CN115497012B - 一种无人集群系统目标融合拣选方法及装置 - Google Patents

一种无人集群系统目标融合拣选方法及装置 Download PDF

Info

Publication number
CN115497012B
CN115497012B CN202211330461.6A CN202211330461A CN115497012B CN 115497012 B CN115497012 B CN 115497012B CN 202211330461 A CN202211330461 A CN 202211330461A CN 115497012 B CN115497012 B CN 115497012B
Authority
CN
China
Prior art keywords
target
information
target sequence
unmanned
observable
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
CN202211330461.6A
Other languages
English (en)
Other versions
CN115497012A (zh
Inventor
沈宇婷
杜楚
陈路路
张学军
李宝莲
孟新
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.)
CETC 54 Research Institute
National Space Science Center of CAS
Original Assignee
CETC 54 Research Institute
National Space Science Center of CAS
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 CETC 54 Research Institute, National Space Science Center of CAS filed Critical CETC 54 Research Institute
Priority to CN202211330461.6A priority Critical patent/CN115497012B/zh
Publication of CN115497012A publication Critical patent/CN115497012A/zh
Application granted granted Critical
Publication of CN115497012B publication Critical patent/CN115497012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及无人系统集群目标搜索与监视领域，具体涉及一种无人集群系统目标融合拣选方法及装置。包括：观测环境内第一目标信息；接收邻居无人平台节点的第二目标序列信息；对第二目标序列信息进行直接邻域及级联邻域计算及剪裁，筛选出待融合的第二目标序列信息；对第一目标序列信息和待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列；对可观测目标序列进行基于信息交互评价的收益‑代价评估，拣选观测目标，基于拣选的观测目标对无人平台的节进行状态与行为控制。本发明在增强了无人集群系统鲁棒性的同时，提升了其方法面向弱联通条件的效率，实现面向决策级传播效应的个体级、自主协同式信息交互控制。

Description

一种无人集群系统目标融合拣选方法及装置
技术领域
本发明涉及无人系统集群目标搜索与监视领域，尤其涉及一种无人集群系统目标融合拣选方法及装置。
背景技术
无人集群系统在勘察搜救、协同作业、环境侦察等诸多领域，已成为补充或替代有人系统的重要手段。尽管无人机的应用在集群表演、物流装配等领域已初具成效，但在实际应用中还存在着大量亟待解决的实际问题，如小型化带来的载荷能力限制与日益增长的集群化自主作业能力需求。
因此，无人集群系统在实际作业过程中，及其自主协同关系稳定运行的过程中，应重点考虑信息交互行为中存在哪些具体问题。通过场景问题剖析，找到全局性信息掌握困难、通信连接带宽低且不甚稳定、通信连接存在中断可能等现实问题，并抽象成为面向弱连接条件的局部交互场景，构建回流甄别、采信融合与目标决策的具体方法，细化信息交互与节点状态控制的通用化策略，优化无人平台模型设计，支撑无人平台作业能力的保持。
发明内容
本发明公开了一种无人集群系统目标融合拣选方法及装置，其提供给无人平台相对独立的决策机制，降低任务目标多轮次分配过程的通信资源消耗，进而提高集群中单个个体平台的目标信息自我解算决策的效率，同时提升了拓扑连接不稳定时无人系统集群协同行为涌现的鲁棒性，将博弈的环境反馈和策略调整从无人平台个体决策上升至宏观控制和调控效应上，使得系统处在个体与个体行为的快速优化和制约循环里。
为实现所述发明目的，本发明采用的技术方案为：
一种无人集群系统目标融合拣选方法，其中，无人集群系统包括多个无人平台节点，具体包括以下过程：
无人平台节点
Figure 282191DEST_PATH_IMAGE001
通过平台感知设备观测环境内第一目标信息，并向信息融合模 块发送观测到的第一目标信息；
通过平台通信设备接收1跳邻域及2跳邻域无人平台节点集合发送的第二目标序列信息，并将汇集的第二目标序列信息发送给邻域剪裁模块；
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；
通过信息融合模块对平台感知设备发送的第一目标信息和邻域剪裁模块发送的待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，将可观测目标序列发送给评估决策模块；
通过评估决策模块对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台进行状态与行为的控制。
进一步的，所述1跳邻域为时刻t某一无人平台节点
Figure 421048DEST_PATH_IMAGE001
有直接通信连接的无人平 台节点的无人节点平台集合
Figure 4476DEST_PATH_IMAGE002
；2跳邻域为与无人平台节点平台集合中的每一无人 平台节点有通信连接的无人平台节点集合
Figure 191875DEST_PATH_IMAGE003
。
进一步的，裁剪的过程为：剪裁
Figure 177149DEST_PATH_IMAGE002
中有回流的无人平台节点得到集合
Figure 486907DEST_PATH_IMAGE004
，集合
Figure 744582DEST_PATH_IMAGE004
中的元素记为
Figure 797989DEST_PATH_IMAGE005
；剪裁集合
Figure 637769DEST_PATH_IMAGE003
中有回流的无人平台节点得到集 合
Figure 56112DEST_PATH_IMAGE006
，集合
Figure 348553DEST_PATH_IMAGE006
中的元素记为
Figure 205650DEST_PATH_IMAGE007
。
进一步的，对平台感知设备发送的第一目标信息和邻域剪裁模块发送的待融合的目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，具体包括以下过程：
4.1计算无人平台节点
