CN117555355A - 基于人工智能的无人机集群控制方法及其系统 - Google Patents
基于人工智能的无人机集群控制方法及其系统 Download PDFInfo
- Publication number
- CN117555355A CN117555355A CN202311284996.9A CN202311284996A CN117555355A CN 117555355 A CN117555355 A CN 117555355A CN 202311284996 A CN202311284996 A CN 202311284996A CN 117555355 A CN117555355 A CN 117555355A
- Authority
- CN
- China
- Prior art keywords
- action
- time sequence
- environmental
- vector
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 212
- 230000007613 environmental effect Effects 0.000 claims abstract description 111
- 230000009471 action Effects 0.000 claims abstract description 78
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000003247 decreasing effect Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 84
- 238000005457 optimization Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于人工智能的无人机集群控制方法及其系统。其首先获取预定时间段内多个预定时间点的环境风速值和环境风向值，接着，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列，然后，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量，最后，基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。这样，可以利用深度学习技术对环境风场进行时序特征提取，并以此来实现对无人机集群行进速度档位的自适应调节。
Description
技术领域
本公开涉及无人机集群控制领域，且更为具体地，涉及一种基于人工智能的无人机集群控制方法及其系统。
背景技术
无人机集群是由多个无人机组成的协同作战的系统，具有高度的灵活性和自适应性，能够完成复杂的任务。无人机集群的控制方法是无人机集群系统的核心技术之一，它决定了无人机集群的行为和性能。
环境风场会对无人机集群的运动产生作用力，导致无人机集群的行进速度发生变化，从而影响无人机集群的任务执行效率和安全性。
因此，如何根据环境风场的变化自适应地调整无人机集群的行进速度档位是需要解决的一个重要问题。
发明内容
有鉴于此，本公开提出了一种基于人工智能的无人机集群控制方法及其系统，其可以利用深度学习技术对环境风场进行时序特征提取，并以此来实现对无人机集群行进速度档位的自适应调节。
根据本公开的一方面，提供了一种基于人工智能的无人机集群控制方法，其包括：获取预定时间段内多个预定时间点的环境风速值和环境风向值；对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
根据本公开的另一方面，提供了一种基于人工智能的无人机集群控制系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的环境风速值和环境风向值；数据预处理模块，用于对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；特征提取与全局关联编码模块，用于对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及行进速度档位控制模块，用于基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
根据本公开的实施例，其首先获取预定时间段内多个预定时间点的环境风速值和环境风向值，接着，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列，然后，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量，最后，基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。这样，可以利用深度学习技术对环境风场进行时序特征提取，并以此来实现对无人机集群行进速度档位的自适应调节。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于人工智能的无人机集群控制方法的流程图。
图2示出根据本公开的实施例的基于人工智能的无人机集群控制方法的架构示意图。
图3示出根据本公开的实施例的基于人工智能的无人机集群控制方法的子步骤S120的流程图。
图4示出根据本公开的实施例的基于人工智能的无人机集群控制方法的子步骤S130的流程图。
图5示出根据本公开的实施例的基于人工智能的无人机集群控制系统的框图。
图6示出根据本公开的实施例的基于人工智能的无人机集群控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思是利用深度学习技术对环境风场进行时序特征提取，并以此来实现对无人机集群行进速度档位的自适应调节。
