CN115187005B - 调度方法、装置、设备及存储介质 - Google Patents

调度方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115187005B
CN115187005B CN202210719620.5A CN202210719620A CN115187005B CN 115187005 B CN115187005 B CN 115187005B CN 202210719620 A CN202210719620 A CN 202210719620A CN 115187005 B CN115187005 B CN 115187005B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
scheduling
image
task
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
CN202210719620.5A
Other languages
English (en)
Other versions
CN115187005A (zh
Inventor
刘吉磊
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.)
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Original Assignee
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
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 PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA filed Critical PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority to CN202210719620.5A priority Critical patent/CN115187005B/zh
Publication of CN115187005A publication Critical patent/CN115187005A/zh
Application granted granted Critical
Publication of CN115187005B publication Critical patent/CN115187005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于公共安全技术领域，公开了一种调度方法、装置、设备及存储介质。该方法包括：在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；根据所述任务类型确定可调用无人机群；对所述工作区域进行区域划分，得到多个划分区域；根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。通过上述方式，保证了无人机在执行任务时的续航性和合理性，同时实现了调度无人机执行任务的高效性和准确性。

Description

调度方法、装置、设备及存储介质
技术领域
本发明涉及公共安全技术领域，尤其涉及一种调度方法、装置、设备及存储介质。
背景技术
无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。与有人驾驶飞机相比，无人机往往更适合那些太“愚钝，肮脏或危险”的任务。无人机按应用领域，可分为军用与民用。军用方面，无人机分为侦察机和靶机。民用方面，无人机+行业应用，是无人机真正的刚需；在航拍、农业、植保、微型自拍、快递运输、灾难救援、观察野生动物、监控传染病、测绘、新闻报道、电力巡检、救灾、影视拍摄、制造浪漫等等领域的应用，大大的拓展了无人机本身的用途，发达国家也在积极扩展行业应用与发展无人机技术。目前，通常是由无人机操控人员通过遥控器等终端控制无人机执行飞行作业，无人机无法全自主的进行飞行作业，也无法全自动地实现无人机与无人机场之间的调度，在调度无人机与无人机库时仍然需要人工参与。
发明内容
本发明的主要目的在于提供一种调度方法、装置、设备及存储介质，旨在解决现有技术如何合理高效地对无人机进行自主调度的技术问题。
为实现上述目的，本发明提供了一种调度方法，所述调度方法包括：
在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；
根据所述任务类型确定可调用无人机群；
对所述工作区域进行区域划分，得到多个划分区域；
根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；
根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；
根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。
可选地，所述根据所述任务类型确定可调用无人机群，包括：
获取空闲无人机群的历史飞行数据；
根据所述历史飞行数据进行指标评估，得到飞行评估结果；
根据所述飞行评估结果和所述任务类型在所述空闲无人机群中确定可调用无人机群。
可选地，所述获取空闲无人机群的历史飞行数据之前，还包括：
获取权限无人机群的状态标识信息；
根据所述状态标识信息确定各权限无人机的设备状态信息和设备运行信息；
在所述权限无人机群中查找设备状态信息不为故障状态信息的权限无人机，得到第一无人机群；
在所述第一无人机群中查找设备运行信息不为任务状态信息的权限无人机，得到第二无人机群；