Figure 86888DEST_PATH_IMAGE001
与集合
Figure 738449DEST_PATH_IMAGE004
内节点
Figure 783765DEST_PATH_IMAGE005
的综合信息聚集能力评估值
Figure 116657DEST_PATH_IMAGE008
：
Figure 665451DEST_PATH_IMAGE009
式中，
Figure 753492DEST_PATH_IMAGE010
，
Figure 207476DEST_PATH_IMAGE011
表示节点
Figure 140797DEST_PATH_IMAGE005
的度；
Figure 809676DEST_PATH_IMAGE012
式中，
Figure 6302DEST_PATH_IMAGE013
用于调节扩展邻域度中心性评估对级联评估的影响；
Figure 495052DEST_PATH_IMAGE014
为集合
Figure 497643DEST_PATH_IMAGE006
中的 节点
Figure 210909DEST_PATH_IMAGE007
的度；
4.2计算无人平台节点
Figure 375174DEST_PATH_IMAGE001
与集合
Figure 616799DEST_PATH_IMAGE004
内节点
Figure 95185DEST_PATH_IMAGE005
基于拓扑与交互行为的密切度评 估
Figure 473077DEST_PATH_IMAGE015
：
Figure 73823DEST_PATH_IMAGE016
式中，
Figure 537165DEST_PATH_IMAGE017
为
Figure 68509DEST_PATH_IMAGE001
与
Figure 566487DEST_PATH_IMAGE005
之间的拓扑关系密切度，
Figure 72554DEST_PATH_IMAGE018
为
Figure 226455DEST_PATH_IMAGE001
与
Figure 108961DEST_PATH_IMAGE005
之间的交互频次 密切度，
Figure 461445DEST_PATH_IMAGE019
与
Figure 325364DEST_PATH_IMAGE020
为调节系数；
Figure 763299DEST_PATH_IMAGE021
式中，
Figure 449495DEST_PATH_IMAGE022
为
Figure 656485DEST_PATH_IMAGE001
与
Figure 707618DEST_PATH_IMAGE005
之间在当前时刻t前的信息交互总次数，
Figure 632849DEST_PATH_IMAGE023
为第
Figure 857157DEST_PATH_IMAGE024
次信息交互 时的时间；
Figure 371184DEST_PATH_IMAGE025
为第
Figure 655534DEST_PATH_IMAGE024
-1次信息交互时的时间；
4.3计算无人平台节点
Figure 802482DEST_PATH_IMAGE001
与集合
Figure 768164DEST_PATH_IMAGE004
内节点
Figure 949747DEST_PATH_IMAGE005
的级联拓扑关联度评估
Figure 404999DEST_PATH_IMAGE026
：
Figure 494702DEST_PATH_IMAGE027
式中，
Figure 60812DEST_PATH_IMAGE028
和
Figure 96902DEST_PATH_IMAGE029
为调节系数；
4.4对待融合的第二目标序列信息进行融合，生成待拣选可观测目标序列：
Figure 660738DEST_PATH_IMAGE030
式中，
Figure 782278DEST_PATH_IMAGE031
表示邻居节点
Figure 152079DEST_PATH_IMAGE005
传递的目标序列信息；
4.5根据
Figure 495205DEST_PATH_IMAGE032
结果进行第一目标信息遍历修订，若第一目标序列和第二目标序列 融合结果
Figure 292260DEST_PATH_IMAGE032
存在相同目标，且目标在两个序列中信息差处于预设的误差阈值范围内，则 以第一目标序列观测值更新修订该目标的
Figure 901095DEST_PATH_IMAGE032
目标序列信息融合结果，否则不进行修订 操作；
4.6根据遍历修订后的
Figure 809009DEST_PATH_IMAGE032
的排序得到
Figure 757373DEST_PATH_IMAGE033
个目标的可观测目标序列，即为待拣选 的可观测目标序列
Figure 725329DEST_PATH_IMAGE034
。
进一步的，对可观测目标序列进行基于信息交互评价的收益-代价评估，具体包括以下过程：
根据下式计算可观测目标序列中各目标距无人平台节点
Figure 821461DEST_PATH_IMAGE001
的距离代价：
Figure 720016DEST_PATH_IMAGE035
式中，
Figure 850783DEST_PATH_IMAGE036
为可观测目标序列
Figure 927323DEST_PATH_IMAGE037
中任一目标在t时刻距离节点
Figure 245172DEST_PATH_IMAGE038
的距离，
Figure 760467DEST_PATH_IMAGE039
为 可观测目标序列
Figure 932691DEST_PATH_IMAGE037
中所有目标在时刻t距离节点
Figure 242450DEST_PATH_IMAGE038
的距离之和；
根据下式计算级联邻域内当前时刻t获取的信息，可观测目标序列中各目标在1跳和2跳邻域的交互传播密度：
Figure 47595DEST_PATH_IMAGE040
式中，
Figure 38685DEST_PATH_IMAGE041
为计数函数，
Figure 878465DEST_PATH_IMAGE042
为1跳邻域传播信息中目标
Figure 359125DEST_PATH_IMAGE043
出现的计 数次数，
Figure 107025DEST_PATH_IMAGE044
为2跳邻域传播信息中目标
Figure 698544DEST_PATH_IMAGE043
出现的计数次数，
Figure 658409DEST_PATH_IMAGE045
为1跳邻域传播信息中各目标出现的总计数次数，
Figure 247654DEST_PATH_IMAGE046
为2 跳邻域传播信息中各目标出现的总计数次数，
Figure 27391DEST_PATH_IMAGE047
和
Figure 609551DEST_PATH_IMAGE048
分别为1跳邻域与2跳邻域的权 重；
根据下式计算可观测目标序列中各目标在时刻t信息持久度
Figure 423923DEST_PATH_IMAGE049
：
Figure 246385DEST_PATH_IMAGE050
式中，
Figure 513419DEST_PATH_IMAGE051
为求和函数，
Figure 650002DEST_PATH_IMAGE052
表示基于历史交互记录的目标
Figure 318881DEST_PATH_IMAGE043
的目标信息存续 度，即从首次出现时间
Figure 312245DEST_PATH_IMAGE053
到当前时刻t的总时长，