图1示出根据本公开的实施例的基于人工智能的无人机集群控制方法的流程图。图2示出根据本公开的实施例的基于人工智能的无人机集群控制方法的架构示意图。如图1和图2所示，根据本公开实施例的基于人工智能的无人机集群控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的环境风速值和环境风向值；S120，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；S130，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及，S140，基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
基于此，在本公开的技术方案中，首先，获取预定时间段内多个预定时间点的环境风速值和环境风向值。这里，环境风速值和环境风向值是表征风场信息的两个重要参数。风速指的是风的运动速度，而风向则表示风的吹向或起源的方向。具体来说，环境风速值反应风的强度。对于无人机而言，强风可能会对其稳定性和可操控性产生负面影响。在飞行过程中，如果环境风速超过无人机的可承受范围，就需要相应地调整无人机的行进速度。此外，风向的变化可能会导致无人机偏离原定航线，甚至影响到无人机的航向控制，对于无人机的飞行策略的调整具有重要意义。
然后，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列。在本公开的一个具体示例中，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列的编码过程，包括：先将所述多个预定时间点的环境风速值和环境风向值分别按照时间维度排列为环境风速时序输入向量和环境方向时序输入向量；再计算所述环境风速时序输入向量和所述环境风向时序输入向量之间的按位置点乘以得到环境作用时序输入向量；随后，对所述环境作用时序输入向量进行向量切分以得到环境作用局部时序输入向量的序列。
这里，以按位置点乘的方式来构建和表征所述环境风速时序输入向量和所述环境风向时序输入向量之间的关联关系。应可以理解，环境风速和环境风向的组合提供了对风场的完整描述。通过综合考虑风速和风向，才可以完整地了解风场的整体特征，如风的强度、方向和变化趋势。
接着，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量。也就是，对各个环境作用局部时序输入向量进行特征提取，以捕捉环境风速与环境风向的局部时序作用特征分布；并将各个局部时序作用特征分布进行全局关联编码，以表征环境风场的整体作用变化模式。
在本公开的一个具体示例中，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量的编码过程，包括：先将所述环境作用局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到环境作用局部时序特征向量的序列；再将所述环境作用局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到时域全局上下文环境作用特征向量。
相应地，如图3所示，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列，包括：S121，将所述多个预定时间点的环境风速值和环境风向值分别按照时间维度排列为环境风速时序输入向量和环境方向时序输入向量；S122，计算所述环境风速时序输入向量和所述环境风向时序输入向量之间的按位置点乘以得到环境作用时序输入向量；以及，S123，对所述环境作用时序输入向量进行向量切分以得到所述环境作用局部时序输入向量的序列。应可以理解，在步骤S120，涉及到了S121、S122、S123三个步骤，用于对多个预定时间点的环境风速值和环境风向值进行数据预处理，以得到环境作用局部时序输入向量的序列。步骤S121的目的是将环境风速和环境风向的值按照时间的顺序排列，形成两个时序输入向量，通过按照时间维度排列，可以保留时间序列的信息，使得模型可以捕捉到环境风速和环境风向随时间的变化。在步骤S122中，将环境风速时序输入向量和环境风向时序输入向量进行按位置点乘操作。按位置点乘是指将两个向量中相同位置的元素相乘，得到一个新的向量，这样做的目的是将环境风速和环境风向的信息结合起来，得到一个综合的环境作用时序输入向量。在步骤S123中，将环境作用时序输入向量进行切分，得到多个局部时序输入向量的序列，这样做的目的是将整个时间序列划分为多个局部时间窗口，使得模型可以分别处理每个局部窗口的环境作用信息，这样可以提供更细粒度的信息，使得模型能够更好地理解不同时间段的环境作用。
相应地，如图4所示，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量，包括：S131，对所述环境作用局部时序输入向量的序列进行时序分析以得到环境作用局部时序特征向量的序列；以及，S132，提取所述环境作用局部时序特征向量的序列之间的时域全局关联特征以得到所述时域全局上下文环境作用特征向量。应可以理解，在步骤S130中，涉及到了S131、S132两个步骤，用于对环境作用局部时序输入向量的序列进行特征提取与全局关联编码，以得到时域全局上下文环境作用特征向量。步骤S131的目的是对环境作用局部时序输入向量进行分析，提取其中的特征，通过时序分析，可以捕捉到环境作用在不同时间点上的变化模式和趋势，这样可以得到环境作用局部时序特征向量的序列，每个特征向量表示一个时间点上的环境作用特征。在步骤S132中，通过提取环境作用局部时序特征向量序列之间的时域全局关联特征，可以捕捉到不同时间点之间的关联信息。这些关联特征可以提供时域上的全局上下文，帮助模型理解环境作用的整体趋势和模式。最终得到的时域全局上下文环境作用特征向量可以用于进一步的分析和建模。
