CN117076134B - 基于人工智能的无人机状态数据处理方法及系统 - Google Patents
基于人工智能的无人机状态数据处理方法及系统 Download PDFInfo
- Publication number
- CN117076134B CN117076134B CN202311328251.8A CN202311328251A CN117076134B CN 117076134 B CN117076134 B CN 117076134B CN 202311328251 A CN202311328251 A CN 202311328251A CN 117076134 B CN117076134 B CN 117076134B
- Authority
- CN
- China
- Prior art keywords
- cloud computing
- aerial vehicle
- unmanned aerial
- vehicle state
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 237
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 103
- 230000006870 function Effects 0.000 claims description 41
- 239000002346 layers by function Substances 0.000 claims description 33
- 238000005065 mining Methods 0.000 claims description 33
- 210000005036 nerve Anatomy 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000010410 layer Substances 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 17
- 238000005457 optimization Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种基于人工智能的无人机状态数据处理方法及系统，当候选无人机状态数据集合的量级符合设定的第一云计算资源增设要求时，原有的X个云计算节点不足以处理，将增设Y个云计算节点用于处理这些候选无人机状态数据，在原有的X个云计算节点对无人机状态数据进行神经网络计算任务的期望代价大于设定第一门限值时被触发，然后从候选无人机状态数据集合中获取Y批候选无人机状态数据，并加载至新增的Y个云计算节点中。由此，可以有效利用云计算资源，灵活地扩展和调度计算任务，以满足大规模无人机状态数据处理的需求，并且可以在保证计算效率的同时，避免过高的计算代价。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的无人机状态数据处理方法及系统。
背景技术
无人机已经在许多领域得到了广泛应用，如航拍、物流配送、农业喷洒等。随着无人机技术的不断发展和应用领域的不断拓宽，无人机的状态监控和预测成为了一项重要的任务。然而，由于无人机状态数据量大且需要复杂的神经网络计算任务进行处理，这对计算资源提出了极高的要求。
因此，如何在云计算环境中有效地对大规模无人机状态数据进行神经网络计算任务，包括如何高效地管理和调度云计算节点，是当前技术发展中需要解决的关键问题。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的无人机状态数据处理方法及系统。
第一方面，本申请提供一种基于人工智能的无人机状态数据处理方法，应用于无人机服务系统，所述方法包括：
在候选无人机状态数据集合中的候选无人机状态数据的量级符合设定的第一云计算资源增设要求、以及此时将X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第一期望代价大于第一门限值；
从所述候选无人机状态数据集合中获取Y批候选无人机状态数据，并将所述Y批候选无人机状态数据加载至所述Y个云计算节点中，所述Y批候选无人机状态数据与所述Y个云计算节点分别存在映射关系，所述X个云计算节点和所述Y个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第二期望代价不大于所述第一门限值；
当调度所述X个云计算节点对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，生成Y个无人机状态挖掘数据，所述Y个云计算节点和所述X个云计算节点是同步进行所述神经网络计算任务的云计算节点。
在第一方面的一种可能的实施方式中，所述在候选无人机状态数据集合中的候选无人机状态数据的量级符合设定的第一云计算资源增设要求、以及此时将X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，包括：
在所述候选无人机状态数据集合中的候选无人机状态数据的量级不小于设定的第一门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务；
或者，在所述候选无人机状态数据集合中的候选无人机状态数据的量级的正向变化导数不小于设定的第一导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，
基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的所述第一门限量级，确定Y的数值，并将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务。
在第一方面的一种可能的实施方式中，所述调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，包括：
依据下述操作调度所述Y个云计算节点中的第a个云计算节点对第a批候选无人机状态数据进行所述神经网络计算任务，a不小于1、且不大于Y：
依据所述第a个云计算节点中的逻辑运算芯片分对所述第a批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第a个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务。
在第一方面的一种可能的实施方式中，所述方法还包括：
在所述候选无人机状态数据集合中的候选无人机状态数据的量级不大于设定的第二门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将此时调度的所述X个云计算节点压缩到K个云计算节点，或者在所述候选无人机状态数据集合中的候选无人机状态数据的量级的负向变化导数不小于设定的第二导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的第二门限量级，确定K的数值，并将此时调度的所述X个云计算节点压缩到所述K个云计算节点，K不小于1、且小于X，所述K个云计算节点被用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点中除所述K个云计算节点之外的云计算节点被用于结束对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第三期望代价小于第二门限值，所述第二门限值小于所述第一门限值；
从所述候选无人机状态数据集合中获取K批候选无人机状态数据，并将所述K批候选无人机状态数据加载至所述K个云计算节点中，所述K批候选无人机状态数据与所述K个云计算节点分别存在映射关系，所述K个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第四期望代价不小于所述第二门限值、且不大于所述第一门限值；
依据下述操作调度所述K个云计算节点中的第b个云计算节点对第b批候选无人机状态数据进行所述神经网络计算任务，b不小于1、且不大于K：
依据所述第b个云计算节点中的逻辑运算芯片分对所述第b批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第b个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述K个云计算节点中的各个云计算节点是同步进行所述神经网络计算任务的云计算节点，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务。
在第一方面的一种可能的实施方式中，所述方法还包括：