Figure 253525DEST_PATH_IMAGE054
为基于历史交互记录的目标
Figure 256116DEST_PATH_IMAGE043
的 目标信息新鲜度，即从上次出现时间
Figure 779501DEST_PATH_IMAGE055
到当前时刻
Figure 881449DEST_PATH_IMAGE056
的时长，
Figure 123075DEST_PATH_IMAGE057
为可观测目标序 列中所有目标存续度之和，
Figure 663777DEST_PATH_IMAGE058
为可观测目标序列中所有目标新鲜度之和，
Figure 228620DEST_PATH_IMAGE059
为目标 信息存续度调节系数，
Figure 829365DEST_PATH_IMAGE060
为目标信息新鲜度调节系数；
根据下式计算任务匹配收益度：
Figure 292708DEST_PATH_IMAGE061
式中，
Figure 574785DEST_PATH_IMAGE051
为求和函数，
Figure 807183DEST_PATH_IMAGE062
为目标序列中目标
Figure 578830DEST_PATH_IMAGE043
的目标优先级值；
Figure 529468DEST_PATH_IMAGE063
为目 标序列中目标
Figure 590135DEST_PATH_IMAGE043
的目标偏好值；
Figure 942619DEST_PATH_IMAGE064
为可观测目标序列中所有目标优先级值之和，
Figure 885167DEST_PATH_IMAGE065
为可观测目标序列中所有目标偏好值之和，
Figure 260785DEST_PATH_IMAGE066
为目标信息优先级调节系数，
Figure 946981DEST_PATH_IMAGE067
为目标信息偏好调节系数；
根据下式计算目标更替抑制因子：
Figure 153972DEST_PATH_IMAGE068
式中，
Figure 454372DEST_PATH_IMAGE043
表示可观测目标序列中的一个目标，
Figure 379602DEST_PATH_IMAGE069
为按设定策略设计的抑制 因子的策略函数，当目标已为关注目标，即
Figure 603910DEST_PATH_IMAGE070
为1时，则抑制因子失效；
根据下式计算收益-代价评估值：
Figure 868670DEST_PATH_IMAGE071
式中
Figure 887441DEST_PATH_IMAGE072
、
Figure 299968DEST_PATH_IMAGE073
、
Figure 514918DEST_PATH_IMAGE074
和
Figure 696500DEST_PATH_IMAGE075
均为可调权重值；
节点
Figure 151752DEST_PATH_IMAGE001
对s个待拣选目标序列生成相应的收益-代价评估结果序列：
Figure 723679DEST_PATH_IMAGE076
，则拣选结果为
Figure 289790DEST_PATH_IMAGE077
，即收益-代价 评估后最优目标。
一种无人集群系统目标融合拣选装置，其中，无人集群系统包括多个无人平台节点，每个无人平台节点包括：
平台感知设备，用于观测环境内第一目标信息，并将观测到的第一目标序列信息发送给信息融合模块；
平台通信设备，用于接收邻居无人平台节点发送的第二目标序列信息，并将汇集的第二目标序列信息发送给邻域剪裁模块；
邻域剪裁模块，用于对第二目标序列信息进行直接邻域及级联邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；
信息融合模块，用于对平台感知设备发送的第一目标序列信息和邻域剪裁模块发送的待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，并将可观测目标序列发送给评估决策模块；
评估决策模块，用于对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台的节进行状态与行为的控制。
与现有技术相比，本发明可以提供目标信息感知与交互控制方法，根据所述对平台通信设备接收汇集的目标信息，并基于拣选完成后的目标观测决策，确定所述无人平台的状态与行为控制策略。并且，本发明提供继而基于汇集信息的生成待拣选可观测目标序列，通过基于剪裁级联邻域计算和目标信息级联拓扑关联度评估的所有目标信息，明确所述无人平台所处无人系统集群的待拣选可观测目标序列。同时，本发明提供基于收益-代价评估的目标拣选方法，将目标拣选择优过程等价于目标对无人平台观测资源的竞争过程，基于信息交互内容及其行为特征，明确相应的收益-代价评估基本指标，针对待拣选目标序列，计算生成拣选结果。本发明所述方法设计了结构特性和信息交互特性相融合的信息表征与度量方法，相较于传统方法，本发明在增强了无人集群系统鲁棒性的同时，提升了其方法面向弱联通条件的效率，实现面向决策级传播效应的个体级、自主协同式信息交互控制。
附图说明
图1为本发明实施例提供的无人平台系统的结构示意图；
图2为本发明实施例提供的目标融合拣选方法流程图；
图3为本发明实施例提供的级联邻域回流剪裁示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本发明实施例提供的无人集群系统目标融合拣选装置的结构示意图，如图1所示，无人集群系统包括多个无人平台节点，每个无人平台节点包括：平台感知设备，其被配置为观测的环境内第一目标信息，并向信息融合模块发送观测到的第一目标序列信息；平台通信设备，其被配置为接收邻居无人平台节点发送的第二目标序列信息，并将汇集的第二目标序列信息发送给邻域剪裁模块处理；邻域剪裁模块，其被配置为对第二目标序列信息进行直接邻域及级联邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；信息融合模块，其被配置为对平台感知设备发送的第一目标序列信息和邻域剪裁模块发送来的待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，而后将可观测目标序列发送给评估决策模块，以及评估决策模块，其被配置为对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台的节进行状态与行为的控制。
图2为本发明实施例提供的无人集群系统目标融合拣选方法，其中，无人集群系统包括多个无人平台节点，所述方法包括：
无人平台节点
Figure 591458DEST_PATH_IMAGE001
通过平台感知设备观测环境内第一目标信息，并向信息融合模 块发送观测到的第一目标信息；
通过平台通信设备接收1跳邻域及2跳邻域无人平台节点集合发送的第二目标序列信息，并将汇集的第二目标序列信息发送给邻域剪裁模块；
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；
通过信息融合模块对平台感知设备发送的第一目标信息和邻域剪裁模块发送的待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，将可观测目标序列发送给评估决策模块；
通过评估决策模块对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台进行状态与行为的控制。
本发明中，所述1跳邻域为时刻t某一无人平台节点
