CN115833905B - 一种地下空间移固协同检测方法及系统 - Google Patents

一种地下空间移固协同检测方法及系统 Download PDF

Info

Publication number
CN115833905B
CN115833905B CN202211391156.8A CN202211391156A CN115833905B CN 115833905 B CN115833905 B CN 115833905B CN 202211391156 A CN202211391156 A CN 202211391156A CN 115833905 B CN115833905 B CN 115833905B
Authority
CN
China
Prior art keywords
underground space
sensor
aerial vehicle
unmanned aerial
space
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
CN202211391156.8A
Other languages
English (en)
Other versions
CN115833905A (zh
Inventor
李刚
何斌
沈润杰
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202211391156.8A priority Critical patent/CN115833905B/zh
Publication of CN115833905A publication Critical patent/CN115833905A/zh
Priority to US18/387,562 priority patent/US20240161638A1/en
Application granted granted Critical
Publication of CN115833905B publication Critical patent/CN115833905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/04—Anti-collision systems
    • G08G5/045—Navigation or guidance aids, e.g. determination of anti-collision manoeuvers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/30—Constructional aspects of UAVs for safety, e.g. with frangible components
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/70—UAVs specially adapted for particular uses or applications for use inside enclosed spaces, e.g. in buildings or in vehicles
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及地下空间检测技术领域，特别是涉及一种地下空间移固协同检测方法及系统，一种地下空间移固协同检测方法由地下空间传感器节点和地下空间无人机组成。地下空间传感器节点根据地下结构空间自适应最优布置策略进行固定监测。地下空间无人机基于机身安装的电子伸缩防撞杆计算第一虚拟力，通过虚拟力引导路径规划算法实现移动检测。地下空间无人机计算基于电子伸缩防撞杆的第一虚拟力、静态感知概率的第二虚拟力和结构演化知识的第三虚拟力，通过虚拟力引导路径规划算法实现固定节点引导无人机飞行检测模式。采用本发明，解决了检测系统中多智能体协同感知、数据融合和目标认知关联性不足问题，实现地下空间移固高效协同检测。