根据所述第二无人机群确定空闲无人机群。
可选地，所述根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机，包括：
获取各划分区域分别对应的地理参数；
根据所述可调用无人机群的状态参数确定各无人机的当前位置坐标和当前剩余电量；
根据所述当前剩余电量、所述位置坐标以及所述地理参数进行任务分配，得到各划分区域分别对应的调度无人机。
可选地，所述根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度之后，还包括：
当所述任务类型为第一类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第一图像；
对所述第一图像进行预处理，得到第一处理图像；
对所述第一处理图像进行图像划分，得到第一处理图像对应的多个图像区域；
对各图像区域进行图像特征融合，得到各图像区域的特征向量；
根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果；
根据所述各图像区域的分类识别结果确定各划分区域的任务结果。
可选地，所述根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果之前，还包括：
获取样本图像及所述样本图像的对象类别；
对所述样本图像进行预处理，得到样本训练图像；
对所述样本训练图像进行图像划分，得到样本训练图像对应的多个样本区域；
对所述样本区域进行特征提取，得到所述样本区域的样本特征；
对所述样本特征进行归一化处理，得到样本向量；
根据所述样本向量和所述样本图像的对象类别对初始分类网络进行训练，得到预设分类网络。
可选地，所述根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度之后，还包括：
当所述任务类型为第二类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第二图像；
根据所述第二图像确定追踪对象及追踪对象的历史行动轨迹；
根据所述历史行动轨迹确定停留网格序列；
根据所述停留网格序列计算目标概率；
根据所述目标概率进行位置预测确定所述追踪对象的预测位置；
根据所述预测位置进行追踪预警。
此外，为实现上述目的，本发明还提出一种调度装置，所述调度装置包括：
确定模块，用于在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；
所述确定模块，还用于根据所述任务类型确定可调用无人机群；
划分模块，用于对所述工作区域进行区域划分，得到多个划分区域；
分配模块，用于根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；
规划模块，用于根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；
调度模块，用于根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。
此外，为实现上述目的，本发明还提出一种调度设备，所述调度设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的调度程序，所述调度程序配置为实现如上文所述的调度方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如上文所述的调度方法。
本发明在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；根据所述任务类型确定可调用无人机群；对所述工作区域进行区域划分，得到多个划分区域；根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。通过上述方式，基于调度指令确定的任务类型和工作区域对可调度无人机进行分区调度，得到各划分区域分别对应的调度无人机，保证了无人机在执行任务时的续航性和合理性，并基于任务类型、各划分区域以及各划分区域分别对应的调度无人机进行路径规划，以使调度无人机按照目标路径进行任务调度，从而实现了调度无人机执行任务的高效性和准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的调度设备的结构示意图；
图2为本发明调度方法第一实施例的流程示意图；
图3为本发明调度方法第二实施例的流程示意图；
图4为本发明调度方法一实施例的轨迹点位示意图；
图5为本发明调度装置第一实施例的结构框图。
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的调度设备结构示意图。
如图1所示，该调度设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对调度设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及调度程序。
在图1所示的调度设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明调度设备中的处理器1001、存储器1005可以设置在调度设备中，所述调度设备通过处理器1001调用存储器1005中存储的调度程序，并执行本发明实施例提供的调度方法。
本发明实施例提供了一种调度方法，参照图2，图2为本发明一种调度方法第一实施例的流程示意图。
调度方法包括以下步骤：
步骤S10：在接收到调度指令时，根据所述调度指令确定任务类型和工作区域。
需要说明的是，本实施例的执行主体为无人机调度控制台，无人机调度控制台具有所有具备飞行权限无人机的调度权限和各类数据，所有具备飞行权限无人机在接收到无人机调度控制台下达的任何指令后均需按照指令执行对应任务。