Figure 217611DEST_PATH_IMAGE001
有直接通信连接的无人平 台节点的无人节点平台集合
Figure 526102DEST_PATH_IMAGE002
；2跳邻域为与无人平台节点平台集合中的每一无人 平台节点有通信连接的无人平台节点集合
Figure 895903DEST_PATH_IMAGE003
。
本发明中，如图3所示，剪裁
Figure 52078DEST_PATH_IMAGE002
中有回流的无人平台节点得到集合
Figure 786816DEST_PATH_IMAGE004
， 集合
Figure 395652DEST_PATH_IMAGE004
中的元素记为
Figure 303565DEST_PATH_IMAGE005
；剪裁集合
Figure 504127DEST_PATH_IMAGE003
中有回流的无人平台节点得到集合
Figure 472083DEST_PATH_IMAGE006
，集合
Figure 568215DEST_PATH_IMAGE006
中的元素记为
Figure 217502DEST_PATH_IMAGE007
。
本发明中，对平台感知设备发送的第一目标序列信息和邻域剪裁模块发送来的待融合的目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列具体包括：
4.1计算无人平台节点
Figure 82690DEST_PATH_IMAGE001
与集合
Figure 221547DEST_PATH_IMAGE004
内节点
Figure 804975DEST_PATH_IMAGE005
的综合信息聚集能力评估值
Figure 507221DEST_PATH_IMAGE008
：
Figure 226915DEST_PATH_IMAGE009
式中，
Figure 536674DEST_PATH_IMAGE010
，
Figure 545081DEST_PATH_IMAGE078
表示节点
Figure 598488DEST_PATH_IMAGE005
的度；
Figure 438268DEST_PATH_IMAGE012
式中，
Figure 105878DEST_PATH_IMAGE013
用于调节扩展邻域度中心性评估对级联评估的影响；
Figure 663899DEST_PATH_IMAGE014
为集合
Figure 255417DEST_PATH_IMAGE006
中的 节点
Figure 887387DEST_PATH_IMAGE007
的度；
本发明中，若直接邻域中的1跳邻域内的节点的未被剪裁，则综合信息聚集能力评估值的级联计算是1跳邻域节点与其相应2跳邻域的各节点信息聚集能力评估值，将1跳邻域与其2跳邻域的信息聚集能力评估值相乘，如1跳邻居节点的2跳邻域不存在，则仅计算1跳邻域的度中心性评估值。若1跳邻域中的邻居节点被剪裁，即该节点信息回流风险度高，则以2跳邻域内被剪裁节点的信息聚集能力评估值作为其相连 1跳邻域内节点的信息聚集能力评估值，且对其相连的1跳邻居节点做信息融合处理。
4.2计算无人平台节点
Figure 804527DEST_PATH_IMAGE001
与集合
Figure 771215DEST_PATH_IMAGE004
内节点
Figure 166424DEST_PATH_IMAGE005
基于拓扑与交互行为的密切度评 估
Figure 980796DEST_PATH_IMAGE015
：
Figure 740942DEST_PATH_IMAGE016
式中，
Figure 7975DEST_PATH_IMAGE017
为
Figure 206875DEST_PATH_IMAGE001
与
Figure 65634DEST_PATH_IMAGE005
之间的拓扑关系密切度，
Figure 58998DEST_PATH_IMAGE018
为
Figure 813328DEST_PATH_IMAGE001
与
Figure 488023DEST_PATH_IMAGE005
之间的交互频次 密切度，
Figure 11408DEST_PATH_IMAGE019
与
Figure 441252DEST_PATH_IMAGE020
为调节系数；
Figure 807511DEST_PATH_IMAGE021
式中，
Figure 82635DEST_PATH_IMAGE022
为
Figure 726106DEST_PATH_IMAGE001
与
Figure 248223DEST_PATH_IMAGE005
之间在当前时刻t前的信息交互总次数，
Figure 977145DEST_PATH_IMAGE023
为第
Figure 55959DEST_PATH_IMAGE024
次信息交互 时的时间；
Figure 553936DEST_PATH_IMAGE025
为第
Figure 263266DEST_PATH_IMAGE024
-1次信息交互时的时间；
本发明中仅计算了节点
Figure 213905DEST_PATH_IMAGE079
与其1跳邻域内各节点之间基于拓扑关系和单位时间内 交互频次等方面的亲密度。
4.3计算无人平台节点
Figure 96410DEST_PATH_IMAGE001
与集合
Figure 635845DEST_PATH_IMAGE004
内节点
Figure 578393DEST_PATH_IMAGE005
的级联拓扑关联度评估
Figure 16328DEST_PATH_IMAGE026
：
Figure 374628DEST_PATH_IMAGE027
式中，
Figure 847197DEST_PATH_IMAGE028
和
Figure 960647DEST_PATH_IMAGE029
为调节系数；
4.4对待融合的第二目标序列信息进行融合，生成待拣选可观测目标序列：
Figure 75758DEST_PATH_IMAGE030
式中，
Figure 300066DEST_PATH_IMAGE031
表示邻居节点
Figure 361563DEST_PATH_IMAGE005
传递的目标序列信息；
4.5根据
Figure 583597DEST_PATH_IMAGE032
结果进行第一目标信息遍历修订，若第一目标序列和第二目标序列 融合结果
Figure 996124DEST_PATH_IMAGE032
存在相同目标，且目标在两个序列中信息差处于预设的误差阈值范围内，则 以第一目标序列观测值更新修订该目标的
Figure 24122DEST_PATH_IMAGE032
目标序列信息融合结果，否则不进行修订 操作；
4.6根据遍历修订后的
Figure 205705DEST_PATH_IMAGE032
的排序得到
Figure 582329DEST_PATH_IMAGE033
个目标的可观测目标序列，即为待拣选 的可观测目标序列
Figure 482152DEST_PATH_IMAGE034
。
本发明中对可观测目标序列进行基于信息交互评价的收益-代价评估，具体包括以下过程：
根据下式计算可观测目标序列中各目标距无人平台节点
Figure 48262DEST_PATH_IMAGE001
的距离代价：
Figure 287614DEST_PATH_IMAGE035
式中，
Figure 648188DEST_PATH_IMAGE036
为可观测目标序列
Figure 35307DEST_PATH_IMAGE037
中任一目标在t时刻距离节点
Figure 592059DEST_PATH_IMAGE038