Description

一种地下空间移固协同检测方法及系统
技术领域
本发明涉及地下空间检测技术领域，特别是涉及一种地下空间移固协同检测方法及系统。
背景技术
地下空间基础设施具有超长线状结构、环境封闭、服役时间长、通信困难和不确定风险因素多等特点，单纯依靠部署固定传感器的检测方法存在覆盖范围有限、漏检率较高、维护困难等缺陷，已无法满足基础设施服役状态检测的需求。巡检无人机等智能无人系统通过移动检测技术从时间和空间上可以弥补先置固定传感网格的不足，已成为应对基础设施检测挑战的重要发展方向。因此，利用各类智能化传感器和智能无人系统实现结构健康监测是结构监测领域中重要研究方向。
多传感器节点和无人系统通过通信网络交互采集数据，从而构建结构状态参数的“数据地图”。当前国内外相关研究人员分别从多智能体协同感知、数据融合和目标认知三个方面开展了相关研究，一定程度上可以提高多感知体监测能力。但是，三方面研究成果较为孤立，关联性不足，相互引导较弱。
发明内容
本发明实施例提供了一种地下空间移固协同检测方法及系统。所述技术方案如下：
一方面，提供了一种地下空间移固协同检测方法，该方法由电子设备实现，该方法包括：
所述方法由地下空间移固协同检测系统实现，所述地下空间移固协同检测系统包括地下空间传感器节点和地下空间无人机。
所述方法包括：
所述地下空间传感器节点进行数据采集，获得固定传感器数据，根据所述固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，判断通信结果；
当通信结果为失败时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，所述地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，将所述第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式；当通信结果为成功时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，所述地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，基于传感器感知概率计算第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK，基于结构时空演化知识SSK计算第三虚拟力；将所述第一虚拟力、所述第二虚拟力和所述第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式。
可选地，所述地下空间传感器节点采用地下结构空间自适应最优布置策略设计感知区域，并建立地下结构空间的最优覆盖目标函数，实现多传感器地下结构空间自适应最优布置。
可选地，所述传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；所述感知圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，所述第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取。
可选地，所述第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，所述第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
可选地，所述移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功。
可选地，所述方法还包括：
地下空间无人机基于虚拟力引导路径规划算法在任务导向的路径规划基础上实现三种地下空间避碰飞行；
所述三种地下空间避碰飞行包括：被动避碰、主动避碰和主被动避碰；其中，所述被动避碰由地下空间无人机基于第一虚拟力引导避碰，所述主动避碰由地下空间无人机基于第二虚拟力、第三虚拟力引导避碰，所述主被动避碰由地下空间无人机基于第一虚拟力、第二虚拟力和第三虚拟力引导避碰；
所述虚拟力引导路径规划算法是根据设计的第一虚拟力、第二虚拟力和第三虚拟力计算地下空间无人机所受虚拟合力的大小和方向，得到地下空间无人机在地下空间移动时的全域虚拟力分布的算法。
可选地，所述聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Ψt为时间稀疏字典，Ψs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Ψt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs。
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
另一方面，提供了一种地下空间移固协同检测系统，该装置应用于实现地下空间移固协同检测方法，所述地下空间移固协同检测系统包括地下空间传感器节点和地下空间无人机，其中：
所述地下空间传感器节点，用于数据采集，获得固定传感器数据，根据所述固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率。
所述地下空间无人机，用于对地下空间一个或多个地下空间传感器节点进行移固星型拓扑结构通信操作，判断通信结果；当通信结果为失败时，地下空间无人机基于读取无人机电子伸缩防撞杆的计数器数据得到第一虚拟力，将所述第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式；当通信结果为成功时，地下空间无人机基于读取无人机电子伸缩防撞杆的计数器数据得到第一虚拟力，基于传感器感知概率计算得到第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK，基于结构时空演化知识SSK计算得到第三虚拟力；将所述第一虚拟力、所述第二虚拟力和所述第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式。
可选地，所述地下空间传感器节点，进一步用于：
地下空间传感器节点采用地下结构空间自适应最优布置策略设计感知区域，并建立地下结构空间的最优覆盖目标函数，实现多传感器地下结构空间自适应最优布置。
可选地，所述地下空间传感器节点，进一步用于：
传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；所述感知圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，所述地下空间无人机，进一步用于：
所述第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取。
可选地，所述地下空间无人机，进一步用于：
所述第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，所述地下空间无人机，进一步用于：
所述第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