可以理解的是，无人机调度控制台在接收到用户或者求助群众的调度指令时，根据调度指令可确定无人机当前需要执行的任务类型，任务类型可包括两种类型，分别为第一类型和第二类型，第一类型中可包括山区搜救、火场救援、水域搜救、道路探测、例行巡检等任务类型，第二类型中可包括目标跟随、追踪等相关任务类型。
在具体实现中，无人机调度控制台可依据调度指令确定无人机在执行任务时所需要遍历到的区域，无人机在执行任务时所需要遍历到的区域即为工作区域。
步骤S20：根据所述任务类型确定可调用无人机群。
需要说明的是，由于不同的无人机在飞行时具备不同的飞行特征，基于不同的飞行特征，各个无人机对应有各自适合执行分任务类型，因此，在确定任务类型后，需基于任务类型选择能够执行该任务类型的无人机群，能够执行该任务类型的无人机群即为可调用无人机群。
可以理解的是，为了保证选择到的可调用无人机群均能够高效执行该任务类型的任务，进一步地，所述根据所述任务类型确定可调用无人机群，包括：获取空闲无人机群的历史飞行数据；根据所述历史飞行数据进行指标评估，得到飞行评估结果；根据所述飞行评估结果和所述任务类型在所述空闲无人机群中确定可调用无人机群。
在具体实现中，无人机调度控制台在所有具备飞行权限无人机中确定当前并未执行任务且能够正常运行的无人机，当前并未执行任务且能够正常运行的无人机所对应的机群即为空闲无人机群。
需要说明的是，历史飞行数据包括空闲无人机群中各无人机的在飞行过程中在各种地区的数据传输速度、避障能力、飞行速度、飞行位姿以及不同飞行速度对应的能量消耗速率。基于历史飞行数据中的各项内容进行指标评估，指标评估包括地区适配度评估，飞行续航能力评估以及飞行灵敏度评估。最终根据空闲无人机群中各无人机的地区适配度、飞行续航能力以及飞行灵敏度结果得到空闲无人机群中各无人机的飞行评估结果。
可以理解的是，在得到空闲无人机群中各无人机的飞行评估结果后，根据各无人机的飞行评估结果、任务类型以及筛选条件可在空闲无人机群中挑选出能够执行该任务类型的无人机群。例如，任务类型为第一类型时，且第一类型为山区搜救时，则要求地区适配度和飞行灵敏度较好的无人机进行任务执行，选择空闲无人机群中地区适配度和飞行灵敏度较好的无人机群作为可调用无人机群。
在具体实现中，为了保证空闲无人机群中的各无人机能够正常运行，进一步地，所述获取空闲无人机群的历史飞行数据之前，还包括：获取权限无人机群的状态标识信息；根据所述状态标识信息确定各权限无人机的设备状态信息和设备运行信息；在所述权限无人机群中查找设备状态信息不为故障状态信息的权限无人机，得到第一无人机群；在所述第一无人机群中查找设备运行信息不为任务状态信息的权限无人机，得到第二无人机群；根据所述第二无人机群确定空闲无人机群。
需要说明的是，无人机调度控制台具有所有具备飞行权限无人机即为权限无人机群，权限无人机群中的各权限无人机均对应有一个状态标识信息，状态标识信息包括但不限于设备状态信息和设备运行信息，设备状态信息用于确定无人机是否处于故障状态，设备运行信息用于确定无人机是否正在执行任务。
可以理解的是，基于权限无人机群中的各权限无人机的设备状态信息在权限无人机群中查找不为故障状态信息的权限无人机，不为故障状态信息的权限无人机均不处于故障状态，从而得到第一无人机群，基于权限无人机群中的各权限无人机的设备运行信息在第一无人机群中查找设备运行信息不为任务状态信息的权限无人机，不为任务状态信息的权限无人机均未执行任务，从而得到第二无人机群，第二无人机群即为当前并未执行任务且能够正常运行的无人机所对应的空闲无人机群。
步骤S30：对所述工作区域进行区域划分，得到多个划分区域。
需要说明的是，在执行任务时，采用分区工作的方式，保证无人机的飞行续航能力，无人机调度控制台对工作区域进行分块，从而得到多个面积大致相等的划分区域。
步骤S40：根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机。
需要说明的是，由于各划分区域的所处的地理位置有远有近，且各划分区域的占地面积不完全一致，因此需要根据可调用无人机群中各无人机的状态参数与各划分区域进行适配，从而得到各划分区域分别对应的最优的执勤无人机，各划分区域分别对应的最优的执勤无人机即为各划分区域分别对应的调度无人机。
可以理解的是，为了确保任务分配的合理性和无人机资源的有效利用，进一步地，所述根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机，包括：获取各划分区域分别对应的地理参数；根据所述可调用无人机群的状态参数确定各无人机的当前位置坐标和当前剩余电量；根据所述当前剩余电量、所述位置坐标以及所述地理参数进行任务分配，得到各划分区域分别对应的调度无人机。
在具体实现中，各划分区域分别对应的地理参数包括各划分区域的边界对应的地理位置参数和占地面积，地理位置参数可用经纬度表示，可调用无人机群的状态参数包括但不限于可调用无人机群中各无人机的当前剩余电量和当前位置坐标。基于各划分区域的占地面积从大到小依次排序，在排序之后依次为按照占地面积从大到小的划分区域分配对应的可调用无人机，基于可调用无人机群中各无人机的当前位置坐标和划分区域的地理位置参数进行第一次排序匹配，保证分配的无人机距离划分区域的地理位置最近，基于可调用无人机群中各无人机的当前剩余电量进行第二次排序，最终选择距离划分区域最近且当前剩余电量最多的无人机作为划分区域的调度无人机。例如，四个划分区域甲、乙、丙、丁，甲的面积最大，乙其次，丙次之，丁最后，可调用无人机群中存在4各无人机1、2、3、4，基于1～4的当前位置坐标进行排序后，无人机1距离甲最近，2其次，3次之，4最后，基于1～4的当前剩余电量进行排序之后，无人机2的电量最多，1其次，3次之，4最后，因此，甲对应的调度无人机确定为无人机2，在为甲分配对应的调度无人机后，依次为乙、丙、丁进行无人机分配，最终得到各划分区域的可调度无人机。一个划分区域可使用多个调度无人机执行任务，按照上述分式依次为各划分区域分配一个对应的调度无人机后，在剩下的无人机中按照上述分式为各划分区域进行第二轮调度无人机的分配。
