CN115758900A - 用于新能源场站中继线路规划的无人机编队方法及设备 - Google Patents
用于新能源场站中继线路规划的无人机编队方法及设备 Download PDFInfo
- Publication number
- CN115758900A CN115758900A CN202211491514.2A CN202211491514A CN115758900A CN 115758900 A CN115758900 A CN 115758900A CN 202211491514 A CN202211491514 A CN 202211491514A CN 115758900 A CN115758900 A CN 115758900A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- layer
- formation
- planning
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种用于新能源场站中继线路规划的无人机编队方法及设备,该方法通过构建无人机飞行线路编队模型;获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入所述无人机飞行线路编队模型进行训练;判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。通过本发明,能够减少线路规划的运算时间,减少运算能力需求,提高控制运算效率。
Description
技术领域
本发明涉及功率预测技术领域,尤其涉及一种用于新能源场站中继线路规划的无人机编队方法、装置、设备、存储介质。
背景技术
现有中继线路根据传统路线规划,新能源场站前期规划得到的固定路线,无法根据新能源场站通信信号的变化得到最佳的无人机中继信号线路。相关技术中采用单个控制器的方式由于单个控制器要承担所有的控制运算,而随着无人机运算量的日益增加,使得控制器的散热效率较低,导致控制效率也较低。
发明内容
本发明提供一种用于新能源场站中继线路规划的无人机编队方法、装置、设备、存储介质,旨在减少线路规划的运算时间,减少运算能力需求,提高控制运算效率。
为此,本发明的第一个目的是提出一种用于新能源场站中继线路规划的无人机编队方法,包括:
构建无人机飞行线路编队模型;其中,无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层;
获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入无人机飞行线路编队模型进行训练;
判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;
将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
其中,无人机飞行线路编队模型接收新能源场站中继线路规划的无人机飞行线路数据,经过卷积神经网络层进行特征输入,生成特征向量并输入长短期时间记忆网络层;长短期时间记忆网络层与注意力层通过学习卷积神经网络层提取的特征向量中的规律,对无人机线路进行优化,并通过输出层输出预测结果。
其中,在无人机飞行线路编队模型中,
卷积神经网络层用于对输入层输入的输入向量进行特征提取,挖掘并筛选和筛选;
长短期时间记忆网络层用于学习卷积神经网络层提取的特征向量的数据特征关系;
注意力层用于根据权值分配原则,对向量中的不同特征赋予不同的权值参数,获得更优的权值参数矩阵。
其中,卷积神经网络层包括卷积层和dropout层;根据无人机飞行线路数据的数据维度为1维,选取一维卷积,卷积核大小为3,使用RELU激活函数;经过自动寻找最优参数,dropout层设置为0.2;
其中,特征提取的步骤包括:
临时随机删掉卷积神经网络层中一半的隐藏神经元,输入输出神经元保持不变;
把输入向量通过修改后的卷积神经网络层前向传播,得到损失结果通过修改后的卷积神经网络层反向传播;训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w,b);
重复执行前述步骤,并恢复被删掉的神经元,备份被删除神经元的参数;
Dropout层的网络计算公式如下
其中,Bernoulli函数生成了概率向量r,也就是随机生成一个0、1的向量;某个神经元在网络中以概率p停止工作,使激活函数值以概率p变为0;n个神经元经过0.2的drop比率后大约0.2n个神经元会被设置为0;
卷积神经网络层层的输出特征为;Hc;假定输出向量长度为i,用Hc=[hc1…hci…]T进行表示。
其中,长短期时间记忆网络层采用两层biLSTM结构,学习无人机飞行线路规划行为特性;长短期时间记忆网络层接入到dropout层(丢弃层)以及maxpooling(最大池化层)层;
则有:
HL=max(dropout(L))+br
Max为最大池化层中最大值函数,br为最大池化层的偏置。
Wr为输出层权重,br’为输出层偏置:f为全连接层激活函数。
其中,无人机飞行线路编队模型输出的无人机飞行线路规划结果预测值经过反归一化,得到实际的预测值;公式表示为:
本发明的第二个目的是提出一种用于新能源场站中继线路规划的无人机编队装置,包括:
模型构建模块,用于构建无人机飞行线路编队模型;其中,无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层;
模型训练模块,用于获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入无人机飞行线路编队模型进行训练;
判断模块,用于判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;
线路编队模块,用于将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
本发明的第三个目的在于提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
区别于现有技术,本发明提供的用于新能源场站中继线路规划的无人机编队方法,通过构建无人机飞行线路编队模型;获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入无人机飞行线路编队模型进行训练;将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的无人机飞行线路编队模型中,输出结果即为无人机飞行线路规划结果。通过本发明,能够减少线路规划的运算时间,减少运算能力需求,提高控制运算效率。
附图说明
本发明的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明提供的一种用于新能源场站中继线路规划的无人机编队方法的流程示意图。
图2是本发明提供的一种用于新能源场站中继线路规划的无人机编队方法的逻辑示意图。
图3是本发明提供的一种用于新能源场站中继线路规划的无人机编队装置的结构示意图。
图4是本发明提供的一种存储有计算机指令的非瞬时计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,为本发明实施例所提供的一种用于新能源场站中继线路规划的无人机编队方法,包括:
S110:构建无人机飞行线路编队模型;其中,无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层。
本发明的功率预测精度提升逻辑如图2所示,无人机飞行线路编队模型接收新能源场站中继线路规划的无人机飞行线路数据,经过卷积神经网络层进行特征输入,生成特征向量并输入长短期时间记忆网络层;长短期时间记忆网络层与注意力层通过学习卷积神经网络层提取的特征向量中的规律,对无人机线路进行优化,并通过输出层输出预测结果。
在无人机飞行线路编队模型中,
卷积神经网络层用于对输入层输入的输入向量进行特征提取,挖掘并筛选和筛选;
卷积神经网络层包括卷积层和dropout层;根据无人机飞行线路数据的数据维度为1维,选取一维卷积,卷积核大小为3,使用RELU激活函数;经过自动寻找最优参数,dropout层设置为0.2;
其中,特征提取的步骤包括:
临时随机删掉卷积神经网络层中一半的隐藏神经元,输入输出神经元保持不变;
把输入向量通过修改后的卷积神经网络层前向传播,得到损失结果通过修改后的卷积神经网络层反向传播;训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w,b);
重复执行前述步骤,并恢复被删掉的神经元,备份被删除神经元的参数;
Dropout层的网络计算公式如下
其中,Bernoulli函数生成了概率向量r,也就是随机生成一个0、1的向量;某个神经元在网络中以概率p停止工作,使激活函数值以概率p变为0;n个神经元经过0.2的drop比率后大约0.2n个神经元会被设置为0;
卷积神经网络层层的输出特征为;Hc;假定输出向量长度为i,用Hc=[hc1…hci]T进行表示。
长短期时间记忆网络层用于学习卷积神经网络层提取的特征向量的数据特征关系;
长短期时间记忆网络层采用两层biLSTM结构,学习无人机飞行线路规划行为特性;长短期时间记忆网络层接入到dropout层(丢弃层)以及maxpooling(最大池化层)层;
则有:
HL=max(dropout(L))+br
Max为最大池化层中最大值函数,br为最大池化层的偏置。
注意力层用于根据权值分配原则,对向量中的不同特征赋予不同的权值参数,获得更优的权值参数矩阵。
Attention层的输出函数使用S进行表示,假定输出向量长度为k,表示为:
S′=[s1…***gi…sk]T
Wr为输出层权重,br’为输出层偏置:f为全连接层激活函数。
S120:获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入无人机飞行线路编队模型进行训练。
无人机线路数据至少包括航路点、坐标、姿态、角度及网络连接情况数据;在获取数据后需要进行数据处理和筛选,筛除不合要求的数据,将符合要求的无人机线路历史数据按比例划分训练集和测试集;将训练集输入构建的无人机飞行线路编队模型。训练过程中,通过不断调整模型的函数和参数,直至模型输出结果与历史数据中的结果相近甚至相同,认为模型训练完成,保留当前模型的函数和参数,作为训练完成的无人机飞行线路编队模型。
S130:判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点。
根据网络连接情况,判断无人机是否处于编队状态。若判定处于编队状态时,则根据无人机的无人机线路数据的航路点、坐标、姿态、角度数据,计算处于编队状态的无人机之间的相对位置,判断无人机之间的组织依存度,并根据组织依存度判断编队状态的同组无人机中处于绝对中心位置的无人机。
S140:将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
对绝对中心点的无人机和依存于绝对中心点的无人机的实时飞行线路数据分别输入训练好的模型中,依据飞行规则,调整绝对中心点的无人机和依存于绝对中心点的无人机的飞行方式及对应飞行线路数据,并将飞行线路数据输入训练完成的无人机飞行线路编队模型进行编队预测。
将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的无人机飞行线路编队模型,无人机飞行线路编队模型输出的无人机飞行线路规划结果预测值经过反归一化,得到实际的预测值;公式表示为:
如图3所示,本发明提供了一种用于新能源场站中继线路规划的无人机编队装置300,包括:
模型构建模块310,用于构建无人机飞行线路编队模型;其中,无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层;
模型训练模块320,用于获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入无人机飞行线路编队模型进行训练;
判断模块330,用于判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;
线路编队模块340,用于将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
为了实现实施例,本发明还提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的用于新能源场站中继线路规划的无人机编队方法中的各步骤。
如图4所示,非临时性计算机可读存储介质800包括指令的存储器810,接口830,指令可由根据用于新能源场站中继线路规划的无人机编队处理器820执行以完成方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现实施例,本发明还提出一种非临时性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如本发明实施例的用于新能源场站中继线路规划的无人机编队。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对所述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
所述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,所述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种用于新能源场站中继线路规划的无人机编队方法,其特征在于,包括:
构建无人机飞行线路编队模型;其中,所述无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层;
获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入所述无人机飞行线路编队模型进行训练;
判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;
将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
2.根据权利要求1所述的基于用于新能源场站中继线路规划的无人机编队方法,其特征在于,所述无人机飞行线路编队模型接收新能源场站中继线路规划的无人机飞行线路数据,经过卷积神经网络层进行特征输入,生成特征向量并输入长短期时间记忆网络层;长短期时间记忆网络层与注意力层通过学习卷积神经网络层提取的特征向量中的规律,对无人机线路进行优化,并通过输出层输出预测结果。
4.根据权利要求3所述的用于新能源场站中继线路规划的无人机编队方法,其特征在于,所述卷积神经网络层包括卷积层和dropout层;根据无人机飞行线路数据的数据维度为1维,选取一维卷积,卷积核大小为3,使用RELU激活函数;经过自动寻找最优参数,dropout层设置为0.2;
其中,特征提取的步骤包括:
临时随机删掉所述卷积神经网络层中一半的隐藏神经元,输入输出神经元保持不变;
把输入向量通过修改后的卷积神经网络层前向传播,得到损失结果通过修改后的卷积神经网络层反向传播;训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w,b);
重复执行前述步骤,并恢复被删掉的神经元,备份被删除神经元的参数;
Dropout层的网络计算公式如下
其中,Bernoulli函数生成了概率向量r,也就是随机生成一个0、1的向量;某个神经元在网络中以概率p停止工作,使激活函数值以概率p变为0;n个神经元经过0.2的drop比率后大约0.2n个神经元会被设置为0;
卷积神经网络层层的输出特征为;Hc;假定输出向量长度为i,用Hc=[hc1…hci…]T进行表示。
8.一种用于新能源场站中继线路规划的无人机编队装置,其特征在于,包括:
模型构建模块,用于构建无人机飞行线路编队模型;其中,所述无人机飞行线路编队模型包括:输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层;
模型训练模块,用于获取用于新能源场站中继线路规划的无人机飞行线路历史数据,并输入所述无人机飞行线路编队模型进行训练;
判断模块,用于判断无人机是否处于编队状态;若处于编队状态,则通过各个无人机的坐标点,计算各无人机的相对位置和无人机之间的组织依存度,得到无人机的绝对中心点;
线路编队模块,用于将处于绝对中心点的无人机和依存于处于绝对中心点的无人机的实时飞行线路数据输入训练完成的所述无人机飞行线路编队模型中,输出结果即为无人机飞行编队线路规划结果。
9.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法中的各步骤。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法中的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211491514.2A CN115758900A (zh) | 2022-11-25 | 2022-11-25 | 用于新能源场站中继线路规划的无人机编队方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211491514.2A CN115758900A (zh) | 2022-11-25 | 2022-11-25 | 用于新能源场站中继线路规划的无人机编队方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758900A true CN115758900A (zh) | 2023-03-07 |
Family
ID=85338114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211491514.2A Pending CN115758900A (zh) | 2022-11-25 | 2022-11-25 | 用于新能源场站中继线路规划的无人机编队方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758900A (zh) |
-
2022
- 2022-11-25 CN CN202211491514.2A patent/CN115758900A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109990790B (zh) | 一种无人机路径规划方法及装置 | |
US11756349B2 (en) | Electronic control unit testing optimization | |
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
US20230131283A1 (en) | Method for generating universal learned model | |
CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
EP3786925A1 (en) | Systems and methods for training a neural network to control an aircraft | |
CN110059528B (zh) | 物体间关系识别设备、学习模型、识别方法和计算机可读介质 | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
EP3671555A1 (en) | Object shape regression using wasserstein distance | |
CN110376605B (zh) | 地图构建方法、导航方法和装置 | |
CN111259526B (zh) | 集群回收路径规划方法、装置、设备及可读存储介质 | |
DE102023103232A1 (de) | Netz für biometrische aufgaben | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
CN109063827B (zh) | 有限空间内自动拿取特定行李的方法、系统、存储介质和终端 | |
CN110618692B (zh) | 用于控制无人机起飞的方法和装置 | |
CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
CN115758900A (zh) | 用于新能源场站中继线路规划的无人机编队方法及设备 | |
CN115857526A (zh) | 用于新能源场站中继线路规划的无人机控制方法及设备 | |
CN116384516A (zh) | 一种基于集成学习的代价敏感云边协同方法 | |
CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
CN114355770A (zh) | 入侵杂草种群分布优化的高超声速飞行器再入段控制器 | |
CN110673642A (zh) | 无人机着陆控制方法、装置、计算机设备及存储介质 | |
CN116188998B (zh) | 输电架空线路缺陷识别方法、装置、设备和存储介质 | |
JP7037852B1 (ja) | 無人航空機システム、無人航空機および評価用データの作成方法 | |
CN116902003B (zh) | 基于激光雷达与摄像头混合模态的无人驾驶方法 |
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 |