的距离，
Figure 482655DEST_PATH_IMAGE039
为 可观测目标序列
Figure 279709DEST_PATH_IMAGE037
中所有目标在时刻t距离节点
Figure 826228DEST_PATH_IMAGE038
的距离之和；
根据下式计算级联邻域内当前时刻t获取的信息，可观测目标序列中各目标在1跳和2跳邻域的交互传播密度：
Figure 999721DEST_PATH_IMAGE080
式中，
Figure 10402DEST_PATH_IMAGE041
为计数函数，
Figure 165309DEST_PATH_IMAGE042
为1跳邻域传播信息中目标
Figure 261441DEST_PATH_IMAGE043
出现的计 数次数，
Figure 973045DEST_PATH_IMAGE044
为2跳邻域传播信息中目标
Figure 775916DEST_PATH_IMAGE043
出现的计数次数，
Figure 914773DEST_PATH_IMAGE045
为1跳邻域传播信息中各目标出现的总计数次数，
Figure 498201DEST_PATH_IMAGE046
为2 跳邻域传播信息中各目标出现的总计数次数，
Figure 747917DEST_PATH_IMAGE047
和
Figure 934789DEST_PATH_IMAGE048
分别为1跳邻域与2跳邻域的权 重；
根据下式计算可观测目标序列中各目标在时刻t信息持久度
Figure 244548DEST_PATH_IMAGE049
：
Figure 315272DEST_PATH_IMAGE081
式中，
Figure 306362DEST_PATH_IMAGE051
为求和函数，
Figure 146142DEST_PATH_IMAGE052
表示基于历史交互记录的目标
Figure 626802DEST_PATH_IMAGE043
的目标信息存续 度，即从首次出现时间
Figure 106194DEST_PATH_IMAGE053
到当前时刻t的总时长，
Figure 963291DEST_PATH_IMAGE054
为基于历史交互记录的目标
Figure 657578DEST_PATH_IMAGE043
的 目标信息新鲜度，即从上次出现时间
Figure 246822DEST_PATH_IMAGE055
到当前时刻
Figure 292138DEST_PATH_IMAGE056
的时长，
Figure 687348DEST_PATH_IMAGE057
为可观测目标序 列中所有目标存续度之和，
Figure 236141DEST_PATH_IMAGE058
为可观测目标序列中所有目标新鲜度之和，
Figure 511133DEST_PATH_IMAGE059
为目标 信息存续度调节系数，
Figure 778166DEST_PATH_IMAGE060
为目标信息新鲜度调节系数；
根据下式计算任务匹配收益度：
Figure 977067DEST_PATH_IMAGE082
式中，
Figure 318049DEST_PATH_IMAGE051
为求和函数，
Figure 576992DEST_PATH_IMAGE062
为目标序列中目标
Figure 331322DEST_PATH_IMAGE043
的目标优先级值；
Figure 255284DEST_PATH_IMAGE063
为目 标序列中目标
Figure 778669DEST_PATH_IMAGE043
的目标偏好值；
Figure 208514DEST_PATH_IMAGE064
为可观测目标序列中所有目标优先级值之和，
Figure 122243DEST_PATH_IMAGE065
为可观测目标序列中所有目标偏好值之和，
Figure 662946DEST_PATH_IMAGE066
为目标信息优先级调节系数，
Figure 306417DEST_PATH_IMAGE067
为目标信息偏好调节系数；
根据下式计算目标更替抑制因子：
Figure 831463DEST_PATH_IMAGE068
式中，
Figure 560385DEST_PATH_IMAGE043
表示可观测目标序列中的一个目标，
Figure 639199DEST_PATH_IMAGE069
为按设定策略设计的抑制 因子的策略函数，当目标已为关注目标，即
Figure 74860DEST_PATH_IMAGE070
为1时，则抑制因子失效；
根据下式计算收益-代价评估值：
Figure 580928DEST_PATH_IMAGE071
式中
Figure 797145DEST_PATH_IMAGE072
、
Figure 679651DEST_PATH_IMAGE073
、
Figure 219085DEST_PATH_IMAGE074
和
Figure 161634DEST_PATH_IMAGE075
均为可调权重值；
节点
Figure 599568DEST_PATH_IMAGE001
对s个待拣选目标序列生成相应的收益-代价评估结果序列：
Figure 957868DEST_PATH_IMAGE076
，则拣选结果为
Figure 430438DEST_PATH_IMAGE077
，即收益-代价 评估后最优目标。
在收益-代价评估的过程中，不采用多个无人平台节点进行中心式分配或分布式收益均衡等方式进行目标拣选，并简化考虑目标所需的感知资源的种类与数量匹配过程。在收益-代价评估方面主要考虑同样在信息交互的视角上，如何仅通过无人平台自身掌握信息内容、信息交互特征等做出自评估，从而在潜在目标中拣选关注目标。这样做的优势在于，一方面提高了信息的自我解算决策的效率，一方面降低了任务目标的多轮次分配过程可能带来的通信资源消耗，同时还能够提供给无人平台相对独立的决策机制。从而将博弈的环境反馈和策略调整从无人平台个体决策上升至宏观的控制和调控效应上，使得系统处在个体与个体行为的快速优化和制约循环里。
基于上述考虑，收益-代价评估中策略函数的调用仅在受到多个适宜的可观测目标时才会调用。即若无可匹配观测的目标，收益-代价评估方法不会被无人平台调用。同时，考虑信息传播的不均匀，为每个已有关注目标的无人平台设立一个定长时间窗口，用于关注决策后，信息滞后导致的频繁目标切换。
示例性的，无人平台节点
Figure 278308DEST_PATH_IMAGE001
根据
Figure 390490DEST_PATH_IMAGE056
时刻收到的1跳和2跳邻域内所有目标信息，按目 标标识进行信息中心性评估后，融合生成对
Figure 614798DEST_PATH_IMAGE056
时刻所有集群传入的目标信息的感知值，依据 目标关注列表，去除冗余感知目标后，根据收益-代价联合评估函数进行所有感知目标的目 标观测收益估计，进行收益优先排序。完成解算后，根据当前自身认知状态进行相应控制 流，通知平台通信设备和平台观测设备。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (5)

1.一种无人集群系统目标融合拣选方法，其中，无人集群系统包括多个无人平台节点，其特征在于，具体包括以下过程：
无人平台节点
Figure 148207DEST_PATH_IMAGE001
通过平台感知设备观测环境内第一目标信息，并向信息融合模块发送 观测到的第一目标信息；
通过平台通信设备接收1跳邻域及2跳邻域无人平台节点集合发送的第二目标序列信 息，并将汇集的第二目标序列信息发送给邻域剪裁模块；所述1跳邻域为时刻t某一无人平 台节点