步骤S50：根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径。
需要说明的是，目标路径指的是调度无人机从调度无人机飞行至对应的划分区域的路线以及调度无人机在划分区域执行任务时的飞行航线。针对不同的任务类型在执行任务时，调度无人机应具备不同的飞行航线，例如，任务类型为第一类型时，飞行航线应遍历至划分区域的每个角落，从而保证调度无人机可以采集到划分区域每个角落的图像，任务类型为第二类型时，飞行航线应该在划分区域探寻到目标追踪对象后进行航线自定义，从而达到目标追踪的目的。
可以理解的是，基于各划分区域的地理位置参数和各划分区域分别对应的调度无人机当前位置坐标进行第一路线规划，基于任务类型和各划分区域的地理位置参数进行第二路线的规划，最终确定调度无人机的目标路径。
步骤S60：根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。
需要说明的是，在得到目标路径后，无人机调度控制台将各调度无人机的目标路径分别发送至对应的调度无人机，以使各调度无人机按照目标路径进行任务调度。同时，为了应对在执行任务时意外情况，无人机调度控制台需实时获取各调度无人机的飞行数据以及当前任务执行情况，根据当前任务执行情况和飞行数据及时进行调度无人机航线的调整和调度无人机的更换。
本实施例通过在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；根据所述任务类型确定可调用无人机群；对所述工作区域进行区域划分，得到多个划分区域；根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。通过上述方式，基于调度指令确定的任务类型和工作区域对可调度无人机进行分区调度，得到各划分区域分别对应的调度无人机，保证了无人机在执行任务时的续航性和合理性，并基于任务类型、各划分区域以及各划分区域分别对应的调度无人机进行路径规划，以使调度无人机按照目标路径进行任务调度，从而实现了调度无人机执行任务的高效性和准确性。
参考图3，图3为本发明一种调度方法第二实施例的流程示意图。
基于上述第一实施例，本实施例调度方法在所述步骤S60之后，还包括：
步骤S70：当所述任务类型为第一类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第一图像。
需要说明的是，在任务类型为第一类型时，各划分区域分别对应的调度无人机可通过传感器采集各划分区域对应的探测图像。当探测图像为视频时，将探测图像进行分帧提取，从而得到探测图像对应的帧图像，探测图像对应的帧图像即为第一图像，当探测图像为图片时，探测图像即为第一图像。
步骤S80：对所述第一图像进行预处理，得到第一处理图像。
需要说明的是，预处理包括图像像素点对应、图像去噪以及可视度增强。将第一图像中的各像素点与目标像素点进行一一对应、去除随机噪声以及图像仿真增强图像可视度，最终得到处理后的第一图像，处理后的第一图像即为第一处理图像。
步骤S90：对所述第一处理图像进行图像划分，得到第一处理图像对应的多个图像区域。
需要说明的是，图像划分指的是将第一处理图像按照像素点数量均匀划分，得到多个像素点数量相同的图像块，各图像块即为第一处理图像对应的多个图像区域。
步骤S100：对各图像区域进行图像特征融合，得到各图像区域的特征向量。
需要说明的是，特征融合指的是对各图像区域进行特征提取，特征提取包括颜色特征提取、纹理特征提取以及形状特征提取，在特征提取之后，将纹理特征和颜色特征融合，将纹理特征和形状特征融合，将颜色特征和形状特征融合，将颜色特征、纹理特征以及形状特征融合，最终得到上述各融合特征对应的多个特征向量。颜色特征提取可基于HSV空间的颜色直方图特征提取方式，纹理特征提取可基于灰度共生矩阵纹理特征提取方式，形状特征提取可基于HU不变矩颜色特征提取方式。
步骤S101：根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果。
需要说明的是，预设分类网络指的是通过样本图像对BP神经网络分类器进行训练后得到的，预设分类网络可基于各特征向量完成对图像中存在对象的分类识别，包括道路、树木、建筑物、绿地、植物、人类、动物等类型的识别。将各特征向量作为预设分类网络的输入，从而得到各图像区域的分类识别结果。
可以理解的是，为了得到可准确分类的预设分类网络，进一步地，所述根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果之前，还包括：获取样本图像及所述样本图像的对象类别；对所述样本图像进行预处理，得到样本训练图像；对所述样本训练图像进行图像划分，得到样本训练图像对应的多个样本区域；对所述样本区域进行特征提取，得到所述样本区域的样本特征；对所述样本特征进行归一化处理，得到样本向量；根据所述样本向量和所述样本图像的对象类别对初始分类网络进行训练，得到预设分类网络。
在具体实现中，样本图像指的是预设数据库中存储的包含各种对象类型的图像，样本图像的对象类别指的是各样本图像中存在对象的类别。对样本图像进行图像像素点对应、图像去噪以及可视度增强的预处理，从而得到样本训练图像，对样本训练图像进行均匀划分，从而得到样本训练图像对应的像素点数量相同的多个样本区域。
需要说明的是，对各样本区域进行颜色特征、纹理特征以及形状特征的提取，从而得到各样本区域的样本特征，归一化处理指的是对样本特征进行依次融合，依次融合指的是将样本特征中的纹理特征和颜色特征融合，将纹理特征和形状特征融合，将颜色特征和形状特征融合，从而得到样本区域对应的样本向量。