使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，第a批次的知识学习中调度的加载有第a-1批次的知识学习生成的神经网络的云计算节点的量级与所述第a批次的知识学习中调度的无人机状态训练数据的量级对应，M不小于2，a不小于2、且不大于M，所述第a批次的知识学习中调度的云计算节点被用于调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务。
在第一方面的一种可能的实施方式中，使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，包括：
依据下述操作进行所述第a批次的知识学习：
在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源增设要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，扩展用于所述第a批次的知识学习的Ya个云计算节点，Xa-1为正整数，Ya为正整数，所述Xa-1个云计算节点和所述Ya个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Xa-1个云计算节点和所述Ya个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务；
将所述第a批次的知识学习中调度的无人机状态训练数据分成(Xa-1+Ya)组无人机状态训练数据，并将所述(Xa-1+Ya)组无人机状态训练数据加载至所述Xa-1个云计算节点和所述Ya个云计算节点中，所述(Xa-1+Ya)组无人机状态训练数据与所述Xa-1个云计算节点和所述Ya个云计算节点分别存在映射关系；
调度所述Xa-1个云计算节点和所述Ya个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成(Xa-1+Ya)组神经网络挖掘数据；
基于所述(Xa-1+Ya)组神经网络挖掘数据和在先标注的与所述(Xa-1+Ya)组无人机状态训练数据对应的(Xa-1+Ya)组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值；
在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Xa-1个云计算节点和所述Ya个云计算节点中；
在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络；
所述更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，包括：
获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数；
确定(Xa-1+Ya)个功能层更新系数的平均系数；
依据所述平均系数更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络。
在第一方面的一种可能的实施方式中，所述方法还包括：
在扩展了所述Ya个云计算节点时，对所述Ya个云计算节点的节点配置数据进行系统登记，所述Ya个云计算节点的节点配置数据包括所述Ya个云计算节点的链接映射信息，所述Xa-1个云计算节点的节点配置数据是已系统登记的节点配置数据；
当监测到新系统登记的所述Ya个云计算节点的节点配置数据时，在所述Xa-1个云计算节点中储存提取的所述Ya个云计算节点的节点配置数据，并在所述Ya个云计算节点中的第b个云计算节点中储存提取的(Xa-1+Ya-1)个其它云计算节点的节点配置数据，(Xa-1+Ya-1)个其它云计算节点是所述Xa-1个云计算节点和所述Ya个云计算节点中除所述第b个云计算节点之外的云计算节点，b不小于1、且不大于Ya；
所述获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，包括：
在所述Xa-1个云计算节点和所述Ya个云计算节点中存在主节点时，将所述Xa-1个云计算节点和所述Ya个云计算节点中除所述主节点之外的(Xa-1+Ya-1)个云计算节点确定的(Xa-1+Ya-1)个功能层更新系数发送给所述主节点，所述(Xa-1+Ya-1)个云计算节点与所述主节点之间预先基于所述(Xa-1+Ya-1)个云计算节点与所述主节点中储存的节点配置数据构建会话关系。
在第一方面的一种可能的实施方式中，所述获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数，包括：
获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的参数更新导数，生成(Xa-1+Ya)个参数更新导数。
在第一方面的一种可能的实施方式中，使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，包括：
依据下述操作进行所述第a批次的知识学习：
在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源压缩要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，将所述Xa-1个云计算节点中的Ka个云计算节点输出为用于所述第a批次的知识学习的云计算节点，Xa-1为正整数，Ka为正整数，所述Xa-1个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Ka个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务；
将所述第a批次的知识学习中调度的无人机状态训练数据分成Ka组无人机状态训练数据，并将所述Ka组无人机状态训练数据加载至所述Ka个云计算节点中，所述Ka组无人机状态训练数据与所述Ka个云计算节点分别存在映射关系；
调度所述Ka个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成Ka组神经网络挖掘数据；
基于所述Ka组神经网络挖掘数据和在先标注的与所述Ka组无人机状态训练数据对应的Ka组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值；
在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Ka个云计算节点中；
在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络。
第二方面，本申请实施例还提供一种无人机服务系统，所述无人机服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的无人机状态数据处理方法。
采用以上任意方面的技术方案，当候选无人机状态数据集合的量级符合设定的第一云计算资源增设要求时，原有的X个云计算节点不足以处理，将增设Y个云计算节点用于处理这些候选无人机状态数据。这种增设策略会在原有的X个云计算节点对无人机状态数据进行神经网络计算任务的期望代价大于一个设定的第一门限值时被触发。接着，从候选无人机状态数据集合中获取Y批候选无人机状态数据，并加载至新增的Y个云计算节点中。每一批候选无人机状态数据与一个新增的云计算节点存在映射关系。通过这种方式，新旧云计算节点联合进行神经网络计算任务的期望代价可以控制在第一门限值以内。最后，当调度原有的X个云计算节点对候选无人机状态数据进行神经网络计算任务时，同时也调度新增的Y个云计算节点对对应的一批候选无人机状态数据进行神经网络计算任务，生成Y个无人机状态挖掘数据。新旧云计算节点会同步进行神经网络计算任务。由此，可以有效利用云计算资源，灵活地扩展和调度计算任务，以满足大规模无人机状态数据处理的需求，并且可以在保证计算效率的同时，避免过高的计算代价。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的无人机状态数据处理方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于人工智能的无人机状态数据处理方法的无人机服务系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于人工智能的无人机状态数据处理方法，包括以下步骤。
步骤S110，在候选无人机状态数据集合中的候选无人机状态数据的量级符合设定的第一云计算资源增设要求、以及此时将X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务。