可选地，所述地下空间无人机，进一步用于：
所述移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功。
可选地，所述地下空间无人机，还用于：
地下空间无人机基于虚拟力引导路径规划算法在任务导向的路径规划基础上实现三种地下空间避碰飞行；
所述三种地下空间避碰飞行包括：被动避碰、主动避碰和主被动避碰；其中，所述被动避碰由地下空间无人机基于第一虚拟力引导避碰，所述主动避碰由地下空间无人机基于第二虚拟力、第三虚拟力引导避碰，所述主被动避碰由地下空间无人机基于第一虚拟力、第二虚拟力和第三虚拟力引导避碰；
所述虚拟力引导路径规划算法是根据设计的第一虚拟力、第二虚拟力和第三虚拟力计算地下空间无人机所受虚拟合力的大小和方向，得到地下空间无人机在地下空间移动时的全域虚拟力分布的算法。
可选地，所述地下空间无人机，进一步用于：
聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Ψt为时间稀疏字典，Ψs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Ψt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs。
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种地下空间移固协同检测方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述一种地下空间移固协同检测方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
因此，本发明提出了地下空间移固协同检测方法，通过无人机移动自主检测弥补固定传感器感知空间局限的不足，通过固定传感器和无人机相互引导、协同和融合，将多智能体协同感知、数据融合和目标认知三个方面的研究成果关联，一定程度上提高了多感知体检测能力，实现地下空间移固高效协同检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种地下空间移固协同检测方法流程图；
图2是本发明实施例提供的一种移固星型拓扑结构图；
图3是本发明实施例提供的一种虚拟力引导的避碰模式示意图；
图4是本发明实施例提供的一种地下空间移固协同检测流程图；
图5是本发明实施例提供的一种无人机电子伸缩防撞杆安装示意图；
图6是本发明实施例提供的一地下空间无人机聚合固定传感器节点数据流程图；
图7是本发明实施例提供的一种地下空间移固协同检测系统框图；
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种地下空间移固协同检测方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的一种地下空间移固协同检测方法流程图，该方法的处理流程可以包括如下的步骤：
S101、通过地下空间传感器节点进行数据采集，获得固定传感器数据，根据固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率。
其中，地下空间传感器节点采用地下结构空间自适应最优布置策略设计感知区域，并建立地下结构空间的最优覆盖目标函数，实现多传感器地下结构空间自适应最优布置。
可选地，传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；感知圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
其中，传感器所在s点为进行计算时参照的传感器位置，监测点p为进行固定监测时在传感器监测范围内被监测的位置。
S102、地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，判断通信结果。
其中，如图2移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功。
可选地，地下空间移固协同检测方法还可以包括：
如图3，地下空间无人机基于虚拟力引导路径规划算法在任务导向的路径规划基础上实现三种地下空间避碰飞行；
三种地下空间避碰飞行包括：被动避碰、主动避碰和主被动避碰；其中，被动避碰由地下空间无人机基于第一虚拟力引导避碰，主动避碰由地下空间无人机基于第二虚拟力和第三虚拟力引导避碰，主被动避碰由地下空间无人机基于第一虚拟力、第二虚拟力和第三虚拟力引导避碰；
虚拟力引导路径规划算法是根据设计的第一虚拟力、第二虚拟力和第三虚拟力计算地下空间无人机所受虚拟合力的大小和方向，得到地下空间无人机在地下空间移动时的全域虚拟力分布的算法。
S103、如图4当通信结果为失败时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，将第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式。
其中，如图5电子伸缩防撞杆计数器安装于无人机机身，电子伸缩防撞杆在X-Y平面均匀分布8根，在Z轴上分布2根，机身共安装10根，防撞杆长度大于机身半轴距K厘米，并在防撞杆末端内部安装弹簧机构，防撞杆末端内部安装弹簧机构伸缩范围在0-K厘米，并附带计数器记录弹簧机构伸缩数据。
可选地，第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取。
S104、当通信结果为成功时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，基于传感器感知概率计算第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK(Structure Spatiotemporal evolution Knowledge，结构时空演化知识)，基于结构时空演化知识SSK计算第三虚拟力；将第一虚拟力、第二虚拟力和第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式。
可选地，第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
其中，传感器所在s点为进行计算时参照的固定传感器位置，移动点v为使用无人机检测时无人机所在的位置。
可选地，第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
可选地，如图6，聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Ψt为时间稀疏字典，Ψs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Ψt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs。
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