Figure 149661DEST_PATH_IMAGE001
有直接通信连接的无人平台节点的无人节点平台集合
Figure 879719DEST_PATH_IMAGE002
；2跳邻域为与 无人平台节点平台集合中的每一无人平台节点有通信连接的无人平台节点集合
Figure 283019DEST_PATH_IMAGE003
；
通过邻域剪裁模块对第二目标序列信息进行1跳邻域及2跳邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；
通过信息融合模块对平台感知设备发送的第一目标信息和邻域剪裁模块发送的待融合的第二目标序列信息进行各目标信息级联拓扑关联度计算，生成待拣选的可观测目标序列，将可观测目标序列发送给评估决策模块；
通过评估决策模块对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台进行状态与行为的控制。
2.根据权利要求1所述的一种无人集群系统目标融合拣选方法，其特征在于，裁剪的过 程为：剪裁
Figure 843094DEST_PATH_IMAGE002
中有回流的无人平台节点得到集合
Figure 863003DEST_PATH_IMAGE004
，集合
Figure 600014DEST_PATH_IMAGE004
中的元素记为
Figure 920137DEST_PATH_IMAGE005
；剪裁集合
Figure 818823DEST_PATH_IMAGE003
中有回流的无人平台节点得到集合
Figure 857186DEST_PATH_IMAGE006
，集合
Figure 132310DEST_PATH_IMAGE006
中的元素记 为
Figure 306939DEST_PATH_IMAGE007
。
3.根据权利要求2所述的一种无人集群系统目标融合拣选方法，其特征在于，对平台感知设备发送的第一目标信息和邻域剪裁模块发送的待融合的目标序列信息进行各目标信息级联拓扑关联度计算，生成待拣选的可观测目标序列，具体包括以下过程：
4.1计算无人平台节点
Figure 642106DEST_PATH_IMAGE001
与集合
Figure 636607DEST_PATH_IMAGE004
内节点
Figure 777738DEST_PATH_IMAGE005
的综合信息聚集能力评估值
Figure 10136DEST_PATH_IMAGE008
：
Figure 312941DEST_PATH_IMAGE009
式中，
Figure 263580DEST_PATH_IMAGE010
，
Figure 444288DEST_PATH_IMAGE011
表示节点
Figure 327930DEST_PATH_IMAGE005
的度；
Figure 739320DEST_PATH_IMAGE012
式中，
Figure 973992DEST_PATH_IMAGE013
用于调节扩展邻域度中心性评估对级联评估的影响；
Figure 394609DEST_PATH_IMAGE014
为集合
Figure 398337DEST_PATH_IMAGE006
中的节点
Figure 246208DEST_PATH_IMAGE007
的度；
4.2计算无人平台节点
Figure 702597DEST_PATH_IMAGE001
与集合
Figure 723642DEST_PATH_IMAGE004
内节点
Figure 785139DEST_PATH_IMAGE005
基于拓扑与交互行为的密切度评估
Figure 866228DEST_PATH_IMAGE015
：
Figure 747596DEST_PATH_IMAGE016
式中，
Figure 572333DEST_PATH_IMAGE017
为
Figure 488336DEST_PATH_IMAGE001
与
Figure 973282DEST_PATH_IMAGE005
之间的拓扑关系密切度，
Figure 669842DEST_PATH_IMAGE018
为
Figure 970374DEST_PATH_IMAGE001
与
Figure 803200DEST_PATH_IMAGE005
之间的交互频次密切 度，
Figure 163775DEST_PATH_IMAGE019
与
Figure 82052DEST_PATH_IMAGE020
为调节系数；
Figure 186274DEST_PATH_IMAGE021
式中，
Figure 873608DEST_PATH_IMAGE022
为
Figure 467400DEST_PATH_IMAGE001
与
Figure 810657DEST_PATH_IMAGE005
之间在当前时刻t前的信息交互总次数，
Figure 515307DEST_PATH_IMAGE023
为第
Figure 260410DEST_PATH_IMAGE024
次信息交互时的时 间；
Figure 25103DEST_PATH_IMAGE025
为第
Figure 153858DEST_PATH_IMAGE024
-1次信息交互时的时间；
4.3计算无人平台节点
Figure 599883DEST_PATH_IMAGE001
与集合
Figure 527388DEST_PATH_IMAGE004
内节点
Figure 400666DEST_PATH_IMAGE005
的级联拓扑关联度评估
Figure 515253DEST_PATH_IMAGE026
：
Figure 764968DEST_PATH_IMAGE027
式中，
Figure 281400DEST_PATH_IMAGE028
和
Figure 387897DEST_PATH_IMAGE029
为调节系数；
4.4对待融合的第二目标序列信息进行融合，生成待拣选可观测目标序列：
Figure 927462DEST_PATH_IMAGE030
式中，
Figure 777607DEST_PATH_IMAGE031
表示邻居节点
Figure 351808DEST_PATH_IMAGE005
传递的目标序列信息；
4.5根据
Figure 629205DEST_PATH_IMAGE032
结果进行第一目标信息遍历修订，若第一目标序列和第二目标序列融合 结果
Figure 718384DEST_PATH_IMAGE032
存在相同目标，且目标在两个序列中信息差处于预设的误差阈值范围内，则以第 一目标序列观测值更新修订该目标的
Figure 44323DEST_PATH_IMAGE032
目标序列信息融合结果，否则不进行修订操作；
4.6根据遍历修订后的
Figure 293602DEST_PATH_IMAGE032
的排序得到
Figure 679584DEST_PATH_IMAGE033
个目标的可观测目标序列，即为待拣选的可观 测目标序列
Figure 256059DEST_PATH_IMAGE034
。
4.根据权利要求3所述的一种无人集群系统目标融合拣选方法，其特征在于，对可观测目标序列进行基于信息交互评价的收益-代价评估，具体包括以下过程：
根据下式计算可观测目标序列中各目标距无人平台节点
Figure 182427DEST_PATH_IMAGE001
的距离代价：
Figure 731220DEST_PATH_IMAGE035
式中，
Figure 350420DEST_PATH_IMAGE036
为可观测目标序列
Figure 351874DEST_PATH_IMAGE037
