收益来驱动无人机行动的自主决策驱动机制,利用斯坦伯格博弈建立协同无人机之间的侦察时间比例优化模型,得到无人机最佳协助侦察时间比例,使得无人机能根据侦察对象的特点和价值,自主地展开协同,并合理分配侦察资源,而不再依赖于统一的指挥中心和实体,大大提高无人机集群的灵活性和系统鲁棒性,对动态环境变化的适应性更强。
Description
技术领域
本发明涉及无人机集群系统智能优化技术,具体涉及一种无人机集群自主协同侦察任务调度方法。
背景技术
近年来,随着无人机的快速发展和新型侦察技术的不断改进,无人机作为最重要的侦察手段之一,其运用和优化已经成为国内外热点问题。对敏感目标或区域进行侦察,是无人机在安全管理、社会监管等方面的重要运用,利用无人机来对多个目标进行侦察,可以在很大程度上提高侦察的效率。
而无人机集群协同是无人机的一种重要应用形式,通过多架无人机之间的能力互补和作战协调,提高系统的整体效能,是未来无人机侦察的重要发展方向,现有技术虽然对无人机集群协同侦察时任务调配进行了研究,但是大多数没有考虑任务的异构价值,也没有考虑自主协同侦察时驱动机制的设计。而事实上,侦察任务是分轻重缓急的,当某侦察区域有突发状况时,用一架无人机来进行拍照侦察难免会有所疏漏,重要的目标,需要调配更多、更强的无人机来进行同时侦察。在无人机集群进行协同侦察任务调配时,侦察目标价值异构和驱动机制设计的问题不容忽视。因此,有必要研究如何根据侦察对象的特性、价值,合理调配多个无人机,对侦察目标进行高效的协同侦察。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种无人机集群自主协同侦察任务调度方法,用于解决如何根据侦察对象的特性、价值,合理调配多个无人机,对侦察目标进行高效的协同侦察。
技术方案:为实现上述目的,本发明提供下述的技术方案:一种无人机集群自主协同侦察任务调度方法,包括以下步骤:
步骤1,根据侦察目标重要程度的不同,将无人机执行不同侦察任务获得的收益进行虚拟化;记重要侦察区域的价值函数为C1,一般侦察区域的价值函数为C2,C1,C2为定值,且C1>C2;
步骤2,设计驱动机制,以虚拟的收益来驱动无人机行动的自主决策;协助时被辅助无人机的效用函数U1设计为:U1={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1(1-α)+hα1/2-T1P1;
协助时辅助无人机效用函数U2设计为:U2={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1α-βT2P2;其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例, 1-[1-S(r1T1)]×[1-S(r2βT2)]为辅助无人机协助时重要侦察区域的新识别成功率,C1为被辅助无人机的价值函数,识别成功率乘价值函数即为识别收益,h为侦察任务的重要程度,P1为被辅助无人机单位时间的侦察能量开销,T1为被辅助无人机的侦察时间,r1为被辅助无人机的分辨率,S(r1T)为被辅助无人机的识别成功率,P2为辅助无人机单位时间的侦察开销,T2为辅助无人机的侦察时间,r2为辅助无人机的分辨率,S(r2βT2)为辅助无人机的识别成功率;
步骤3,以被辅助无人机为上层博弈参与者,辅助无人机为下层博弈参与者,利用斯坦伯格博弈建立协同无人机之间的侦察时间比例优化模型;其中,
其中,α表示被辅助无人机的识别收益分配比例集合,β代表辅助无人机的协助时间比例集合;
步骤4,求出所构建斯坦伯格博弈的均衡解(α*,β*),即被辅助无人机的最优识别收益分配比例为α*,辅助无人机的最优协助时间比例为β*。
作为本发明的一种优选实施方式,所述步骤4中求解均衡解的具体方法为:
先对下层博弈进行求解,求出在给定被辅助无人机识别收益分配比例的情况下,辅助无人机的最佳协助时间比例β*:
有益效果:本发明相比现有技术,具有以下有益效果:
本发明提出一种无人机集群自主协同侦察任务调度方法,使得无人机能根据侦察对象的特点和价值,自主地展开协同,并合理分配侦察资源,提高无人机集群的灵活性和系统鲁棒性,对动态环境变化的适应性更好。
本发明与现有技术相比,其显著优点为:通过任务调度的驱动设计,使得无人机能根据侦察对象的特点和价值,自主地展开协同,并合理分配侦察资源,而不再依赖于统一的指挥中心和实体。能大大提高无人机集群的灵活性和系统鲁棒性,对动态环境变化的适应性更好。
附图说明
图1是本发明基于侦察目标价值异构设计的场景图;
图2是本发明中重要侦察区域的识别成功率随时间变化的图;
图3是本发明中被辅助无人机的效用函数分析图;
图4是本发明中辅助无人机的效用函数分析图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