本发明提出了地下空间移固协同检测方法，通过无人机移动自主检测弥补固定传感器感知空间局限的不足，通过固定传感器和无人机相互引导、协同和融合，将多智能体协同感知、数据融合和目标认知三个方面的研究成果关联，一定程度上提高了多感知体检测能力，实现地下空间移固高效协同检测。
图7是根据一示例性实例示出的一种地下空间移固协同检测系统框图，该系统应用于实现地下空间移固协同检测方法。参照图7，该系统包括地下空间传感器节点以及地下空间无人机，其中：
地下空间传感器节点，用于进行数据采集，获得固定传感器数据，根据固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率；
地下空间无人机，用于对一个或多个传感器节点进行移固星型拓扑结构通信操作，判断通信结果；当通信结果为失败时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，将第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式；当通信结果为成功时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，基于传感器感知概率计算第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK，基于结构时空演化知识SSK计算第三虚拟力；将第一虚拟力、第二虚拟力和第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式。
可选地，地下空间传感器节点，进一步用于：
地下空间传感器节点采用地下结构空间自适应最优布置策略设计感知区域，并建立地下结构空间的最优覆盖目标函数，实现多传感器地下结构空间自适应最优布置。
可选地，地下空间传感器节点，进一步用于：
传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；感知圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，地下空间无人机，进一步用于：
第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取。
可选地，地下空间无人机，进一步用于：
第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径。
可选地，地下空间无人机，进一步用于：
第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
可选地，地下空间无人机，进一步用于：
移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功。
可选地，地下空间无人机，还用于：
地下空间无人机基于虚拟力引导路径规划算法在任务导向的路径规划基础上实现三种地下空间避碰飞行；
三种地下空间避碰飞行包括：被动避碰、主动避碰和主被动避碰；其中，被动避碰由地下空间无人机基于第一虚拟力引导避碰，主动避碰由地下空间无人机基于第二虚拟力、第三虚拟力引导避碰，主被动避碰由地下空间无人机基于第一虚拟力、第二虚拟力和第三虚拟力引导避碰；
虚拟力引导路径规划算法是根据设计的第一虚拟力、第二虚拟力和第三虚拟力计算地下空间无人机所受虚拟合力的大小和方向，得到地下空间无人机在地下空间移动时的全域虚拟力分布的算法。
可选地，地下空间无人机，进一步用于：
聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Ψt为时间稀疏字典，Ψs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Ψt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs。
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
本发明提出了地下空间移固协同检测方法，通过无人机移动自主检测弥补固定传感器感知空间局限的不足，通过固定传感器和无人机相互引导、协同和融合，将多智能体协同感知、数据融合和目标认知三个方面的研究成果关联，一定程度上提高了多感知体检测能力，实现地下空间移固高效协同检测。
图8是本发明实施例提供的一种电子设备800的结构示意图，该电子设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)801和一个或一个以上的存储器802，其中，所述存储器802中存储有至少一条指令，所述至少一条指令由所述处理器801加载并执行以实现上述一种地下空间移固协同检测方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述一种地下空间移固协同检测方法。例如，所述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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种地下空间移固协同检测方法，其特征在于，所述方法由地下空间移固协同检测系统实现，所述地下空间移固协同检测系统包括地下空间传感器节点和地下空间无人机；
所述方法包括：
所述地下空间传感器节点进行数据采集，获得固定传感器数据，根据所述固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率；
其中，所述传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；所述感知空间圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，判断通信结果；
当通信结果为失败时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，所述地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，将所述第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式；当通信结果为成功时，地下空间无人机读取无人机电子伸缩防撞杆计数器，获得无人机与地下空间内壁距离，所述地下空间无人机基于无人机与地下空间内壁距离计算第一虚拟力，基于传感器感知概率计算第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK，基于结构时空演化知识SSK计算第三虚拟力；将所述第一虚拟力、所述第二虚拟力和所述第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式；
其中，所述第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取；
其中，所述第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径；