可以理解的是，在得到样本向量后，基于样本向量和样本图像的对象类别对初始分类网络进行训练，从而得到训练好的可基于各特征向量完成对图像中存在对象的分类识别的预设分类网络。
步骤S102：根据所述各图像区域的分类识别结果确定各划分区域的任务结果。
需要说明的是，无人机调度控制台对各图像区域的分类识别结果进行汇总，从而得到各划分区域中所存在的对象，各划分区域中所存在的对象即为各划分区域的任务结果。
可以理解的是，当任务类型为第二类型时，可通过调度无人机进行追凶预警，从而保证监测范围内的安全，进一步地，所述根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度之后，还包括：当所述任务类型为第二类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第二图像；根据所述第二图像确定追踪对象及追踪对象的历史行动轨迹；根据所述历史行动轨迹确定停留网格序列；根据所述停留网格序列计算目标概率；根据所述目标概率进行位置预测确定所述追踪对象的预测位置；根据所述预测位置进行追踪预警。
在具体实现中，当任务类型为第二类型时，各划分区域分别对应的调度无人机可通过传感器采集各划分区域对应的探测图像，探测图像即为第二图像，第二图像可为视频或图片。
需要说明的是，在得到第二图像后，无人机调度控制台对第二图像进行目标识别，从而确定需要进行目标追踪的追踪对象，基于第二图像确定追踪对象的历史行动轨迹。
可以理解的是，在得到历史行动轨迹后，基于历史行动轨迹确定追踪对象的活动范围，并按照预设范围对活动范围进行划分，得到多个划分点位，按照历史行动确定追踪对象曾出现过的历史点位和历史出现点位出现顺序，基于历史点位和历史出现点位的出现顺序确定停留网格序列。例如，如图4所示，历史行动轨迹为从A到B，将活动范围划分成25个，各点位从左至右，从上到下依次为1～25，因此，停留网格序列为1、2、3、8、13、18、19、24、25、20、15、14、13、12、7、6、1。
在具体实现中，基于停留网格序列确定计算当前点位至各历史点位的距离概率和方向概率，并根据距离权重和方向权重确定目标概率，目标概率为至各点位的出现概率，各点位可在基于历史行动轨迹确定追踪对象的活动范围，也可在活动范围扩大后的预设扩大范围内。假设某点位为X，则距离概率位
Figure BDA0003710653710000131
其中Fd(X)＝1-(DX-DMIN)/(DMAX-DMIN)，从当前点位到达X的距离概率为DX，从当前点位到达最远点位的距离为DMAX，从当前点位到达最近点位的距离为DMIN，方向概率为
Figure BDA0003710653710000132
其中
Figure BDA0003710653710000133
方向向量
Figure BDA0003710653710000134
当前点位至X的方向向量
Figure BDA0003710653710000135
X的中心点为g'＝(x,y)，fi+1为当前点位的第一个轨迹点，fi为前一个点位的最后一个轨迹点。最终目标概率为F(X)＝aFD(X)+bFE(X)，a、b分别为距离权重和方向权重。
需要说明的是，在得到某点位的目标概率后，基于各点位的目标概率中最大的目标概率值确定追踪对象的下一出现点位，追踪对象的下一出现点位即为预测位置。在得到预测位置后，无人机调度控制台可向该区域的用户或管理员发送预警信息并报送预测位置。
本实施例中当所述任务类型为第一类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第一图像；对所述第一图像进行预处理，得到第一处理图像；对所述第一处理图像进行图像划分，得到第一处理图像对应的多个图像区域；对各图像区域进行图像特征融合，得到各图像区域的特征向量；根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果；根据所述各图像区域的分类识别结果确定各划分区域的任务结果。通过上述方式，能够基于调度无人机获取的第一图像进行准确识别，根据得到的任务结果能够保证任务执行的高效性和准确性。
此外，参照图5，本发明实施例还提出一种调度装置，所述调度装置包括：
确定模块10，用于在接收到调度指令时，根据所述调度指令确定任务类型和工作区域。
所述确定模块10，还用于根据所述任务类型确定可调用无人机群。
划分模块20，用于对所述工作区域进行区域划分，得到多个划分区域。
分配模块30，用于根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机。
规划模块40，用于根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径。
调度模块50，用于根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。
本实施例通过在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；根据所述任务类型确定可调用无人机群；对所述工作区域进行区域划分，得到多个划分区域；根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度。通过上述方式，基于调度指令确定的任务类型和工作区域对可调度无人机进行分区调度，得到各划分区域分别对应的调度无人机，保证了无人机在执行任务时的续航性和合理性，并基于任务类型、各划分区域以及各划分区域分别对应的调度无人机进行路径规划，以使调度无人机按照目标路径进行任务调度，从而实现了调度无人机执行任务的高效性和准确性。