步骤1中根据侦察目标重要程度的不同,将无人机执行不同侦察任务获得的收益进行虚拟化;记重要侦察区域的价值函数为C1,一般侦察区域的价值函数为C2,C1,C2为定值,且C1>C2;将在重要区域执行侦察任务的无人机命名为被辅助无人机,在一般区域执行侦察任务的区域命名为辅助无人机。辅助无人机和被辅助无人机的识别成功率都是与分辨率(r)和识别时间(T)有关。分辨率越高识别时间越长,图像侦察的识别成功率就越高。将无人机的识别成功率构建为S型函数:被辅助无人机的识别成功率为:其中,r1为被辅助无人机的分辨率;a1,b1均为常数;识别时间T1为变量。辅助无人机的识别成功率为:其中,r2为辅助无人机的分辨率;a2,b2均为常数;识别时间T2为变量。无人机的收益由两部分构成:识别收益和能量开销。
被辅助无人机和辅助无人机执行自身侦察任务(不协助)时,被辅助无人机的收益U1 *为: U1 *=S(r1T1)C1-T1P1。其中S(r1T)为被辅助无人机的识别成功率,C1为被辅助无人机的价值函数,识别成功率乘价值函数即为识别收益。P1为被辅助无人机单位时间的侦察能量开销,T1为被辅助无人机的侦察时间。U1 *中第一部分为识别收益,第二部分为能量开销。同理,不协助时辅助无人机的效用函数可以设计为:U2 *=S(r2T2)C2-T2P2。其中,S(r2T)为辅助无人机的识别成功率,C2为辅助无人机的价值函数。P2为辅助无人机单位时间的侦察能量开销,T2为辅助无人机的侦察时间。
步骤2中,设计驱动机制,以虚拟的收益来驱动无人机行动的自主决策。被辅助无人机的侦察任务重要且急迫,因此需要辅助无人机前来协助。在一个侦察周期内,如果辅助无人机用部分时间前来协助侦察,它就会失去这部分时间执行自身侦察任务的收益。被辅助无人机需要将其收益分出一部分给辅助无人机,以此来激励辅助无人机前来协助。
本发明所设计的协同机制为:在一个侦察周期t(T1=T2=t)内,由被辅助无人机决定识别收益的分配比例,识别收益中分出去的部分将作为辅助无人机的收益。辅助无人机根据获得收益的多少来决定用多少时间来协助侦察。即被辅助无人机决定识别收益分配比例,辅助无人机决定协助时间比例。辅助无人机前来协助时,重要侦察区域的识别成功率为1-[1-S(r1T1)]×[1-S(r2βT2)],识别收益为{1-[1-S(r1T2)]×[1-S(r2βT2)]}C1。被辅助无人机将识别收益的α部分分出,分出的部分将作为辅助无人机在协助侦察期间的识别收益,以此来激励辅助无人机协助自己。β为辅助无人机决定的协助时间比例,辅助无人机会根据分得收益的多少用βT2的时间来协助执行重要侦察任务。虽然被辅助无人机舍弃了重要侦察区域的部分识别收益,但是会换来由于侦察任务的重要程度带来的收益。辅助无人机在协助侦察期间,虽然没有了执行自身侦察任务的收益,但是会因为协助侦察而获得重要侦察区域的部分识别收益。
因此,被辅助无人机的效用函数设计为:
U1={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1(1-α)+hα1/2-T1P1
其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例。1-[1-S(r1T1)]×[1-S(r2βT2)]为重要侦察区域的新识别成功率。C1为被辅助无人机的价值函数。h为侦察任务的重要程度,P1为被辅助无人机单位时间的侦察能量开销,T1为被辅助无人机的侦察时间。
辅助无人机效用函数设计为:
U2={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1α-βT2P2
其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例。1-[1-S(r1T1)]×[1-S(r2βT2)]为重要侦察区域的新识别成功率。C1为被辅助无人机的价值函数。P2为辅助无人机单位时间的侦察开销,T2为辅助无人机的侦察时间。r1为被辅助无人机的分辨率,S(r1T)为被辅助无人机的识别成功率,r2为辅助无人机的分辨率,S(r2βT2)为辅助无人机的识别成功率;
步骤3,利用斯坦伯格博弈建立协同无人机之间的侦察时间比例优化模型,被辅助无人机为上层博弈参与者,辅助无人机为下层博弈参与者。上层博弈参与者为领导者,下层博弈参与者为跟随者,此斯坦伯格博弈模型为单领导者单跟随者形式,被辅助无人机作为领导者,有优先决策权,它决定识别收益的分配比例α。辅助无人机作为跟随者会根据识别收益中分出部分的多少来决定自己的协助时间比例β,分出的识别收益越多,辅助无人机就会用更多的时间来协助完成重要侦察任务。领导者的博弈问题可以描述为:寻找最优的识别收益分配比例,以最大化被辅助无人机的效用函数。跟随者博弈问题可描述为:寻找最优的协助时间比例,以最大化辅助无人机的效用函数。被辅助无人机和辅助无人机都是博弈参与者,它们都会通过调整策略来最大化自身的效用。
根据步骤2中设计的驱动机制,被辅助无人机为上层博弈参与者,辅助无人机为下层博弈参与者。被辅助无人机作为领导者,有优先决策权,它决定识别收益的分配比例α。辅助无人机作为跟随者会根据识别收益中分出部分的多少来决定自己的协助时间比例β,分出的识别收益越多,辅助无人机就会用更多的时间来协助完成重要侦察任务。斯坦伯格博弈上层的效用函数为:
U1={1-[1-S(r1T)]×[1-S(r2βT)]}C1(1-α)+hα1/2-T1P1
其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例。1-[1-S(r1T1)]×[1-S(r2βT2)]为重要侦察区域的新识别成功率,C1为被辅助无人机的价值函数,识别成功率乘价值函数即为识别收益。h为侦察任务的重要程度,P1为被辅助无人机单位时间的侦察能量开销,T1为被辅助无人机的侦察时间。
斯坦伯格博弈下层效用函数为:
U2={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1α-βT2P2
其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例。1-[1-S(r1T1)]×[1-S(r2βT2)]为重要侦察区域的新识别成功率,C1为被辅助无人机的价值函数。P2为辅助无人机单位时间的侦察开销,T2为辅助无人机的侦察时间。
领导者博弈可数学化地表示为:G1=(α,U1(α,β))。则领导者的博弈问题可以描述为: 寻找最优的识别收益分配比例,以最大化其效用函数。即:与领导者博弈类似,跟随者博弈数学化表示为:G2=(β,U2(α,β))。则跟随者博弈问题可描述为:寻找最优的协助时间比例,以最大化辅助无人机的效用函数,即:被辅助无人机和辅助无人机都是博弈参与者,它们都会通过调整策略来最大化自身的效用。该斯坦伯格博弈在数学上可以表示为:G={α,β,{U1},{U2}}。其中α表示被辅助无人机的识别收益分配比例集合,β代表辅助无人机的协助时间比例集合,{U1}和{U2}分别表示被辅助无人机和辅助无人机的效用集合。
步骤4,先对下层博弈进行求解,求出在给定被辅助无人机识别收益分配比例的情况下,辅助无人机的最佳协助时间比例β*。在β*处,辅助无人机的效用函数最大。将求出的β*的闭合表达式代入到被辅助无人机的效用函数U1中,得到一个只含有变量α的U1。然后求出使得效用函数U1达到最大的α*,α*即为被辅助无人机的最佳识别收益分配比例。由此便得到的所构建斯坦伯格博弈的均衡解(α*,β*),即被辅助无人机的最优识别收益分配比例为α*,辅助无人机的最优协助时间比例为β*,此时被辅助无人机和辅助无人机都无法通过调整策略来提高自身的效用。
求出所构建斯坦伯格博弈的均衡解,得到无人机最佳协助侦察时间比例。下层辅助无人机的最优协助时间比例为:
因此,本发明所构建的斯坦伯格博弈模型的均衡解为(α*,β*)。即被辅助无人机的识别收益分配比例为α*,辅助无人机的协助时间比例为β*时,被辅助无人机和辅助无人机都无法通过单方面地改变策略而提高自身的效用函数。
下面结合具体实施方式对本发明作进一步详细描述:在本发明所构建的多无人机协同侦察模型中,考虑一个侦察周期t=10min内的任务调配问题,任务的重要程度h=14000。被辅助无人机,辅助无人机的识别收益分别为C1=12000,C2=4000。对于被辅助无人机而言,侦察时间T1;识别成功率为S(r1T1);分辨率为r1=4000×3000;a1=(4000×3000)-1;b1=4000×3000×7;侦察时单位时间消耗的能量为10KJ;。辅助无人机的参数设置为:协助侦察时间为βT2;识别成功率为S(r2βT2);分辨率为r2=1920×1080;a2=(1920×1080)-1; b2=1920×1080×3;侦察时单位时间消耗的能量为8KJ。
图2给出了重要侦察区域的识别成功率随着时间的变化关系图。由图2可知,没有无人机前来协助时,重要侦察区域的识别成功率只与被辅助无人机识别时间和分辨率有关,本文中被辅助无人机的分辨率为定值,因此只与识别时间有关。而且随着识别时间的增加,识别成功率会提高。有无人机前来协助时,重要侦察区域的识别成功率要高于不协助的时候,而且识别成功率随着协助时间比例β的增大而增大。即辅助无人机前来协助侦察的时间越长,重要侦察区域的识别成功率越高。
图3给出了被辅助无人机在协助前后效用函数的对比图以及被辅助无人机在本发明所构建的斯坦伯格博弈均衡点处与非均衡点出效用函数的对比图。分析图3可以发现,辅助无人机协助侦察时,被辅助无人机的效用有明显的提高,并且博弈均衡点处被辅助无人机的效用最大。
图4给出了辅助无人机在协助前后效用函数的对比图以及辅助无人机在本发明所构建的斯坦伯格博弈均衡点处与非均衡点出效用函数的对比图。分析图4可以发现,可以看出当达到均衡点时,辅助无人机协助侦察时的效用会高于不协助的效用。因此它会选择协助被辅助无人机,从而获得更多的效用。分析辅助无人机在协助被辅助无人机时均衡点与非均衡点处的收益可知:当β小于等于0.62时,辅助无人机的效用随着协助比例的增加而增加;当β大于0.62时,辅助无人机的效用随着β的增大而减小。因此在博弈均衡点处,辅助无人机获得的效用最大。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种无人机集群自主协同侦察任务调度方法,其特征在于,包括以下步骤:
步骤1,根据侦察目标重要程度的不同,将无人机执行不同侦察任务获得的收益进行虚拟化;记重要侦察区域的价值函数为C1,一般侦察区域的价值函数为C2,C1,C2为定值,且C1>C2;
步骤2,设计驱动机制,以虚拟的收益来驱动无人机行动的自主决策;协助时被辅助无人机的效用函数U1设计为:U1={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1(1-α)+hα1/2-T1P1;
协助时辅助无人机效用函数U2设计为:U2={1-[1-S(r1T1)]×[1-S(r2βT2)]}C1α-βT2P2;其中,α为被辅助无人机决定的识别收益分配比例,β为辅助无人机决定的协助时间比例,1-[1-S(r1T1)]×[1-S(r2βT2)]为辅助无人机协助时重要侦察区域的新识别成功率,C1为被辅助无人机的价值函数,识别成功率乘价值函数即为识别收益,h为侦察任务的重要程度,P1为被辅助无人机单位时间的侦察能量开销,T1为被辅助无人机的侦察时间,r1为被辅助无人机的分辨率,S(r1T1)为被辅助无人机的识别成功率,P2为辅助无人机单位时间的侦察开销,T2为辅助无人机的侦察时间,r2为辅助无人机的分辨率,S(r2βT2)为辅助无人机的识别成功率;
步骤3,以被辅助无人机为上层博弈参与者,辅助无人机为下层博弈参与者,利用斯坦伯格博弈建立协同无人机之间的侦察时间比例优化模型;其中,
其中,α表示被辅助无人机的识别收益分配比例的集合,β代表辅助无人机的协助时间比例的集合;
步骤4,求出所构建斯坦伯格博弈的均衡解(α*,β*),即被辅助无人机的最优识别收益分配比例为α*,辅助无人机的最优协助时间比例为β*;求解均衡解的具体方法为:
先对下层博弈进行求解,求出在给定被辅助无人机识别收益分配比例的情况下,辅助无人机的最佳协助时间比例β*:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093394.6A CN113867418B (zh) | 2021-09-17 | 2021-09-17 | 一种无人机集群自主协同侦察任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093394.6A CN113867418B (zh) | 2021-09-17 | 2021-09-17 | 一种无人机集群自主协同侦察任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867418A CN113867418A (zh) | 2021-12-31 |
CN113867418B true CN113867418B (zh) | 2022-06-17 |
Family
ID=78996471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111093394.6A Active CN113867418B (zh) | 2021-09-17 | 2021-09-17 | 一种无人机集群自主协同侦察任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867418B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200964B (zh) * | 2022-02-17 | 2022-04-26 | 南京信息工程大学 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
CN114859979B (zh) * | 2022-07-07 | 2022-09-23 | 南京信息工程大学 | 无人机集群自主协同侦察时间资源分布式分配方法及系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105700555B (zh) * | 2016-03-14 | 2018-04-27 | 北京航空航天大学 | 一种基于势博弈的多无人机协同搜索方法 |
CN107330588B (zh) * | 2017-06-19 | 2020-05-12 | 西北工业大学 | 一种多基地异构无人机协同侦察的任务规划方法 |
CN108092729A (zh) * | 2017-12-29 | 2018-05-29 | 中国人民解放军陆军工程大学 | 无人机通信中的抗干扰模型及斯坦伯格博弈次梯度算法 |
CN109254588B (zh) * | 2018-10-17 | 2020-08-11 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN110049566B (zh) * | 2019-04-29 | 2020-09-01 | 西北工业大学 | 一种基于多无人机辅助通信网络的下行功率分配方法 |
CN110412999B (zh) * | 2019-06-20 | 2022-12-09 | 合肥工业大学 | 对抗环境下多无人机任务分配的博弈智能决策方法及系统 |
CN111695776B (zh) * | 2020-05-11 | 2021-10-01 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
CN112307613B (zh) * | 2020-10-26 | 2023-07-18 | 沈阳航空航天大学 | 基于自适应权重的无人机集群空-地对抗博弈仿真方法 |
CN112270103B (zh) * | 2020-11-09 | 2023-04-11 | 北京理工大学重庆创新中心 | 一种基于多智能体博弈的协同策略反演辨识方法 |
CN112987790B (zh) * | 2021-03-04 | 2022-05-10 | 北京航空航天大学 | 一种分布式异构集群系统分组编队跟踪控制方法和系统 |
CN113190038A (zh) * | 2021-04-19 | 2021-07-30 | 北京理工大学 | 一种无人机集群空中区域侦察任务的分配方法 |
CN113377533B (zh) * | 2021-06-07 | 2023-11-21 | 重庆邮电大学 | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 |
-
2021
- 2021-09-17 CN CN202111093394.6A patent/CN113867418B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113867418A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113867418B (zh) | 一种无人机集群自主协同侦察任务调度方法 | |
CN111199360B (zh) | 无人机任务分配规划方法 | |
CN110928691B (zh) | 一种面向交通数据的端边协同计算卸载方法 | |
CN113296845A (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
CN108601074A (zh) | 一种基于异构联合缓存的网络资源分配方法和装置 | |
Xu et al. | Cnn partitioning and offloading for vehicular edge networks in web3 | |
CN110276753B (zh) | 基于特征空间统计信息映射的目标自适应隐藏方法 | |
CN115022894B (zh) | 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN116306324B (zh) | 一种基于多智能体的分布式资源调度方法 | |
CN113316116B (zh) | 一种车辆计算任务卸载方法 | |
CN114356544A (zh) | 面向边缘集群的并行计算方法和系统 | |
CN113448703A (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
CN108170861B (zh) | 一种基于动态规划的分布式数据库系统协同优化方法 | |
CN114154819A (zh) | 一种基于任务相似度的多agv分布式调度方法与系统 | |
CN1604657A (zh) | 调节图像颜色的方法和装置 | |
CN113207128B (zh) | 强化学习下的无人机集群雷达通信一体化资源分配方法 | |
CN114554495A (zh) | 一种面向联邦学习的用户调度和资源分配方法 | |
CN114153515A (zh) | 一种基于5g毫米波通信的高速公路车联网任务卸载算法 | |
CN112616126A (zh) | 一种基于分布式协作的传感器信息处理方法 | |
CN113360245A (zh) | 基于移动云计算深度强化学习的物联网设备任务下载方法 | |
CN116088396B (zh) | 一种无人集群双层协同任务控制方法及系统 | |
CN112488212B (zh) | 一种基于双目视差的车道线识别方法 | |
CN114779813A (zh) | 基于改进合同网算法的多无人机动态任务分配方法 | |
CN111615082B (zh) | 一种异构自动驾驶车辆编队计算任务协同执行方法 |
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 |