中任一目标在t时刻距离节点
Figure 347512DEST_PATH_IMAGE038
的距离，
Figure 750811DEST_PATH_IMAGE039
为可观测目标序列
Figure 540913DEST_PATH_IMAGE037
中所有目标在时刻t距离节点
Figure 826401DEST_PATH_IMAGE038
的距离之和；
根据下式计算级联邻域内当前时刻t获取的信息，可观测目标序列中各目标在1跳和2跳邻域的交互传播密度：
Figure 563412DEST_PATH_IMAGE040
式中，
Figure 883535DEST_PATH_IMAGE041
为计数函数，
Figure 782221DEST_PATH_IMAGE042
为1跳邻域传播信息中目标
Figure 322049DEST_PATH_IMAGE043
出现的计数次 数，
Figure 597173DEST_PATH_IMAGE044
为2跳邻域传播信息中目标
Figure 506223DEST_PATH_IMAGE043
出现的计数次数，
Figure 903706DEST_PATH_IMAGE045
为1 跳邻域传播信息中各目标出现的总计数次数，
Figure 101469DEST_PATH_IMAGE046
为2跳邻域传播信息中各 目标出现的总计数次数，
Figure 242601DEST_PATH_IMAGE047
和
Figure 209420DEST_PATH_IMAGE048
分别为1跳邻域与2跳邻域的权重；
根据下式计算可观测目标序列中各目标在时刻t信息持久度
Figure 777804DEST_PATH_IMAGE049
：
Figure 259601DEST_PATH_IMAGE050
式中，
Figure 876527DEST_PATH_IMAGE051
为求和函数，
Figure 25749DEST_PATH_IMAGE052
表示基于历史交互记录的目标
Figure 702718DEST_PATH_IMAGE043
的目标信息存续度，即从 首次出现时间
Figure 937390DEST_PATH_IMAGE053
到当前时刻t的总时长，
Figure 358007DEST_PATH_IMAGE054
为基于历史交互记录的目标
Figure 594691DEST_PATH_IMAGE043
的目标信息 新鲜度，即从上次出现时间
Figure 504878DEST_PATH_IMAGE055
到当前时刻
Figure 164530DEST_PATH_IMAGE056
的时长，
Figure 185575DEST_PATH_IMAGE057
为可观测目标序列中所有目标 存续度之和，
Figure 247072DEST_PATH_IMAGE058
为可观测目标序列中所有目标新鲜度之和，
Figure 62582DEST_PATH_IMAGE059
为目标信息存续度调节 系数，
Figure 6267DEST_PATH_IMAGE060
为目标信息新鲜度调节系数；
根据下式计算任务匹配收益度：
Figure 768687DEST_PATH_IMAGE061
式中，
Figure 747007DEST_PATH_IMAGE051
为求和函数，
Figure 733417DEST_PATH_IMAGE062
为目标序列中目标
Figure 102082DEST_PATH_IMAGE043
的目标优先级值；
Figure 464930DEST_PATH_IMAGE063
为目标序列 中目标
Figure 501019DEST_PATH_IMAGE043
的目标偏好值；
Figure 425375DEST_PATH_IMAGE064
为可观测目标序列中所有目标优先级值之和，
Figure 281336DEST_PATH_IMAGE065
为可观测目标序列中所有目标偏好值之和，
Figure 182296DEST_PATH_IMAGE066
为目标信息优先级调节系数，
Figure 135208DEST_PATH_IMAGE067
为目标信息偏好调节系数；
根据下式计算目标更替抑制因子：
Figure 666684DEST_PATH_IMAGE068
式中，
Figure 72257DEST_PATH_IMAGE043
表示可观测目标序列中的一个目标，
Figure 511329DEST_PATH_IMAGE069
为按设定策略设计的抑制因子 的策略函数，当目标已为关注目标，即
Figure 256431DEST_PATH_IMAGE070
为1时，则抑制因子失效；
根据下式计算收益-代价评估值：
Figure 21124DEST_PATH_IMAGE071
式中
Figure 851677DEST_PATH_IMAGE072
、
Figure 360019DEST_PATH_IMAGE073
、
Figure 959628DEST_PATH_IMAGE074
和
Figure 629643DEST_PATH_IMAGE075
均为可调权重值；
节点
Figure 514204DEST_PATH_IMAGE001
对s个待拣选目标序列生成相应的收益-代价评估结果序列：
Figure 763919DEST_PATH_IMAGE076
，则拣选结果为
Figure 280351DEST_PATH_IMAGE077
，即收益-代价评估后最优目标。
5.一种无人集群系统目标融合拣选装置，其中，无人集群系统包括多个无人平台节点，其特征在于，每个无人平台节点包括：
平台感知设备，用于观测环境内第一目标信息，并将观测到的第一目标序列信息发送给信息融合模块；
平台通信设备，用于接收邻居无人平台节点发送的第二目标序列信息，并将汇集的第二目标序列信息发送给邻域剪裁模块；
邻域剪裁模块，用于对第二目标序列信息进行直接邻域及级联邻域计算及剪裁，筛选出待融合的第二目标序列信息，并将待融合的第二目标序列信息发送给信息融合模块；
信息融合模块，用于对平台感知设备发送的第一目标序列信息和邻域剪裁模块发送的待融合的第二目标序列信息进行各目标信息级联拓扑关联度评估，生成待拣选的可观测目标序列，并将可观测目标序列发送给评估决策模块；
评估决策模块，用于对可观测目标序列进行基于信息交互评价的收益-代价评估，根据评估结果拣选观测目标，基于拣选的观测目标对无人平台的节进行状态与行为的控制。
CN202211330461.6A 2022-10-28 2022-10-28 一种无人集群系统目标融合拣选方法及装置 Active CN115497012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211330461.6A CN115497012B (zh) 2022-10-28 2022-10-28 一种无人集群系统目标融合拣选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211330461.6A CN115497012B (zh) 2022-10-28 2022-10-28 一种无人集群系统目标融合拣选方法及装置

Publications (2)

Publication Number Publication Date
CN115497012A CN115497012A (zh) 2022-12-20
CN115497012B true CN115497012B (zh) 2023-03-10

Family

ID=85115046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211330461.6A Active CN115497012B (zh) 2022-10-28 2022-10-28 一种无人集群系统目标融合拣选方法及装置

Country Status (1)

Country Link
CN (1) CN115497012B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104639308A (zh) * 2015-02-09 2015-05-20 清华大学 高速窄带电力线通信中的串扰容忍竞争接入机制
CN114124728A (zh) * 2021-11-11 2022-03-01 国网四川省电力公司经济技术研究院 电网控制系统与电力一次设备间脆弱性耦合链路识别方法
CN114201925A (zh) * 2022-02-17 2022-03-18 佛山科学技术学院 无人机集群协同任务规划方法、电子设备及可读存储介质
CN114510012A (zh) * 2022-02-16 2022-05-17 中国电子科技集团公司第五十四研究所 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130235757A1 (en) * 2012-03-07 2013-09-12 Samsung Electronics Co. Ltd. Apparatus and method for a biology inspired topological phase transition for wireless sensor network
WO2020056405A1 (en) * 2018-09-14 2020-03-19 Northwestern University Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same
CN112200130B (zh) * 2020-10-28 2022-11-29 中国人民解放军陆军航空兵学院陆军航空兵研究所 一种三维目标检测方法、装置及终端设备
CN115166716A (zh) * 2022-06-14 2022-10-11 中国北方车辆研究所 一种基于多元数据融合的地面无人平台跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104639308A (zh) * 2015-02-09 2015-05-20 清华大学 高速窄带电力线通信中的串扰容忍竞争接入机制
CN114124728A (zh) * 2021-11-11 2022-03-01 国网四川省电力公司经济技术研究院 电网控制系统与电力一次设备间脆弱性耦合链路识别方法
CN114510012A (zh) * 2022-02-16 2022-05-17 中国电子科技集团公司第五十四研究所 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
CN114201925A (zh) * 2022-02-17 2022-03-18 佛山科学技术学院 无人机集群协同任务规划方法、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN115497012A (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN112202672B (zh) 一种基于业务服务质量需求的网络路由转发方法和系统
CN108521375B (zh) 一种基于SDN的网络多业务流量QoS的传输及调度方法
Arikumar et al. EELTM: An energy efficient LifeTime maximization approach for WSN by PSO and fuzzy-based unequal clustering
CN113438620B (zh) 一种无人机集群中心节点最优选择方法
CN117726153B (zh) 一种适用于无人机集群作业任务的实时重规划方法
Aziz et al. Efficient routing approach using a collaborative strategy
CN115828143A (zh) 基于图卷积和自注意力机制实现异构图元路径聚合的节点分类方法
CN115497012B (zh) 一种无人集群系统目标融合拣选方法及装置
CN116455824A (zh) 基于强化学习的网络流量负载均衡方法
Akbari et al. Constrained federated learning for AoI-limited SFC in UAV-Aided MEC for smart agriculture
CN113094857A (zh) 一种节能的软件定义车辆网络的控制器布局方法
CN110417572B (zh) 一种基于目标节点相遇概率预测消息传递节点的方法
CN112566209A (zh) 一种基于双Q学习的UAV-BSs能量和服务优先级轨迹设计方法
Bukar et al. An exploratory bibliometric analysis of the literature on the age of information-aware unmanned aerial vehicles aided communication
CN115408617B (zh) 基于人工智能的互联网用户整合方法及大数据服务系统
Mohammadi et al. Automatic delay-sensitive applications quality of service improvement with deep flows discrimination in software defined networks
CN113259263B (zh) 一种深度报文检测集群中的数据包调度方法
CN110570093B (zh) 一种业务拓展渠道自动管理的方法和装置
CN115390458B (zh) 一种面向信息交互的智能体双层解耦状态控制方法及系统
Robertazzi et al. Machine learning in networking
CA3126091A1 (en) Enabling wireless network personalization using zone of tolerance modeling and ai-enabled optimization
CN112818198A (zh) 一种高度解耦可动态管理爬虫的方法
Zheng et al. An Energy-aware Technique for Resource Allocation in Mobile Internet of Thing (MIoT) Using Selfish Node Ranking and an Optimization Algorithm
CN111754313B (zh) 一种通讯高效无需投影的分布式数据在线分类方法
Hilal et al. Metaheuristic resource allocation strategy for cluster based 6g industrial applications

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