在一实施例中，所述确定模块10，还用于获取空闲无人机群的历史飞行数据；
根据所述历史飞行数据进行指标评估，得到飞行评估结果；
根据所述飞行评估结果和所述任务类型在所述空闲无人机群中确定可调用无人机群。
在一实施例中，所述确定模块10，还用于获取权限无人机群的状态标识信息；
根据所述状态标识信息确定各权限无人机的设备状态信息和设备运行信息；
在所述权限无人机群中查找设备状态信息不为故障状态信息的权限无人机，得到第一无人机群；
在所述第一无人机群中查找设备运行信息不为任务状态信息的权限无人机，得到第二无人机群；
根据所述第二无人机群确定空闲无人机群。
在一实施例中，所述分配模块30，还用于获取各划分区域分别对应的地理参数；
根据所述可调用无人机群的状态参数确定各无人机的当前位置坐标和当前剩余电量；
根据所述当前剩余电量、所述位置坐标以及所述地理参数进行任务分配，得到各划分区域分别对应的调度无人机。
在一实施例中，所述调度模块50，还用于当所述任务类型为第一类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第一图像；
对所述第一图像进行预处理，得到第一处理图像；
对所述第一处理图像进行图像划分，得到第一处理图像对应的多个图像区域；
对各图像区域进行图像特征融合，得到各图像区域的特征向量；
根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果；
根据所述各图像区域的分类识别结果确定各划分区域的任务结果。
在一实施例中，所述调度模块50，还用于获取样本图像及所述样本图像的对象类别；
对所述样本图像进行预处理，得到样本训练图像；
对所述样本训练图像进行图像划分，得到样本训练图像对应的多个样本区域；
对所述样本区域进行特征提取，得到所述样本区域的样本特征；
对所述样本特征进行归一化处理，得到样本向量；
根据所述样本向量和所述样本图像的对象类别对初始分类网络进行训练，得到预设分类网络。
在一实施例中，所述调度模块50，还用于当所述任务类型为第二类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第二图像；
根据所述第二图像确定追踪对象及追踪对象的历史行动轨迹；
根据所述历史行动轨迹确定停留网格序列；
根据所述停留网格序列计算目标概率；
根据所述目标概率进行位置预测确定所述追踪对象的预测位置；
根据所述预测位置进行追踪预警。
由于本装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如上文所述的调度方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的调度方法，此处不再赘述。
此外，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种调度方法，其特征在于，所述调度方法包括：
在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；
根据所述任务类型确定可调用无人机群；
对所述工作区域进行区域划分，得到多个划分区域；
根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；
根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；
根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度；
其中，所述根据所述任务类型确定可调用无人机群，包括：
获取空闲无人机群的历史飞行数据，所述历史飞行数据包括空闲无人机群中各无人机的在各类型地区的数据传输速度、避障能力、飞行速度、飞行位姿以及不同飞行速度对应的能量消耗速率；
根据所述历史飞行数据进行指标评估，得到飞行评估结果；
根据所述飞行评估结果和所述任务类型在所述空闲无人机群中确定可调用无人机群；
其中，所述根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度之后，还包括：
当所述任务类型为第二类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第二图像；
根据所述第二图像确定追踪对象及追踪对象的历史行动轨迹；
根据所述历史行动轨迹确定停留网格序列；
根据所述停留网格序列计算目标概率，所述停留网格序列中某点位为X，则距离概率位，其中，从所述追踪对象的当前点位到达X的距离概率为DX，从当前点位到达所述停留网格序列的最远点位的距离为DMAX，从当前点位到达所述停留网格序列的最近点位的距离为DMIN，方向概率为，其中，方向向量，当前点位至X的方向向量，X的中心点为，为当前点位的第一个轨迹点，为前一个点位的最后一个轨迹点，最终目标概率为，a、b分别为距离权重和方向权重；
根据所述目标概率进行位置预测确定所述追踪对象的预测位置；
根据所述预测位置进行追踪预警。
2.如权利要求1所述的调度方法，其特征在于，所述获取空闲无人机群的历史飞行数据之前，还包括：
获取权限无人机群的状态标识信息；
根据所述状态标识信息确定各权限无人机的设备状态信息和设备运行信息；
在所述权限无人机群中查找设备状态信息不为故障状态信息的权限无人机，得到第一无人机群；
在所述第一无人机群中查找设备运行信息不为任务状态信息的权限无人机，得到第二无人机群；
根据所述第二无人机群确定空闲无人机群。
3.如权利要求1所述的调度方法，其特征在于，所述根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机，包括：
获取各划分区域分别对应的地理参数；
根据所述可调用无人机群的状态参数确定各无人机的当前位置坐标和当前剩余电量；
根据所述当前剩余电量、所述位置坐标以及所述地理参数进行任务分配，得到各划分区域分别对应的调度无人机。
4.如权利要求1所述的调度方法，其特征在于，所述根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度之后，还包括：
当所述任务类型为第一类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第一图像；
对所述第一图像进行预处理，得到第一处理图像；
对所述第一处理图像进行图像划分，得到第一处理图像对应的多个图像区域；
对各图像区域进行图像特征融合，得到各图像区域的特征向量；
根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果；
根据所述各图像区域的分类识别结果确定各划分区域的任务结果。
5.如权利要求4所述的调度方法，其特征在于，所述根据预设分类网络和所述特征向量对各图像区域进行分类识别，得到各图像区域的分类识别结果之前，还包括：
获取样本图像及所述样本图像的对象类别；
对所述样本图像进行预处理，得到样本训练图像；
对所述样本训练图像进行图像划分，得到样本训练图像对应的多个样本区域；
对所述样本区域进行特征提取，得到所述样本区域的样本特征；
对所述样本特征进行归一化处理，得到样本向量；
根据所述样本向量和所述样本图像的对象类别对初始分类网络进行训练，得到预设分类网络。
6.一种调度装置，其特征在于，所述调度装置包括：
确定模块，用于在接收到调度指令时，根据所述调度指令确定任务类型和工作区域；
所述确定模块，还用于根据所述任务类型确定可调用无人机群；
划分模块，用于对所述工作区域进行区域划分，得到多个划分区域；
分配模块，用于根据各划分区域和所述可调用无人机群的状态参数进行任务分配，得到各划分区域分别对应的调度无人机；
规划模块，用于根据所述各划分区域、所述各划分区域分别对应的调度无人机以及所述任务类型进行路径规划，得到目标路径；
调度模块，用于根据所述目标路径对所述各划分区域分别对应的调度无人机进行任务调度；
所述确定模块，还用于获取空闲无人机群的历史飞行数据，所述历史飞行数据包括空闲无人机群中各无人机的在各类型地区的数据传输速度、避障能力、飞行速度、飞行位姿以及不同飞行速度对应的能量消耗速率；
根据所述历史飞行数据进行指标评估，得到飞行评估结果；
根据所述飞行评估结果和所述任务类型在所述空闲无人机群中确定可调用无人机群；
所述调度模块，还用于当所述任务类型为第二类型时，各划分区域分别对应的调度无人机获取各划分区域对应的第二图像；
根据所述第二图像确定追踪对象及追踪对象的历史行动轨迹；
根据所述历史行动轨迹确定停留网格序列；
根据所述停留网格序列计算目标概率，所述停留网格序列中某点位为X，则距离概率位，其中，从所述追踪对象的当前点位到达X的距离概率为DX，从当前点位到达所述停留网格序列的最远点位的距离为DMAX，从当前点位到达所述停留网格序列的最近点位的距离为DMIN，方向概率为，其中，方向向量，当前点位至X的方向向量，X的中心点为，为当前点位的第一个轨迹点，为前一个点位的最后一个轨迹点，最终目标概率为，a、b分别为距离权重和方向权重；
根据所述目标概率进行位置预测确定所述追踪对象的预测位置；
根据所述预测位置进行追踪预警。
7.一种调度设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的调度程序，所述调度程序配置为实现如权利要求1至5中任一项所述的调度方法。
8.一种存储介质，其特征在于，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如权利要求1至5任一项所述的调度方法。
CN202210719620.5A 2022-06-23 2022-06-23 调度方法、装置、设备及存储介质 Active CN115187005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210719620.5A CN115187005B (zh) 2022-06-23 2022-06-23 调度方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210719620.5A CN115187005B (zh) 2022-06-23 2022-06-23 调度方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115187005A CN115187005A (zh) 2022-10-14
CN115187005B true CN115187005B (zh) 2023-04-18

Family

ID=83515496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210719620.5A Active CN115187005B (zh) 2022-06-23 2022-06-23 调度方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115187005B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438063A (zh) * 2022-11-07 2022-12-06 深圳市道通智能航空技术股份有限公司 机群系统的数据处理方法、数据处理装置及其电子设备
CN116258356B (zh) * 2023-05-16 2023-08-25 深圳市万物云科技有限公司 基于WaveNet的工单派发方法、装置及相关介质