其中，所述第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
其中，所述移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功；
其中，所述聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Ψt为时间稀疏字典，Ψs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Ψt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs；
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
2.根据权利要求1所述的地下空间移固协同检测方法，其特征在于，所述地下空间传感器节点采用地下结构空间自适应最优布置策略设计感知区域，并建立地下结构空间的最优覆盖目标函数，实现多传感器地下结构空间自适应最优布置。
3.根据权利要求1所述的地下空间移固协同检测方法，其特征在于，所述方法还包括：
地下空间无人机基于虚拟力引导路径规划算法在任务导向的路径规划基础上实现三种地下空间避碰飞行；
所述三种地下空间避碰飞行包括：被动避碰、主动避碰和主被动避碰；其中，所述被动避碰由地下空间无人机基于第一虚拟力引导避碰，所述主动避碰由地下空间无人机基于第二虚拟力、第三虚拟力引导避碰，所述主被动避碰由地下空间无人机基于第一虚拟力、第二虚拟力和第三虚拟力引导避碰；
所述虚拟力引导路径规划算法是根据设计的第一虚拟力、第二虚拟力和第三虚拟力计算地下空间无人机所受虚拟合力的大小和方向，得到地下空间无人机在地下空间移动时的全域虚拟力分布的算法。
4.一种地下空间移固协同检测系统，其特征在于，所述系统用于实现地下空间移固协同检测方法，所述地下空间移固协同检测系统包括地下空间传感器节点和地下空间无人机，其中：
所述地下空间传感器节点，用于数据采集，获得固定传感器数据，根据所述固定传感器数据对地下空间采用固定监测模式并计算传感器感知概率；
其中，所述传感器感知概率是将传感器位置信息输入基于感知空间圆盘准则建立的静态多传感器感知概率模型的输出结果，传感器感知概率为1表示传感器固定节点位置与监测点位置的距离为0，传感器感知概率随监测点与传感器的距离增加逐渐变小；所述感知空间圆盘准则为基于分布式传感器感知特点分析多感知区域间的重叠、接触以及分离的静态多传感器感知区域分析方法，传感器感知概率计算公式如下式(1)所示：
其中，S(s,p)表示计算传感器s在p点的感知概率，d(s,p)表示传感器s与p点的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径；
所述地下空间无人机，用于对地下空间一个或多个地下空间传感器节点进行移固星型拓扑结构通信操作，判断通信结果；当通信结果为失败时，地下空间无人机基于读取无人机电子伸缩防撞杆的计数器数据得到第一虚拟力，将所述第一虚拟力输入虚拟力引导路径规划算法得到第一输出结果，地下空间无人机根据第一输出结果对地下空间采用移动检测模式；当通信结果为成功时，地下空间无人机基于读取无人机电子伸缩防撞杆的计数器数据得到第一虚拟力，基于传感器感知概率计算得到第二虚拟力，聚合固定传感器数据获得结构时空演化知识SSK，基于结构时空演化知识SSK计算得到第三虚拟力；将所述第一虚拟力、所述第二虚拟力和所述第三虚拟力输入虚拟力引导路径规划算法得到第二输出结果，地下空间无人机根据第二输出结果对地下空间采用固定节点引导无人机飞行检测模式；
其中，所述第一虚拟力为地下空间内壁对地下空间无人机的斥力Fw-v，第一虚拟力计算公式如下式(2)所示：
其中，δ为Fw-v虚拟力系数，d(v,w)是指无人机与地下空间内壁距离，d(v,w)根据电子伸缩防撞杆读取；
其中，所述第二虚拟力为基于静态感知概率的虚拟斥力Fs-v，静态感知概率越高则虚拟斥力越大，第二虚拟力Fs-v的方向由传感器固定节点位置指向移动点位置，第二虚拟力计算公式如下式(3)所示：
其中，φr为虚拟斥力系数，d(s,v)表示固定传感器s与移动节点v的距离，α和β是表征传感器的物理特征的设备参数，r为传感器感知半径；
其中，所述第三虚拟力为基于结构时空演化知识SSK的虚拟引力Fk-v，第三虚拟力计算公式如下式(4)所示：
Fk-v＝f(SSK) ……(4)
其中，所述移固星型拓扑结构由地下空间无人机为中央节点、地下空间传感器为子节点组成；
所述地下空间无人机对一个或多个传感器节点进行移固星型拓扑结构通信操作，包括：
采用ZigBee低功耗无线通信方式进行通信，地下空间无人机收到连接需求时记录当前连接节点编号，并脱离原拓扑结构，切换至移固星型拓扑结构，与传感器分簇自组织网络进行自组织连接；地下空间无人机通信连接不成功时会等待下一轮监测周期继续发送连接申请，直至连接成功；
其中，所述聚合固定传感器数据获得结构时空演化知识SSK，包括：
S91、当地下空间无人机通信距离范围内存在传感器节点，基于移固星型拓扑结构，地下空间无人机汇聚各个传感器节点数据，获得原始感知数据集S；
S92、对多传感器节点数据进行时空对齐，分析多源数据时空相关性，建立多源感知数据稀疏表示；
S93、引入时间观测矩阵Φt和空间观测矩阵Φs，对原始感知数据集S进行融合，其中，Φt为时间稀疏字典，Φs为空间稀疏字典,X为稀疏系数矩阵，地下空间无人机通过时间观测矩阵Φt和空间观测矩阵Φs，获得观测输出矩阵Y；
S94、选择合理的时间观测矩阵Φt和空间观测矩阵Φs，使稀疏度尽可能小，利用KSVD方法训练时空稀疏字典Φt和Ψs，以获得最合适的时间观测矩阵Φt和空间观测矩阵Φs；
S95、令St＝ΨtX,训练目标时间稀疏字典训练目标函数如下式(5)所示：
对时间稀疏字典每一列进行更新，更新第i列表示为W为时间稀疏字典列数，公式如下式(6)所示：
S96、将更新后的时间稀疏字典与原始数据集融合，融合结果为结构时空演化知识SSK。
CN202211391156.8A 2022-11-08 2022-11-08 一种地下空间移固协同检测方法及系统 Active CN115833905B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211391156.8A CN115833905B (zh) 2022-11-08 2022-11-08 一种地下空间移固协同检测方法及系统
US18/387,562 US20240161638A1 (en) 2022-11-08 2023-11-07 Detection method and system for underground space by joint use of fixed sensor and uav movement detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211391156.8A CN115833905B (zh) 2022-11-08 2022-11-08 一种地下空间移固协同检测方法及系统