本实施例中，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第一期望代价大于第一门限值。
例如，假设一家无人机服务商正在使用云计算资源来处理从其无人机群收集的大量无人机状态数据，并且使用神经网络模型来分析这些无人机状态数据以提高无人机的性能和可靠性。基于此，由于数据量的增加，现有的X个云计算节点（例如10个）可能已经无法满足处理需求，达到了第一云计算资源增设要求。由此，可以在原有的X个云计算节点的基础上，增加Y个云计算节点（比如说5个）用于处理这些候选无人机状态数据。此时，如果仅使用原有的X个云计算节点进行计算，所需要的代价（例如计算时间、计算复杂度等）会超过一个预设的第一门限值。
其中，期望代价可以被理解为完成神经网络计算任务所需要的预期资源消耗，这包括但不限于计算时间、计算能力、存储空间等。这个期望代价是由多种因素决定的，主要包括以下几点：
1. 数据量：无人机状态数据的数量和复杂性会直接影响到计算任务的期望代价。更多或者更复杂的数据通常意味着需要更多的计算资源和更长的计算时间。
2. 神经网络模型的复杂性：神经网络模型的层数、节点数量、连接方式等参数都会影响到计算任务的期望代价。一般来说，模型越复杂，需要的计算资源就越多。
3. 云计算节点的能力：不同的云计算节点可能具有不同的计算能力和存储空间，这也会影响到计算任务的期望代价。例如，具有更强计算能力的节点可能会更快地完成相同的计算任务。
4. 计算任务的优化程度：如果计算任务能够被有效地并行化或者使用其他优化策略，那么它的期望代价可能会降低。
具体来说，确定期望代价通常需要通过实验或者基于历史数据的统计来进行。例如，可以通过在不同规模的数据和不同复杂度的模型上进行实验，观察计算任务的实际代价，然后基于这些结果来预测未来的期望代价。或者，也可以根据过去的计算任务历史数据，使用机器学习等方法来建立期望代价的预测模型。
示例性地，期望代价的计算公式可能会根据实际的应用场景和需求有所不同，但是一般都会考虑到上述提到的几个关键因素。以下是一个基础的期望代价计算公式的例子：
假设有D个无人机状态数据，N个神经网络模型参数，C为云计算节点的计算能力（例如每秒可以处理的浮点运算次数），T为计算任务的时间限制。那么，可以使用以下公式来估计神经网络计算任务的期望代价：
E = D * N / (C * T)
这个公式表示，期望代价E等于无人机状态数据数量D和神经网络模型参数数量N的乘积，除以云计算节点的计算能力C和时间限制T的乘积。
值得说明的是，这只是一个非常基础和简化的期望代价计算公式，实际应用中可能需要考虑更多的因素，例如数据传输时间、存储空间限制、计算任务的并行度、神经网络模型的复杂度等。而且，在具体实施时，也需要根据实验结果或者历史数据进行相应的调整和优化。
步骤S120，从所述候选无人机状态数据集合中获取Y批候选无人机状态数据，并将所述Y批候选无人机状态数据加载至所述Y个云计算节点中，所述Y批候选无人机状态数据与所述Y个云计算节点分别存在映射关系。
本实施例中，所述X个云计算节点和所述Y个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第二期望代价不大于所述第一门限值。
例如，可以将新收集的Y批候选无人机状态数据（每批可能包含数百至数千条数据）分别加载到新增的Y个云计算节点中。每一批新收集的候选无人机状态数据与一个新的云计算节点有一对一的映射关系。此时，通过同时利用原有的X个云计算节点和新增的Y个云计算节点，对所有候选无人机状态数据进行神经网络计算任务的处理，所需要的期望代价就可以保持在第一门限值以下，即系统处理能力得到了有效提升。
步骤S130，当调度所述X个云计算节点对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，生成Y个无人机状态挖掘数据，所述Y个云计算节点和所述X个云计算节点是同步进行所述神经网络计算任务的云计算节点。
例如，在本步骤中，可以开始调度所有的云计算节点。原有的X个云计算节点继续对候选无人机状态数据进行神经网络计算任务，同时，新增的Y个云计算节点各自对分配给它们的一批候选无人机状态数据进行同样的计算任务。这些云计算节点工作完成后，会生成Y个无人机状态挖掘数据，这些无人机状态挖掘数据将用于进一步的分析和应用，比如故障预测、性能优化等。在整个过程中，所有的云计算节点（包括原有的X个和新增的Y个）是同步进行神经网络计算任务的，保证了系统的高效运行。
在一些示例中，神经网络计算任务的具体计算过程可以包括：
1. 无人机飞行状态预测：神经网络可以根据无人机的历史飞行数据（如位置、速度、加速度、姿态等）来预测未来的飞行状态。例如，可以预测无人机的下一个位置，或者预测无人机是否可能发生碰撞。
2. 无人机故障检测和预防：神经网络可以用于分析无人机的工作状态数据，以便及时发现和预防可能的故障。例如，可以通过分析无人机的电池状态、引擎状态等信息，来预测无人机是否可能出现电池耗尽、引擎过热等故障。
3. 无人机自主导航和避障：神经网络可以用于处理无人机的视觉或雷达数据，以实现自主导航和避障功能。例如，可以使用深度学习算法来识别图像中的障碍物，然后规划安全的飞行路径。
4. 无人机图像和视频分析：神经网络可以用于处理无人机拍摄的图像和视频数据，进行目标检测、目标跟踪、场景识别等任务。例如，可以使用神经网络来识别图像中的人、车辆、建筑等目标，或者分析视频数据来进行行为识别。
以上只是一部分例子，实际上，神经网络在无人机应用中有很广泛的用途，包括但不限于气象预测、农作物健康检测、地形和地貌分析等。
基于以上步骤，当候选无人机状态数据集合的量级符合设定的第一云计算资源增设要求时，原有的X个云计算节点不足以处理，将增设Y个云计算节点用于处理这些候选无人机状态数据。这种增设策略会在原有的X个云计算节点对无人机状态数据进行神经网络计算任务的期望代价大于一个设定的第一门限值时被触发。接着，从候选无人机状态数据集合中获取Y批候选无人机状态数据，并加载至新增的Y个云计算节点中。每一批候选无人机状态数据与一个新增的云计算节点存在映射关系。通过这种方式，新旧云计算节点联合进行神经网络计算任务的期望代价可以控制在第一门限值以内。最后，当调度原有的X个云计算节点对候选无人机状态数据进行神经网络计算任务时，同时也调度新增的Y个云计算节点对对应的一批候选无人机状态数据进行神经网络计算任务，生成Y个无人机状态挖掘数据。新旧云计算节点会同步进行神经网络计算任务。由此，可以有效利用云计算资源，灵活地扩展和调度计算任务，以满足大规模无人机状态数据处理的需求，并且可以在保证计算效率的同时，避免过高的计算代价。
在一种可能的实施方式中，在步骤S110中，可以在所述候选无人机状态数据集合中的候选无人机状态数据的量级不小于设定的第一门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务。
例如，假设无人机服务商有一套由X个云计算节点（例如10个）组成的系统，用于处理从无人机收集的状态数据。随着无人机数量的增加，数据量级也相应提高。当这个候选无人机状态数据集合中的数据量级不小于设定的第一门限量级（比如每小时1000条数据）时，就会自动启动扩展流程，增设Y个云计算节点（例如5个）。这样，新的Y个云计算节点和原有的X个云计算节点将共同负责处理来自候选无人机状态数据集合中的数据。
或者，还可以在所述候选无人机状态数据集合中的候选无人机状态数据的量级的正向变化导数不小于设定的第一导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的所述第一门限量级，确定Y的数值，并将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务。
例如，还可以监测数据量级的变化趋势，例如，如果监测到候选无人机状态数据集合中的数据量级的正向变化导数（即数据增长速度）不小于设定的第一导数值（例如每小时增加100条数据），那么也会启动扩展流程。在这种情况下，可以根据当前数据量级与设定的第一门限量级（例如每小时1000条数据）之间的差距，动态确定需要增设的云计算节点数Y。然后，新增的Y个云计算节点将被设定为用于处理候选无人机状态数据集合中的数据。
以上两种情况都是为了确保无人机状态数据能够在满足性能要求的同时被有效处理，从而支持无人机服务商对无人机状态进行实时监控和预测分析，提高无人机运行的安全性和效率。
在一种可能的实施方式中，步骤S130中，调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，包括：
步骤S131，依据下述操作调度所述Y个云计算节点中的第a个云计算节点对第a批候选无人机状态数据进行所述神经网络计算任务，a不小于1、且不大于Y：