更具体地，在步骤S131中，对所述环境作用局部时序输入向量的序列进行时序分析以得到环境作用局部时序特征向量的序列，包括：将所述环境作用局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述环境作用局部时序特征向量的序列。值得一提的是，一维卷积层是深度学习中的一种常用神经网络层，用于处理具有时间序列结构的数据。它在时序数据的特征提取中具有重要作用。一维卷积层通过滑动窗口的方式对输入数据进行局部感知，并通过卷积操作提取输入数据的局部特征。一维卷积层的输入通常是一个三维张量，形状为(batch_size,sequence_length, input_channels)，其中batch_size表示样本数量，sequence_length表示时间序列的长度，input_channels表示每个时间点上的特征维度。一维卷积层的主要作用是通过卷积核（也称为滤波器）对输入数据进行卷积操作，从而提取局部特征。卷积核的大小决定了感受野的大小，即每个卷积核能够感知的输入数据的局部区域大小。卷积操作可以捕捉到输入数据在不同时间点上的局部模式和特征。在时序特征提取中，一维卷积层可以通过学习适合特定任务的卷积核权重，从输入的环境作用局部时序输入向量中提取有用的时序特征。这些特征可以用于后续的任务，如分类、回归等。总之，一维卷积层在时序数据的特征提取中发挥重要作用，能够从输入的环境作用局部时序输入向量中提取有用的时序特征，帮助模型更好地理解和利用时间序列数据。
更具体地，在步骤S132中，提取所述环境作用局部时序特征向量的序列之间的时域全局关联特征以得到所述时域全局上下文环境作用特征向量，包括：将所述环境作用局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述时域全局上下文环境作用特征向量。值得一提的是，Bi-LSTM（双向长短期记忆网络）是一种常用的循环神经网络（RNN）模型，用于处理序列数据。与传统的单向LSTM不同，Bi-LSTM在处理序列时同时考虑了过去和未来的上下文信息。Bi-LSTM由两个LSTM组成，一个按正向顺序处理输入序列，另一个按逆向顺序处理输入序列。通过这种方式，Bi-LSTM能够同时捕捉到过去和未来的上下文信息，并将它们融合在一个特征表示中。Bi-LSTM的主要作用是在序列数据中建模长期依赖关系，并且能够更好地捕捉到序列中的上下文信息。它具有以下几个优点：1.上下文建模：Bi-LSTM能够通过正向和逆向的处理路径，同时捕捉到过去和未来的上下文信息。这对于序列数据中的语义理解和特征提取非常有帮助。2.长期依赖关系：LSTM单元内部的门控机制使得Bi-LSTM能够有效地处理长期依赖关系。这对于序列数据中存在的长距离依赖非常重要，例如自然语言处理中的语义理解和生成任务。3.特征融合：Bi-LSTM将正向和逆向的隐藏状态拼接在一起，形成一个更丰富的特征表示。这有助于提取更全面、更具表达力的特征，从而提高模型的性能。通过使用基于Bi-LSTM的模型，可以对环境作用局部时序特征向量的序列进行建模，并融合过去和未来的上下文信息。这样可以得到时域全局上下文环境作用特征向量，其中包含了更全面的时序信息，有助于提高模型对环境作用的理解和表示能力。
继而，将所述时域全局上下文环境作用特征向量通过分类器以得到分类结果，所述分类结果用于表示无人机集群的行进速度档位应增大或应减小。相应地，基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小，包括：将所述时域全局上下文环境作用特征向量通过分类器以得到分类结果，所述分类结果用于表示无人机集群的行进速度档位应增大或应减小。
更具体地，将所述时域全局上下文环境作用特征向量通过分类器以得到分类结果，所述分类结果用于表示无人机集群的行进速度档位应增大或应减小，包括：使用所述分类器的全连接层对所述时域全局上下文环境作用特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本公开的技术方案中，所述分类器的标签包括无人机集群的行进速度档位应增大(第一标签)，以及，无人机集群的行进速度档位应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述时域全局上下文环境作用特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“无人机集群的行进速度档位应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，无人机集群的行进速度档位应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“无人机集群的行进速度档位应增大或应减小”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码（Fully Connected Encoding）是指将输入数据通过全连接层进行编码的过程。全连接层是深度学习中常见的神经网络层，其中每个神经元与前一层的所有神经元相连接。全连接编码的主要作用是将输入数据转换为具有更高级别表示和更丰富语义信息的特征向量。通过全连接层的连接权重和偏置项的学习，可以将输入数据映射到新的特征空间，并且能够捕捉到输入数据之间的复杂关系。在分类任务中，全连接编码常用于将输入特征进行降维和抽象，以便更好地表示数据的特征。全连接层的每个神经元可以看作是对输入数据的不同方面或特征进行编码，而全连接编码则是将这些特征进行组合和整合，形成更高级别的特征表示。全连接编码后的特征向量可以更好地表达输入数据的语义信息，提取出与分类任务相关的重要特征。这样，通过将编码分类特征向量输入到分类器的Softmax分类函数中，可以得到分类结果，即判断无人机集群行进速度档位应增大或应减小。总之，全连接编码通过全连接层将输入数据转换为更高级别的特征表示，能够提取出与分类任务相关的重要特征，为后续的分类过程提供更有信息量的输入。
进一步地，在本公开的技术方案中，所述的基于人工智能的无人机集群控制方法，其还包括训练步骤：对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述分类器进行训练。应可以理解，训练步骤在基于人工智能的无人机集群控制方法中起着关键作用。通过训练步骤，模型可以学习从输入数据中提取有用的特征，并进行准确的分类和决策。下面是训练步骤的作用和目的：1.特征提取器训练：训练步骤中的一部分是对基于一维卷积层的时序特征提取器进行训练。时序特征提取器的目的是从输入的环境数据中提取有用的时序特征。通过训练，特征提取器可以学习到对环境风速和风向等数据进行有效处理和提取特征的方式。2.上下文编码器训练：另一个训练步骤是对基于Bi-LSTM模型的上下文编码器进行训练。上下文编码器的目的是将时序特征向量序列转换为时域全局上下文环境作用特征向量。通过训练，上下文编码器可以学习到如何有效地融合过去和未来的上下文信息，并生成更具表达力的特征表示。3.分类器训练：训练步骤的另一部分是对分类器进行训练。分类器的目的是将时域全局上下文环境作用特征向量映射到行进速度档位的分类结果。通过训练，分类器可以学习到如何根据特征向量的模式和关联进行准确的分类决策。训练步骤的目的是通过优化模型参数，使模型能够更好地理解输入数据的特征和上下文，并做出准确的决策。通过反复迭代训练步骤，模型可以逐渐提高其性能和准确性，从而更好地控制无人机集群的行进速度，并根据环境风速和风向等因素做出相应的调整。
其中，更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境风速值和训练环境风向值，以及，无人机集群的行进速度档位应增大或应减小的真实值；将所述多个预定时间点的训练环境风速值和训练环境风向值分别按照时间维度排列为训练环境风速时序输入向量和训练环境方向时序输入向量；计算所述训练环境风速时序输入向量和所述训练环境风向时序输入向量之间的按位置点乘以得到训练环境作用时序输入向量；对所述训练环境作用时序输入向量进行向量切分以得到训练环境作用局部时序输入向量的序列；将所述训练环境作用局部时序输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练环境作用局部时序特征向量的序列；将所述训练环境作用局部时序特征向量的序列通过所述基于Bi-LSTM模型的上下文编码器以得到训练时域全局上下文环境作用特征向量；对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到优化时域全局上下文环境作用特征向量；将所述优化时域全局上下文环境作用特征向量通过分类器以得到分类损失函数值；以及，以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述分类器进行训练。
在本公开的技术方案中，所述训练环境作用局部时序特征向量的序列中的每个训练环境作用局部时序特征向量分别表达局部时域下的环境作用时序关联特征，由此，在将所述训练环境作用局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器后，得到的所述训练时域全局上下文环境作用特征向量可以表达全局时域下的各个局部时域之间的近程-远程双向上下文关联，这样，当将所述训练时域全局上下文环境作用特征向量通过分类器进行分类时，也会基于各个局部时域的时序关联特征分布尺度来进行尺度启发式的概率密度映射，但是，考虑到在所述训练时域全局上下文环境作用特征向量包含局部时域-全局时域下的混合时域空间的时序关联特征分布，这会降低所述分类器的训练效率。
基于此，本公开的申请人在训练过程中，将所述训练时域全局上下文环境作用特征向量通过分类器进行分类时，对所述训练时域全局上下文环境作用特征向量，例如记为进行特征秩表达的语义信息均一化激活。
相应地，在一个具体示例中，对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到优化时域全局上下文环境作用特征向量，包括：以如下优化公式对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到所述优化时域全局上下文环境作用特征向量；其中，所述优化公式为：其中，/>是所述训练时域全局上下文环境作用特征向量，/>是所述训练时域全局上下文环境作用特征向量的第/>个特征值，/>表示所述训练时域全局上下文环境作用特征向量的二范数，/>是以2为底的对数函数，且/>是权重超参数，/>是所述优化时域全局上下文环境作用特征向量的第/>个特征值。
这里，考虑到所述训练时域全局上下文环境作用特征向量的特征分布在高维特征空间到分类回归空间时的特征分布映射，在基于混合时域空间下的时序关联特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述训练时域全局上下文环境作用特征向量/>的特征分布在不同时域空间秩表达下的概率表达映射效率低下的问题，提升所述训练时域全局上下文环境作用特征向量通过分类器进行分类回归时的训练效率。
综上，基于本公开实施例的基于人工智能的无人机集群控制方法，其可以利用深度学习技术对环境风场进行时序特征提取，并以此来实现对无人机集群行进速度档位的自适应调节。
图5示出根据本公开的实施例的基于人工智能的无人机集群控制系统100的框图。如图5所示，根据本公开实施例的基于人工智能的无人机集群控制系统100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的环境风速值和环境风向值；数据预处理模块120，用于对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；特征提取与全局关联编码模块130，用于对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及，行进速度档位控制模块140，用于基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
在一种可能的实现方式中，所述数据预处理模块，包括：向量化单元，用于将所述多个预定时间点的环境风速值和环境风向值分别按照时间维度排列为环境风速时序输入向量和环境方向时序输入向量；向量点乘单元，用于计算所述环境风速时序输入向量和所述环境风向时序输入向量之间的按位置点乘以得到环境作用时序输入向量；以及，向量切分单元，用于对所述环境作用时序输入向量进行向量切分以得到所述环境作用局部时序输入向量的序列。
这里，本领域技术人员可以理解，上述基于人工智能的无人机集群控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于人工智能的无人机集群控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的基于人工智能的无人机集群控制系统100可以实现在各种无线终端中，例如具有基于人工智能的无人机集群控制算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于人工智能的无人机集群控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的无人机集群控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的无人机集群控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的无人机集群控制系统100与该无线终端也可以是分立的设备，并且该基于人工智能的无人机集群控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图6示出根据本公开的实施例的基于人工智能的无人机集群控制方法的应用场景图。如图6所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的环境风速值（例如，图6中所示意的D1）和环境风向值（例如，图6中所示意的D2），然后，将所述多个预定时间点的环境风速值和环境风向值输入至部署有基于人工智能的无人机集群控制算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于人工智能的无人机集群控制算法对所述多个预定时间点的环境风速值和环境风向值进行处理以得到用于表示无人机集群的行进速度档位应增大或应减小的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于人工智能的无人机集群控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的环境风速值和环境风向值；对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
2.根据权利要求1所述的基于人工智能的无人机集群控制方法，其特征在于，对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列，包括：将所述多个预定时间点的环境风速值和环境风向值分别按照时间维度排列为环境风速时序输入向量和环境方向时序输入向量；计算所述环境风速时序输入向量和所述环境风向时序输入向量之间的按位置点乘以得到环境作用时序输入向量；以及对所述环境作用时序输入向量进行向量切分以得到所述环境作用局部时序输入向量的序列。
3.根据权利要求2所述的基于人工智能的无人机集群控制方法，其特征在于，对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量，包括：对所述环境作用局部时序输入向量的序列进行时序分析以得到环境作用局部时序特征向量的序列；以及提取所述环境作用局部时序特征向量的序列之间的时域全局关联特征以得到所述时域全局上下文环境作用特征向量。
4.根据权利要求3所述的基于人工智能的无人机集群控制方法，其特征在于，对所述环境作用局部时序输入向量的序列进行时序分析以得到环境作用局部时序特征向量的序列，包括：将所述环境作用局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述环境作用局部时序特征向量的序列。
5.根据权利要求4所述的基于人工智能的无人机集群控制方法，其特征在于，提取所述环境作用局部时序特征向量的序列之间的时域全局关联特征以得到所述时域全局上下文环境作用特征向量，包括：将所述环境作用局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述时域全局上下文环境作用特征向量。
6.根据权利要求5所述的基于人工智能的无人机集群控制方法，其特征在于，基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小，包括：将所述时域全局上下文环境作用特征向量通过分类器以得到分类结果，所述分类结果用于表示无人机集群的行进速度档位应增大或应减小。
7.根据权利要求6所述的基于人工智能的无人机集群控制方法，其特征在于，还包括训练步骤：对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练环境风速值和训练环境风向值，以及，无人机集群的行进速度档位应增大或应减小的真实值；将所述多个预定时间点的训练环境风速值和训练环境风向值分别按照时间维度排列为训练环境风速时序输入向量和训练环境方向时序输入向量；计算所述训练环境风速时序输入向量和所述训练环境风向时序输入向量之间的按位置点乘以得到训练环境作用时序输入向量；对所述训练环境作用时序输入向量进行向量切分以得到训练环境作用局部时序输入向量的序列；将所述训练环境作用局部时序输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练环境作用局部时序特征向量的序列；将所述训练环境作用局部时序特征向量的序列通过所述基于Bi-LSTM模型的上下文编码器以得到训练时域全局上下文环境作用特征向量；对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到优化时域全局上下文环境作用特征向量；将所述优化时域全局上下文环境作用特征向量通过分类器以得到分类损失函数值；以及以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述分类器进行训练。
8.根据权利要求7所述的基于人工智能的无人机集群控制方法，其特征在于，对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到优化时域全局上下文环境作用特征向量，包括：以如下优化公式对所述训练时域全局上下文环境作用特征向量进行特征分布优化以得到所述优化时域全局上下文环境作用特征向量；其中，所述优化公式为：其中，/>是所述训练时域全局上下文环境作用特征向量，/>是所述训练时域全局上下文环境作用特征向量的第/>个特征值，/>表示所述训练时域全局上下文环境作用特征向量的二范数，/>是以2为底的对数函数，且/>是权重超参数，/>是所述优化时域全局上下文环境作用特征向量的第/>个特征值。
9.一种基于人工智能的无人机集群控制系统，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的环境风速值和环境风向值；数据预处理模块，用于对所述多个预定时间点的环境风速值和环境风向值进行数据预处理以得到环境作用局部时序输入向量的序列；特征提取与全局关联编码模块，用于对所述环境作用局部时序输入向量的序列进行特征提取与全局关联编码以得到时域全局上下文环境作用特征向量；以及行进速度档位控制模块，用于基于所述时域全局上下文环境作用特征向量，确定无人机集群的行进速度档位应增大或应减小。
10.根据权利要求9所述的基于人工智能的无人机集群控制系统，其特征在于，所述数据预处理模块，包括：向量化单元，用于将所述多个预定时间点的环境风速值和环境风向值分别按照时间维度排列为环境风速时序输入向量和环境方向时序输入向量；向量点乘单元，用于计算所述环境风速时序输入向量和所述环境风向时序输入向量之间的按位置点乘以得到环境作用时序输入向量；以及向量切分单元，用于对所述环境作用时序输入向量进行向量切分以得到所述环境作用局部时序输入向量的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284996.9A CN117555355A (zh) | 2023-10-07 | 2023-10-07 | 基于人工智能的无人机集群控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284996.9A CN117555355A (zh) | 2023-10-07 | 2023-10-07 | 基于人工智能的无人机集群控制方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117555355A true CN117555355A (zh) | 2024-02-13 |
Family
ID=89813584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311284996.9A Pending CN117555355A (zh) | 2023-10-07 | 2023-10-07 | 基于人工智能的无人机集群控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117555355A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200033892A1 (en) * | 2018-07-27 | 2020-01-30 | Ahmad Fareed Aldarwish | Autonomous aircraft control systems and related methods |
| CN113625755A (zh) * | 2021-08-09 | 2021-11-09 | 北京航空航天大学 | 一种仿候鸟迁徙行为的无人机集群自主编队控制方法 |
| CN113985914A (zh) * | 2021-10-21 | 2022-01-28 | 广州极飞科技股份有限公司 | 一种无人设备降落控制方法、装置、设备及存储介质 |
| KR20220167029A (ko) * | 2021-06-11 | 2022-12-20 | 주식회사 등대씨엔씨 | 복수의 무인비행체를 이용한 구조물 관리 방법 및 시스템 |
| CN116360485A (zh) * | 2023-03-06 | 2023-06-30 | 广州天勤数字科技有限公司 | 一种应用于桥梁巡检的无人机避障方法及无人机 |
| CN116738580A (zh) * | 2023-08-11 | 2023-09-12 | 杭州牧星科技有限公司 | 高亚音速无人机的速度-推力匹配系统及其方法 |
| CN116777183A (zh) * | 2023-08-17 | 2023-09-19 | 北京海舶无人船科技有限公司 | 无人船集群智能调度方法及系统 |
-
2023
- 2023-10-07 CN CN202311284996.9A patent/CN117555355A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200033892A1 (en) * | 2018-07-27 | 2020-01-30 | Ahmad Fareed Aldarwish | Autonomous aircraft control systems and related methods |
| KR20220167029A (ko) * | 2021-06-11 | 2022-12-20 | 주식회사 등대씨엔씨 | 복수의 무인비행체를 이용한 구조물 관리 방법 및 시스템 |
| CN113625755A (zh) * | 2021-08-09 | 2021-11-09 | 北京航空航天大学 | 一种仿候鸟迁徙行为的无人机集群自主编队控制方法 |
| CN113985914A (zh) * | 2021-10-21 | 2022-01-28 | 广州极飞科技股份有限公司 | 一种无人设备降落控制方法、装置、设备及存储介质 |
| CN116360485A (zh) * | 2023-03-06 | 2023-06-30 | 广州天勤数字科技有限公司 | 一种应用于桥梁巡检的无人机避障方法及无人机 |
| CN116738580A (zh) * | 2023-08-11 | 2023-09-12 | 杭州牧星科技有限公司 | 高亚音速无人机的速度-推力匹配系统及其方法 |
| CN116777183A (zh) * | 2023-08-17 | 2023-09-19 | 北京海舶无人船科技有限公司 | 无人船集群智能调度方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨任农，岳龙飞，宋敏，曹晓剑，王新: "基于Bi-LSTM的无人机轨迹预测模型及仿真", 航空工程进展, vol. 11, no. 1, 29 February 2020 (2020-02-29), pages 77 - 84 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moreno-Barea et al. | Improving classification accuracy using data augmentation on small data sets | |
| US11562208B2 (en) | Continuous relaxation of quantization for discretized deep neural networks | |
| US20210089922A1 (en) | Joint pruning and quantization scheme for deep neural networks | |
| CN108027899B (zh) | 用于提高经训练的机器学习模型的性能的方法 | |
| US11803744B2 (en) | Neural network learning apparatus for deep learning and method thereof | |
| Cheng et al. | Image recognition technology based on deep learning | |
| US20170091619A1 (en) | Selective backpropagation | |
| CN110222634B (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
| CN110537184A (zh) | 利用生成式对抗网络的半监督回归 | |
| CN107526785A (zh) | 文本分类方法及装置 | |
| CN107223260B (zh) | 用于动态地更新分类器复杂度的方法 | |
| US20220121949A1 (en) | Personalized neural network pruning | |
| EP3913538A1 (en) | Classification model calibration | |
| Kim et al. | Building deep random ferns without backpropagation | |
| US20220101133A1 (en) | Dynamic quantization for energy efficient deep learning | |
| US20230076290A1 (en) | Rounding mechanisms for post-training quantization | |
| US11704571B2 (en) | Learned threshold pruning for deep neural networks | |
| CN116767204B (zh) | 基于车辆载荷的车速控制方法及其系统 | |
| CN117555355A (zh) | 基于人工智能的无人机集群控制方法及其系统 | |
| Long et al. | Beginning deep learning with tensorflow | |
| WO2018203551A1 (ja) | 信号検索装置、方法、及びプログラム | |
| CN116630816B (zh) | 基于原型对比学习的sar目标识别方法、装置、设备及介质 | |
| US20240161312A1 (en) | Realistic distraction and pseudo-labeling regularization for optical flow estimation | |
| CN113033212B (zh) | 文本数据处理方法及装置 | |
| US20240160927A1 (en) | Single training sequence for neural network useable for multi-task scenarios |
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 |