Publications (2)

Publication Number Publication Date
CN115833905A CN115833905A (zh) 2023-03-21
CN115833905B true CN115833905B (zh) 2023-12-12

Family

ID=85527111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211391156.8A Active CN115833905B (zh) 2022-11-08 2022-11-08 一种地下空间移固协同检测方法及系统

Country Status (2)

Country Link
US (1) US20240161638A1 (zh)
CN (1) CN115833905B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997747A (zh) * 2014-05-14 2014-08-20 浪潮电子信息产业股份有限公司 一种基于虚拟力的空间网络节点均匀部署方法
CN113242563A (zh) * 2021-06-23 2021-08-10 西安邮电大学 一种无线传感器网络覆盖率优化方法及系统
CN114980134A (zh) * 2022-05-11 2022-08-30 西安邮电大学 基于虚拟力的移动多目标动态覆盖方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673631B (zh) * 2019-09-26 2022-05-03 深圳市道通智能航空技术股份有限公司 一种无人机飞行方法、装置和无人机

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997747A (zh) * 2014-05-14 2014-08-20 浪潮电子信息产业股份有限公司 一种基于虚拟力的空间网络节点均匀部署方法
CN113242563A (zh) * 2021-06-23 2021-08-10 西安邮电大学 一种无线传感器网络覆盖率优化方法及系统
CN114980134A (zh) * 2022-05-11 2022-08-30 西安邮电大学 基于虚拟力的移动多目标动态覆盖方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于联盟图博弈的地下空间无人机应急通信网络拓扑控制算法;王博文等;电子与信息学报;第44卷(第3期);996-1005 *

Also Published As

Publication number Publication date
US20240161638A1 (en) 2024-05-16
CN115833905A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Ramakrishnan et al. An exploration of embodied visual exploration
Endo et al. Deep feature extraction from trajectories for transportation mode estimation
JP7086111B2 (ja) 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法
Zhao et al. Trajectory tracking and prediction of pedestrian's crossing intention using roadside LiDAR
JP2021515178A (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
CN110162035B (zh) 一种集群机器人在有障碍物场景中的协同运动方法
US11912301B1 (en) Top-down scenario exposure modeling
Dirafzoon et al. A framework for mapping with biobotic insect networks: From local to global maps
Zhao et al. Searching the diffusive source in an unknown obstructed environment by cognitive strategies with forbidden areas
Girdhar et al. Curiosity based exploration for learning terrain models
Sester et al. Revealing underlying structure and behaviour from movement data
CN115833905B (zh) 一种地下空间移固协同检测方法及系统
Wu et al. UAV Path Planning Based on Multicritic‐Delayed Deep Deterministic Policy Gradient
Almazrouei et al. Path-planning and obstacle avoidance algorithms for UAVs: a systematic literature review
CN110988631B (zh) 局部放电定位检测方法、装置、可读存储介质及电气设备
Selvaraj et al. Edge learning of vehicular trajectories at regulated intersections
Yildirim et al. Learning social navigation from demonstrations with conditional neural processes
Mazaheri et al. Path planning in three-dimensional space based on butterfly optimization algorithm
US20210097351A1 (en) Adaptive artificial intelligence system for event categorizing by switching between different states
Rajathi et al. Path segmentation from point cloud data for autonomous navigation
Yang et al. An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments
Li et al. An Ant–Based Filtering Random–Finite–Set Approach to Simultaneous Localization and Mapping
Tarkanyi et al. Roadside sensor optimization in infrastructure-based teleoperation of vehicles
Dirafzoon et al. Dynamic topological mapping with biobotic swarms
CN117036966B (zh) 地图中点位特征的学习方法、装置、设备及存储介质

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