步骤S132，依据所述第a个云计算节点中的逻辑运算芯片分对所述第a批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第a个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务。
例如，在无人机服务商的云计算系统中，已经新增了Y个云计算节点（例如5个）用于处理候选无人机状态数据。每个云计算节点都被分配了一批特定的候选无人机状态数据。
接下来，可以按照一定的顺序调度这些新的云计算节点进行神经网络计算任务。例如，第a个云计算节点（其中a的值从1到Y，比如为3）将开始处理其对应的第a批候选无人机状态数据。
在这个云计算节点中，首先由逻辑运算芯片对这批候选无人机状态数据进行逻辑运算任务。比如，可能包括数据清洗、格式化、标准化等基本的数据预处理操作，生成对应的逻辑运算数据。然后，这些逻辑运算数据会被加载到同一云计算节点中的神经处理芯片。
随后，神经处理芯片将使用预设的目标神经网络模型对这些逻辑运算数据进行神经网络计算任务。这可能包括各种复杂的机器学习和深度学习算法，比如神经网络训练、模型优化等，以生成对应的无人机状态挖掘数据。
值得注意的是，逻辑运算任务和神经网络计算任务是不同阶段的任务，前者主要负责数据预处理，后者则进行复杂的模型计算。这种分阶段的操作可以有效提升系统处理数据的效率和准确性，支持无人机服务商实现对大量无人机状态数据的高效处理和深度分析。
在一种可能的实施方式中，所述方法还包括：
步骤A110，在所述候选无人机状态数据集合中的候选无人机状态数据的量级不大于设定的第二门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将此时调度的所述X个云计算节点压缩到K个云计算节点，或者在所述候选无人机状态数据集合中的候选无人机状态数据的量级的负向变化导数不小于设定的第二导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的第二门限量级，确定K的数值，并将此时调度的所述X个云计算节点压缩到所述K个云计算节点。
本实施例中，K不小于1、且小于X，所述K个云计算节点被用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点中除所述K个云计算节点之外的云计算节点被用于结束对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第三期望代价小于第二门限值，所述第二门限值小于所述第一门限值。
例如，无人机服务商的云计算系统可以根据无人机状态数据量级的变化动态调整云计算节点的数量。当候选无人机状态数据集合中的数据量级降低，不大于设定的第二门限量级（例如每小时500条数据）时，或者当数据量级的负向变化导数（即数据减少速度）达到预设的第二导数值（例如每小时减少50条数据）时，可以自动启动压缩流程。这时，原有的X个云计算节点（例如15个）将被压缩为K个（例如10个）。K个云计算节点将继续执行神经网络计算任务，而其他的云计算节点则结束当前任务，可能被重新分配给其他需求更大的任务。此时，所有云计算节点的运算代价预期将低于第二门限值。
步骤A120，从所述候选无人机状态数据集合中获取K批候选无人机状态数据，并将所述K批候选无人机状态数据加载至所述K个云计算节点中，所述K批候选无人机状态数据与所述K个云计算节点分别存在映射关系，所述K个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第四期望代价不小于所述第二门限值、且不大于所述第一门限值。
步骤A130，依据下述操作调度所述K个云计算节点中的第b个云计算节点对第b批候选无人机状态数据进行所述神经网络计算任务，b不小于1、且不大于K：
依据所述第b个云计算节点中的逻辑运算芯片分对所述第b批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第b个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述K个云计算节点中的各个云计算节点是同步进行所述神经网络计算任务的云计算节点，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务。
例如，可以从候选无人机状态数据集合中获取K批候选无人机状态数据，加载到K个云计算节点中。每批候选无人机状态数据与一个云计算节点存在一对一映射关系。K个云计算节点对候选无人机状态数据的处理代价预期将位于第一门限值和第二门限值之间。
接着，开始调度这K个云计算节点。例如，第b个云计算节点（其中b的值从1到K）将开始处理其对应的第b批候选无人机状态数据。这个云计算节点中的逻辑运算芯片首先对数据进行预处理操作，生成逻辑运算数据，然后加载到神经处理芯片中。神经处理芯片使用预设的神经网络模型对这些数据进行神经网络计算任务，生成对应的无人机状态挖掘数据。所有的K个云计算节点都是同步执行任务的。
这样，无论是数据量级的增加还是减少，都可以通过动态调整云计算节点的数量来保持处理性能和效率，支持无人机服务商对大量无人机状态数据的高效处理和深度分析。
在一种可能的实施方式中，所述方法还包括：
步骤B110，使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，第a批次的知识学习中调度的加载有第a-1批次的知识学习生成的神经网络的云计算节点的量级与所述第a批次的知识学习中调度的无人机状态训练数据的量级对应，M不小于2，a不小于2、且不大于M，所述第a批次的知识学习中调度的云计算节点被用于调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务。
例如，假设无人机服务商需要使用一种初始化的神经网络模型来学习和分析无人机状态训练数据，目的是生成能够更精确预测和解析无人机状态的目标神经网络。为了实现这个目的，本实施例可以将学习过程分为M批次（例如100批次）进行。
示例性的，在第a批次（假设a=3）的知识学习中，首先需要调度一些云计算节点。这些云计算节点需要加载第a-1批次（即第2批次）知识学习生成的神经网络。同时，第a批次知识学习中所需处理的无人机状态训练数据的量级（例如每批500条数据）应与调度的云计算节点的量级对应，以保证资源的充分利用并减少不必要的浪费。
然后，第a批次知识学习中调度的云计算节点会利用第a-1批次的知识学习生成的神经网络，对第a批次的无人机状态训练数据进行神经网络计算任务，也就是说，使用已经经过部分训练的神经网络继续学习新的训练数据。
这个过程会持续到所有的M批次知识学习都完成，最后生成的就是所需的目标神经网络。这个目标神经网络已经通过大量的无人机状态训练数据进行了优化和学习，应该能够更好地预测和解析无人机的状态信息。
在一种可能的实施方式中，步骤B110可以包括：
依据下述操作进行所述第a批次的知识学习：
步骤B111，在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源增设要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，扩展用于所述第a批次的知识学习的Ya个云计算节点。
本实施例中，Xa-1为正整数，Ya为正整数，所述Xa-1个云计算节点和所述Ya个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Xa-1个云计算节点和所述Ya个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务。
例如，本实施例需要通过无人机状态训练数据序列进行M批次（例如100批次）的知识学习，目标是生成能够更精确预测和解析无人机状态的目标神经网络。
在第a批次（例如a=3）的知识学习中，首先检查调度的无人机状态训练数据量级是否满足云计算资源的增设要求。如果满足，例如数据量级大于设定的阈值（例如每小时5000条数据），那么可以扩展用于第a批次知识学习的云计算节点，由原来的Xa-1个（例如2个）扩展到Ya个（例如3个）。
步骤B112，将所述第a批次的知识学习中调度的无人机状态训练数据分成(Xa-1+Ya)组无人机状态训练数据，并将所述(Xa-1+Ya)组无人机状态训练数据加载至所述Xa-1个云计算节点和所述Ya个云计算节点中。
本实施例中，所述(Xa-1+Ya)组无人机状态训练数据与所述Xa-1个云计算节点和所述Ya个云计算节点分别存在映射关系。
例如，可以将第a批次的无人机状态训练数据分成(Xa-1+Ya)组（也就是5组），并将这些数据加载至新扩展的所有云计算节点中，每组数据与一个云计算节点存在一对一映射关系。