CN116430905B (zh) * 2023-06-12 2023-09-15 武汉能钠智能装备技术股份有限公司四川省成都市分公司 电子侦查一体机测控系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190635A (zh) * 2018-07-25 2019-01-11 北京飞搜科技有限公司 基于分类cnn的目标追踪方法、装置及电子设备
CN110298405A (zh) * 2019-07-03 2019-10-01 北京字节跳动网络技术有限公司 类别识别方法及装置、存储介质与终端
CN112189176B (zh) * 2019-08-22 2023-11-10 深圳市大疆创新科技有限公司 多机作业航线规划方法、控制终端及计算机可读存储介质
CN111626619A (zh) * 2020-05-28 2020-09-04 深圳市易链信息技术有限公司 基于云雾混合计算的无人机群任务分配方法、系统和可读存储介质
CN111580561A (zh) * 2020-05-28 2020-08-25 深圳市易链信息技术有限公司 基于粒子群算法优化的无人机调度方法、系统和可读存储介质
CN112132346B (zh) * 2020-09-24 2024-04-19 中国科学院空天信息创新研究院 一种基于船舶类型的船舶航行轨迹预测方法

Also Published As

Publication number Publication date
CN115187005A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN115187005B (zh) 调度方法、装置、设备及存储介质
US10699585B2 (en) Unmanned aerial system detection and mitigation
Škrinjar et al. Application of unmanned aerial vehicles in logistic processes
Alexandrov et al. Analysis of machine learning methods for wildfire security monitoring with an unmanned aerial vehicles
US11209816B2 (en) Autonomous long range aerial vehicles and fleet management system
US10674719B2 (en) Wild-life surveillance and protection
CN116301055B (zh) 一种基于建筑施工的无人机巡检方法及系统
Liang et al. Drone fleet deployment strategy for large scale agriculture and forestry surveying
CN112001309B (zh) 基于无人机集群的目标搜索方法、装置、设备及存储介质
JP2018081675A (ja) 無人航空機管理装置、無人航空機管理方法、及びプログラム
Calderón et al. Visual-based real-time detection using neural networks and micro-uavs for military operations
Humann et al. Modeling and simulation of multi-UAV, multi-operator surveillance systems
Delmerico et al. “on-the-spot training” for terrain classification in autonomous air-ground collaborative teams
CN115649501B (zh) 一种无人机夜行照明系统及方法
Rojas-Perez et al. Real-time landing zone detection for UAVs using single aerial images
CN115310792A (zh) 多目标无人蜂群的任务协同方法、装置及设备
Jausevac et al. Smart UAV monitoring system for parking supervision
CN116382322A (zh) 一种基于蜂群无人机协同区域搜寻装置和方法
Costa et al. The covering-assignment problem for swarm-powered ad hoc clouds: A distributed 3-d mapping usecase
CN114550107B (zh) 基于无人机集群的桥梁联动智能巡检方法、系统及云平台
Hassan et al. Applications of Machine Learning in UAV Networks
Kumar et al. Geo-fencing technique in unmanned aerial vehicles for post disaster management in the Internet of Things
CN113593256B (zh) 基于城市管理的无人机智能驱离控制方法、系统及云平台
CN115562335A (zh) 基于3d地图的无人驾驶航空器飞行控制方法、系统和介质
Odonkor et al. A distributed intelligence approach to using collaborating unmanned aerial vehicles for oil spill mapping

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