步骤B113，调度所述Xa-1个云计算节点和所述Ya个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成(Xa-1+Ya)组神经网络挖掘数据。
例如，可以调度这些云计算节点，利用第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行神经网络计算任务，生成对应的5组神经网络挖掘数据。
步骤B114，基于所述(Xa-1+Ya)组神经网络挖掘数据和在先标注的与所述(Xa-1+Ya)组无人机状态训练数据对应的(Xa-1+Ya)组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值。
例如，可以基于这5组神经网络挖掘数据和预先标注的与之对应的5组标签挖掘数据，确定第a批次知识学习对应的Loss函数值。Loss函数值是衡量神经网络模型预测结果与实际结果差距的一个重要指标。
步骤B115，在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Xa-1个云计算节点和所述Ya个云计算节点中。
步骤B117，在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络。
例如，如果第a批次知识学习对应的Loss函数值不满足设定的训练终止要求（例如Loss值小于0.01），将更新第a-1批次知识学习生成的神经网络中的功能层定义信息，生成第a批次知识学习生成的新的神经网络，并配置在所有云计算节点中。
反之，如果Loss函数值满足设定的训练终止要求，那么知识学习将终止，此时第a-1批次知识学习生成的神经网络即为所需要的目标神经网络。
在一种可能的实施方式中，在步骤B115中，可以获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数，确定(Xa-1+Ya)个功能层更新系数的平均系数，依据所述平均系数更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络。
例如，假设在无人机状态训练数据的处理过程中，第a批次（例如a=3）的知识学习生成的神经网络预测结果与实际结果的差距较大，需要对网络模型进行更新。
首先，可以从各个云计算节点获取功能层更新系数。这些功能层更新系数是根据每个云计算节点在第a批次知识学习过程中处理的无人机状态训练数据和神经网络计算结果得到的。例如，如果总共有5个云计算节点（包括原来的Xa-1个和新扩展的Ya个），那么就会生成5个功能层更新系数。
接着，将计算这5个功能层更新系数的平均系数。例如，如果5个更新系数分别为0.1、0.2、0.15、0.18、0.12，那么平均系数就是(0.1+0.2+0.15+0.18+0.12)/5=0.15。
最后，将依据这个平均系数0.15更新第a-1批次知识学习生成的神经网络中的功能层定义信息。例如，可能会根据这个系数调整神经网络中的权重或者激活函数等参数，生成新的神经网络模型，这就是第a批次知识学习生成的神经网络。
通过这种方式，能够利用所有云计算节点在处理无人机状态训练数据时得到的信息，共同优化和更新神经网络模型，使其更好地适应和预测无人机的状态。
在一种可能的实施方式中，所述方法还包括：
步骤C110，在扩展了所述Ya个云计算节点时，对所述Ya个云计算节点的节点配置数据进行系统登记，所述Ya个云计算节点的节点配置数据包括所述Ya个云计算节点的链接映射信息，所述Xa-1个云计算节点的节点配置数据是已系统登记的节点配置数据。
步骤C120，当监测到新系统登记的所述Ya个云计算节点的节点配置数据时，在所述Xa-1个云计算节点中储存提取的所述Ya个云计算节点的节点配置数据，并在所述Ya个云计算节点中的第b个云计算节点中储存提取的(Xa-1+Ya-1)个其它云计算节点的节点配置数据，(Xa-1+Ya-1)个其它云计算节点是所述Xa-1个云计算节点和所述Ya个云计算节点中除所述第b个云计算节点之外的云计算节点，b不小于1、且不大于Ya。
例如，假设在处理无人机状态训练数据的过程中，扩展了Ya个（例如3个）云计算节点。
首先，对新扩展的这3个云计算节点的节点配置数据进行系统登记。节点配置数据可能包括每个云计算节点的IP地址、端口号、处理能力等信息，这些都是构成链接映射信息的重要部分。同时，原来的Xa-1个（例如2个）云计算节点的节点配置数据已经是系统登记过的。
当监测到新登记的这3个云计算节点的节点配置数据时，可以在原来的2个云计算节点中储存这些新的配置数据。这样，所有的云计算节点都可以监听到新增加了哪些云计算节点，以及它们的详细配置信息。
同时，还可以在新增的3个云计算节点中的第b个（例如b=2，即第二个）云计算节点中储存其它云计算节点的节点配置数据。这里的"其它云计算节点"指的是除了第二个云计算节点之外的所有云计算节点，包括原来的2个云计算节点和新增的其它2个云计算节点，总共4个云计算节点。
通过这种方式，每一个云计算节点都可以获取整个网络的节点配置信息，有利于整个网络的协调和运行。同时，当新的云计算节点加入或者旧的云计算节点离开时，可以快速地更新和传播这些信息，保证系统的稳定和高效运行。
由此，获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，包括：
在所述Xa-1个云计算节点和所述Ya个云计算节点中存在主节点时，将所述Xa-1个云计算节点和所述Ya个云计算节点中除所述主节点之外的(Xa-1+Ya-1)个云计算节点确定的(Xa-1+Ya-1)个功能层更新系数发送给所述主节点，所述(Xa-1+Ya-1)个云计算节点与所述主节点之间预先基于所述(Xa-1+Ya-1)个云计算节点与所述主节点中储存的节点配置数据构建会话关系。
例如，在处理无人机状态训练数据的过程中，假设总共有5个云计算节点（包括原来的Xa-1个和新扩展的Ya个）参与第a批次（例如a=3）的知识学习。
在这5个云计算节点中，会选择一个作为主节点。主节点的选择可以根据多种因素，例如节点的处理能力、网络连接质量等。假设选择了第一个云计算节点作为主节点。
在完成一轮神经网络计算任务后，除了主节点之外的其他4个云计算节点（即(Xa-1+Ya-1)个云计算节点）都会计算出一个功能层更新系数。这些系数反映了在处理无人机状态训练数据时，各个云计算节点对神经网络模型的更新建议。
然后，这4个云计算节点会将他们计算出的功能层更新系数发送给主节点。在这个过程中，每个云计算节点与主节点之间都会基于预先储存的节点配置数据构建一个会话关系。这个会话关系可以保证数据的安全传输，并且在数据传输过程中出现问题时可以提供有效的错误检测和恢复。
最后，主节点收到所有其他节点发送的功能层更新系数后，可以计算出平均系数，然后根据这个系数来更新神经网络模型。
通过这种方式，所有的云计算节点都能参与到神经网络模型的更新过程中，使得更新结果更加全面和准确。同时，使用主节点进行统一的管理和协调，可以有效提高系统的效率。
在一种可能的实施方式中，所述获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数，包括：获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的参数更新导数，生成(Xa-1+Ya)个参数更新导数。
例如，在处理无人机状态训练数据的过程中，假设总共有5个云计算节点（包括原来的Xa-1个和新扩展的Ya个）参与第a批次（例如a=3）的知识学习。
在每一轮的神经网络计算任务完成后，这5个云计算节点都会根据自己处理的无人机状态训练数据和神经网络计算结果，确定一个参数更新导数。参数更新导数是衡量神经网络模型中各参数变化对模型预测能力影响的一个重要指标，可以用来指导模型的优化方向。
这样，就得到了5个（即(Xa-1+Ya)个）参数更新导数，这些更新导数分别反映了各个云计算节点在处理数据时对神经网络模型的优化建议。
接下来，可以通过一定的转换或者归一化等方法，将这些参数更新导数转化为功能层更新系数。功能层更新系数更直观地表示了在模型优化过程中，各个功能层应该如何调整其参数。
通过这种方式，可以利用所有云计算节点在处理数据时得到的信息，以更全面和准确地更新和优化神经网络模型。
在一种可能的实施方式中，步骤B110可以包括：
依据下述操作进行所述第a批次的知识学习：
步骤B101，在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源压缩要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，将所述Xa-1个云计算节点中的Ka个云计算节点输出为用于所述第a批次的知识学习的云计算节点。
本实施例中，Xa-1为正整数，Ka为正整数，所述Xa-1个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Ka个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务。
步骤B102，将所述第a批次的知识学习中调度的无人机状态训练数据分成Ka组无人机状态训练数据，并将所述Ka组无人机状态训练数据加载至所述Ka个云计算节点中，所述Ka组无人机状态训练数据与所述Ka个云计算节点分别存在映射关系。
步骤B103，调度所述Ka个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成Ka组神经网络挖掘数据。
步骤B104，基于所述Ka组神经网络挖掘数据和在先标注的与所述Ka组无人机状态训练数据对应的Ka组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值。
步骤B105，在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Ka个云计算节点中。
步骤B106，在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络。
例如，以下是结合具体场景对上述技术内容的每个步骤进行举例说明：
本实施例使用无人机状态训练数据序列对初始化的神经网络进行M批次（例如M=100）的知识学习，以生成目标神经网络。
在第a批次（例如a=3）的知识学习中，系统会根据设定的第二云计算资源压缩要求来调度无人机状态训练数据的量级。假设在第2批次的知识学习中，使用了4个（即Xa-1个）云计算节点，并且这些节点都加载有第2批次知识学习生成的神经网络。在第3批次的知识学习中，决定使用其中的3个（即Ka个）云计算节点。
然后，将第3批次的知识学习中调度的无人机状态训练数据分成3组，并将这3组数据加载至所选的3个云计算节点中。
接下来，调度这3个云计算节点中的神经网络对对应的一组无人机状态训练数据进行神经网络计算任务，生成3组神经网络挖掘数据。
接着，基于这3组神经网络挖掘数据和预先标注的与这3组无人机状态训练数据对应的标签挖掘数据，确定第3批次知识学习对应的Loss函数值。Loss函数值是一个衡量模型预测结果与实际结果差距的重要指标。
如果第3批次的知识学习对应的Loss函数值不符合设定的训练终止要求（例如要求Loss函数值小于某个阈值），系统会更新第2批次知识学习生成的神经网络中的功能层定义信息，生成第3批次知识学习生成的神经网络。
如果第3批次的知识学习对应的Loss函数值符合设定的训练终止要求，系统会终止知识学习，并将第2批次知识学习生成的神经网络输出为目标神经网络。
通过这种方式，能够利用分布式的云计算资源高效地进行大规模的神经网络训练，并且可以灵活地调整和优化训练过程，以提高训练效果和效率。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的无人机服务系统100。
对于一个实施例，图2示出了无人机服务系统100，该无人机服务系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，无人机服务系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，无人机服务系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为无人机服务系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为无人机服务系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为无人机服务系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为无人机服务系统100提供接口以结合多个网络通信，无人机服务系统100可通过多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中，无人机服务系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，无人机服务系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，无人机服务系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种基于人工智能的无人机状态数据处理方法，其特征在于，应用于无人机服务系统，所述方法包括：
在候选无人机状态数据集合中的候选无人机状态数据的量级符合设定的第一云计算资源增设要求、以及此时将X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第一期望代价大于第一门限值；
从所述候选无人机状态数据集合中获取Y批候选无人机状态数据，并将所述Y批候选无人机状态数据加载至所述Y个云计算节点中，所述Y批候选无人机状态数据与所述Y个云计算节点分别存在映射关系，所述X个云计算节点和所述Y个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第二期望代价不大于所述第一门限值；
当调度所述X个云计算节点对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，生成Y个无人机状态挖掘数据，所述Y个云计算节点和所述X个云计算节点是同步进行所述神经网络计算任务的云计算节点；
所述调度所述Y个云计算节点中的各个云计算节点对对应的一批候选无人机状态数据进行所述神经网络计算任务，包括：
依据下述操作调度所述Y个云计算节点中的第a个云计算节点对第a批候选无人机状态数据进行所述神经网络计算任务，a不小于1、且不大于Y：
依据所述第a个云计算节点中的逻辑运算芯片分对所述第a批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第a个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务；
其中，期望代价为完成神经网络计算任务所需要的预期资源消耗；
神经网络计算任务的期望代价的计算公式包括：
E = D * N / (C * T)
其中，E是期望代价，D是无人机状态数据数量，N是神经网络模型参数数量N，C是云计算节点的计算能力，T是时间限制。
2.根据权利要求1所述的基于人工智能的无人机状态数据处理方法，其特征在于，所述在候选无人机状态数据集合中的候选无人机状态数据的量级符合设定的第一云计算资源增设要求、以及此时将X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，包括：
在所述候选无人机状态数据集合中的候选无人机状态数据的量级不小于设定的第一门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务；
或者，在所述候选无人机状态数据集合中的候选无人机状态数据的量级的正向变化导数不小于设定的第一导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，
基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的第一门限量级，确定Y的数值，并将增设的所述Y个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务。
3.根据权利要求1所述的基于人工智能的无人机状态数据处理方法，其特征在于，所述方法还包括：
在所述候选无人机状态数据集合中的候选无人机状态数据的量级不大于设定的第二门限量级、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，将此时调度的所述X个云计算节点压缩到K个云计算节点，或者在所述候选无人机状态数据集合中的候选无人机状态数据的量级的负向变化导数不小于设定的第二导数值、以及此时将所述X个云计算节点设定为用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务时，基于所述候选无人机状态数据集合中的候选无人机状态数据的量级与设定的第二门限量级，确定K的数值，并将此时调度的所述X个云计算节点压缩到所述K个云计算节点，K不小于1、且小于X，所述K个云计算节点被用于对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点中除所述K个云计算节点之外的云计算节点被用于结束对所述候选无人机状态数据集合中的候选无人机状态数据进行神经网络计算任务，所述X个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第三期望代价小于第二门限值，所述第二门限值小于所述第一门限值；
从所述候选无人机状态数据集合中获取K批候选无人机状态数据，并将所述K批候选无人机状态数据加载至所述K个云计算节点中，所述K批候选无人机状态数据与所述K个云计算节点分别存在映射关系，所述K个云计算节点对所述候选无人机状态数据集合中的各个候选无人机状态数据进行所述神经网络计算任务所对应的第四期望代价不小于所述第二门限值、且不大于所述第一门限值；
依据下述操作调度所述K个云计算节点中的第b个云计算节点对第b批候选无人机状态数据进行所述神经网络计算任务，b不小于1、且不大于K：
依据所述第b个云计算节点中的逻辑运算芯片分对所述第b批候选无人机状态数据中的各候选无人机状态数据进行逻辑运算任务，生成对应的逻辑运算数据，并将所述逻辑运算数据加载到所述第b个云计算节点中的神经处理芯片，依据所述神经处理芯片使用目标神经网络对所述逻辑运算数据进行所述神经网络计算任务，生成对应的无人机状态挖掘数据，所述K个云计算节点中的各个云计算节点是同步进行所述神经网络计算任务的云计算节点，所述逻辑运算任务与所述神经网络计算任务为不同阶段的任务。
4.根据权利要求1或3所述的基于人工智能的无人机状态数据处理方法，其特征在于，所述方法还包括：
使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，第a批次的知识学习中调度的加载有第a-1批次的知识学习生成的神经网络的云计算节点的量级与所述第a批次的知识学习中调度的无人机状态训练数据的量级对应，M不小于2，a不小于2、且不大于M，所述第a批次的知识学习中调度的云计算节点被用于调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务。
5.根据权利要求4所述的基于人工智能的无人机状态数据处理方法，其特征在于，使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，包括：
依据下述操作进行所述第a批次的知识学习：
在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源增设要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，扩展用于所述第a批次的知识学习的Ya个云计算节点，Xa-1为正整数，Ya为正整数，所述Xa-1个云计算节点和所述Ya个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Xa-1个云计算节点和所述Ya个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务；
将所述第a批次的知识学习中调度的无人机状态训练数据分成(Xa-1+Ya)组无人机状态训练数据，并将所述(Xa-1+Ya)组无人机状态训练数据加载至所述Xa-1个云计算节点和所述Ya个云计算节点中，所述(Xa-1+Ya)组无人机状态训练数据与所述Xa-1个云计算节点和所述Ya个云计算节点分别存在映射关系；
调度所述Xa-1个云计算节点和所述Ya个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成(Xa-1+Ya)组神经网络挖掘数据；
基于所述(Xa-1+Ya)组神经网络挖掘数据和在先标注的与所述(Xa-1+Ya)组无人机状态训练数据对应的(Xa-1+Ya)组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值；
在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Xa-1个云计算节点和所述Ya个云计算节点中；
在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络；
所述更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，包括：
获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数；
确定(Xa-1+Ya)个功能层更新系数的平均系数；
依据所述平均系数更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络。
6.根据权利要求5所述的基于人工智能的无人机状态数据处理方法，其特征在于，所述方法还包括：
在扩展了所述Ya个云计算节点时，对所述Ya个云计算节点的节点配置数据进行系统登记，所述Ya个云计算节点的节点配置数据包括所述Ya个云计算节点的链接映射信息，所述Xa-1个云计算节点的节点配置数据是已系统登记的节点配置数据；
当监测到新系统登记的所述Ya个云计算节点的节点配置数据时，在所述Xa-1个云计算节点中储存提取的所述Ya个云计算节点的节点配置数据，并在所述Ya个云计算节点中的第b个云计算节点中储存提取的(Xa-1+Ya-1)个其它云计算节点的节点配置数据，(Xa-1+Ya-1)个其它云计算节点是所述Xa-1个云计算节点和所述Ya个云计算节点中除所述第b个云计算节点之外的云计算节点，b不小于1、且不大于Ya；
所述获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，包括：
在所述Xa-1个云计算节点和所述Ya个云计算节点中存在主节点时，将所述Xa-1个云计算节点和所述Ya个云计算节点中除所述主节点之外的(Xa-1+Ya-1)个云计算节点确定的(Xa-1+Ya-1)个功能层更新系数发送给所述主节点，所述(Xa-1+Ya-1)个云计算节点与所述主节点之间预先基于所述(Xa-1+Ya-1)个云计算节点与所述主节点中储存的节点配置数据构建会话关系。
7.根据权利要求5或6所述的基于人工智能的无人机状态数据处理方法，其特征在于，所述获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的功能层更新系数，生成(Xa-1+Ya)个功能层更新系数，包括：
获取所述Xa-1个云计算节点和所述Ya个云计算节点在所述第a批次的知识学习中确定的参数更新导数，生成(Xa-1+Ya)个参数更新导数。
8.根据权利要求4所述的基于人工智能的无人机状态数据处理方法，其特征在于，使用无人机状态训练数据序列对初始化的神经网络进行M批次的知识学习，生成所述目标神经网络，包括：
依据下述操作进行所述第a批次的知识学习：
在所述第a批次的知识学习中调度的无人机状态训练数据的量级符合设定的第二云计算资源压缩要求、且所述第a-1批次的知识学习中调度的云计算节点为Xa-1个云计算节点时，将所述Xa-1个云计算节点中的Ka个云计算节点输出为用于所述第a批次的知识学习的云计算节点，Xa-1为正整数，Ka为正整数，所述Xa-1个云计算节点中的各个云计算节点加载有所述第a-1批次的知识学习生成的神经网络，所述Ka个云计算节点被用于在所述第a批次的知识学习中调度所述第a-1批次的知识学习生成的神经网络对所述第a批次的知识学习中调度的无人机状态训练数据进行所述神经网络计算任务；
将所述第a批次的知识学习中调度的无人机状态训练数据分成Ka组无人机状态训练数据，并将所述Ka组无人机状态训练数据加载至所述Ka个云计算节点中，所述Ka组无人机状态训练数据与所述Ka个云计算节点分别存在映射关系；
调度所述Ka个云计算节点中的所述第a-1批次的知识学习生成的神经网络对对应的一组无人机状态训练数据进行所述神经网络计算任务，生成Ka组神经网络挖掘数据；
基于所述Ka组神经网络挖掘数据和在先标注的与所述Ka组无人机状态训练数据对应的Ka组标签挖掘数据，确定所述第a批次的知识学习对应的Loss函数值；
在所述第a批次的知识学习对应的Loss函数值不符合设定的训练终止要求时，更新所述第a-1批次的知识学习生成的神经网络中的功能层定义信息，生成所述第a批次的知识学习生成的神经网络，所述第a批次的知识学习生成的神经网络被配置在所述Ka个云计算节点中；
在所述第a批次的知识学习对应的Loss函数值符合设定的训练终止要求时，终止知识学习，并将所述第a-1批次的知识学习生成的神经网络输出为所述目标神经网络。
9.一种无人机服务系统，其特征在于，所述无人机服务系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-8中任意一项所述的基于人工智能的无人机状态数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328251.8A CN117076134B (zh) | 2023-10-13 | 2023-10-13 | 基于人工智能的无人机状态数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328251.8A CN117076134B (zh) | 2023-10-13 | 2023-10-13 | 基于人工智能的无人机状态数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117076134A CN117076134A (zh) | 2023-11-17 |
| CN117076134B true CN117076134B (zh) | 2024-04-02 |
Family
ID=88706341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311328251.8A Active CN117076134B (zh) | 2023-10-13 | 2023-10-13 | 基于人工智能的无人机状态数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117076134B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110225582A (zh) * | 2019-07-01 | 2019-09-10 | 西安电子科技大学 | 基于协作传输的无人机能量补给调度方法 |
| CN111158401A (zh) * | 2020-01-20 | 2020-05-15 | 北京理工大学 | 一种分布式鼓励时空数据探索的无人机路径规划系统及方法 |
| CN112817327A (zh) * | 2020-12-30 | 2021-05-18 | 北京航空航天大学 | 一种通信约束下的多无人机协同搜索方法 |
| CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
| CN113900445A (zh) * | 2021-10-13 | 2022-01-07 | 厦门渊亭信息科技有限公司 | 基于多智能体强化学习的无人机协同控制训练方法及系统 |
| CN114490036A (zh) * | 2021-12-28 | 2022-05-13 | 西北工业大学 | 一种可扩展分布式多余度无人机智能飞行控制计算机 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230136335A (ko) * | 2022-03-18 | 2023-09-26 | 한국전자통신연구원 | 강화학습 기반 다중 드론 네트워크 협업 운용 계획 생성 방법 및 장치 |
-
2023
- 2023-10-13 CN CN202311328251.8A patent/CN117076134B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110225582A (zh) * | 2019-07-01 | 2019-09-10 | 西安电子科技大学 | 基于协作传输的无人机能量补给调度方法 |
| CN111158401A (zh) * | 2020-01-20 | 2020-05-15 | 北京理工大学 | 一种分布式鼓励时空数据探索的无人机路径规划系统及方法 |
| CN112817327A (zh) * | 2020-12-30 | 2021-05-18 | 北京航空航天大学 | 一种通信约束下的多无人机协同搜索方法 |
| CN113395654A (zh) * | 2021-06-11 | 2021-09-14 | 广东工业大学 | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 |
| CN113900445A (zh) * | 2021-10-13 | 2022-01-07 | 厦门渊亭信息科技有限公司 | 基于多智能体强化学习的无人机协同控制训练方法及系统 |
| CN114490036A (zh) * | 2021-12-28 | 2022-05-13 | 西北工业大学 | 一种可扩展分布式多余度无人机智能飞行控制计算机 |
Non-Patent Citations (1)
| Title |
|---|
| 基于强化学习的无人机自主机动决策方法;孙楚;赵辉;王渊;周欢;韩瑾;;火力与指挥控制;20190415(04);全部 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117076134A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A hierarchical framework of cloud resource allocation and power management using deep reinforcement learning | |
| US11449014B2 (en) | Combined learned and dynamic control system | |
| CN112001585A (zh) | 多智能体决策方法、装置、电子设备及存储介质 | |
| CN110481536A (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
| Liu et al. | Prophet: Realizing a predictable real-time perception pipeline for autonomous vehicles | |
| CN116047934B (zh) | 一种无人机集群的实时仿真方法、系统以及电子设备 | |
| KR20210056655A (ko) | 클라우드 엣지 환경에서 예측 기반 마이그레이션 후보 및 대상 선정 방법 | |
| CN113033806A (zh) | 一种训练深度强化学习模型的方法、装置以及调度方法 | |
| Jia et al. | Online V2X scheduling for raw-level cooperative perception | |
| CN116010069A (zh) | 管理推理过程的方法、电子设备和计算机程序产品 | |
| CN116910568B (zh) | 图神经网络模型的训练方法及装置、存储介质及电子装置 | |
| Hussain et al. | Resource allocation of industry 4.0 micro-service applications across serverless fog federation | |
| CN117076134B (zh) | 基于人工智能的无人机状态数据处理方法及系统 | |
| US20230342626A1 (en) | Model processing method and related apparatus | |
| CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及系统 | |
| CN116481513A (zh) | 地图生成方法、装置、电子设备 | |
| Wang et al. | Edge computing for artificial intelligence | |
| US20240264916A1 (en) | Autonomous adaptation of software monitoring of realtime systems | |
| CN115048218A (zh) | 一种边缘异构场景中的端云协同推理方法和系统 | |
| CN113254200A (zh) | 资源编排方法及智能体 | |
| Švogor et al. | Multi-criteria software component allocation on a heterogeneous platform | |
| CN114365148A (zh) | 神经网络运行系统和方法 | |
| US20230359539A1 (en) | Improved software monitoring of real-time services | |
| CN117827619B (zh) | 异构算力的耗时预测仿真方法、装置、设备、介质及系统 | |
| WO2024001302A1 (zh) | 一种建图系统及相关方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |