CN117666368B - 基于物联网的无人机多机协同的作业方法及系统 - Google Patents
基于物联网的无人机多机协同的作业方法及系统 Download PDFInfo
- Publication number
- CN117666368B CN117666368B CN202410149412.5A CN202410149412A CN117666368B CN 117666368 B CN117666368 B CN 117666368B CN 202410149412 A CN202410149412 A CN 202410149412A CN 117666368 B CN117666368 B CN 117666368B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- neural network
- network model
- flight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 230000002776 aggregation Effects 0.000 claims abstract description 34
- 238000004220 aggregation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Abstract
本发明涉及无人机检测领域，更具体地，本发明涉及基于物联网的无人机多机协同的作业方法及系统。所述方法包括：获取无人机飞行状态数据集；计算无人机的稳定度；利用预设的聚类算法对无人机位置信息聚类，并计算无人机的聚集度；根据稳定度和聚集度构建神经网络模型的损失函数，训练神经网络模型，根据神经网络模型的评价指标获取最优神经网络模型；将待测的无人机飞行状态数据集输入最优神经网络模型，响应于输出的无人机安全概率小于预设阈值，发出检修信号。通过本发明的技术方案，能够提高无人机协同运输作业时的安全性，降低无人机之间发生碰撞的可能性。
Description
技术领域
本发明一般地涉及无人机检测领域。更具体地，本发明涉及基于物联网的无人机多机协同的作业方法及系统。
背景技术
近年来，无人机技术不断发展，成本下降，性能提高，使其成为许多行业应用的选择。同时，物联网技术的发展使得传感器网络更加普遍和易于部署，为无人机提供了更多实时数据，无人机的优势是灵活性高，响应速度快，活动范围广，物联网优势是万物互联，集中管理，将两者联动起来实现了一加一大于二的效果，并且逐渐应用于各个领域，诸如农业、物流、环境监测和应急响应等领域对高效、实时和精确的数据收集和处理的需求不断增加，无人机技术在农业、巡检、救援等领域的应用逐渐成熟，作业任务增多，越来越多的需要无人机进行协同作业，如进行无人机表演、协同运输等。
在无人机进行协同作业时，无人机的飞行状态监测是至关重要的，因为，一台无人机出现问题，不仅仅影响到自己的任务，同时也会影响到其周围无人机的作业情况，如何监测每个无人机的飞行状态，减少无人机出现问题时的损失是亟待解决的问题。
发明内容
为解决上述一个或多个技术问题，本发明提出基于物联网的无人机多机协同的作业方法及系统。
基于物联网的无人机多机协同的作业方法，包括以下步骤：获取无人机飞行状态数据集；利用预设的高斯模型获得无人机稳定飞行的概率；基于计算的无人机的超载比例、所述无人机飞行状态数据集中的环境风速和所述概率计算无人机的稳定度，所述稳定度满足关系式：
；
其中，表示第/>个无人机的稳定度，/>表示第/>个无人机稳定飞行的概率，/>表示第/>个无人机的超载比例，/>表示第/>个无人机所处的环境风速，/>表示调整因子。
利用预设的聚类算法对所述无人机飞行状态数据集中的无人机位置信息聚类，并计算无人机的聚集度；根据所述稳定度和所述聚集度构建神经网络模型的损失函数，训练所述神经网络模型，根据神经网络模型的评价指标获取最优神经网络模型；将待测的所述无人机飞行状态数据集输入所述最优神经网络模型，响应于输出的无人机安全概率小于预设阈值，发出检修信号；所述计算无人机的聚集度包括步骤：利用预设的聚类算法对所述无人机飞行状态数据集中的无人机位置信息聚类，将距离近的无人机聚类成一个聚类簇；根据目标聚类簇中无人机的个数和所述目标聚类簇的范围，计算无人机的聚集度，所述聚集度满足关系式：
；
其中，表示第个无人机的聚集度，表示第个无人机所在的聚类簇中无人机
的总数量，表示同一聚类簇中第个无人机和第个无人机之间的距离，表示矢性
函数。
在一个实施例中，所述无人机的超载比例满足关系式：
；
其中，表示第/>个无人机的超载比例，/>表示第/>个无人机的实际负载量，/>表示第/>个无人机的标准负载量，/>表示激活函数。
在一个实施例中，利用预设的高斯模型获得无人机稳定飞行的概率包括步骤：获取目标无人机多次历史飞行过程中的飞行情况，并获取所述飞行情况对应的飞行速度，其中，所述飞行情况包括飞行稳定和飞行不稳定；将所述飞行稳定对应的所述飞行速度提取出来，构建飞行稳定速度集；基于所述飞行稳定速度集构建高斯模型；将待测的无人机飞行速度输入构建完成的所述高斯模型中，输出无人机稳定飞行的概率。
在一个实施例中，所述获取最优神经网络模型包括步骤：构建神经网络模型，所述神经网络模型的输入层为所述无人机飞行状态数据集中的数据，输出层为所述数据对应的标签；根据所述稳定度和所述聚集度构建所述神经网络模型的损失函数，所述损失函数满足关系式：
；
其中，表示神经网络模型的损失函数，/>表示第/>个无人机的预测标签值，表示第/>个无人机的真实标签值，/>表示第/>个无人机的聚集度，/>表示第/>个无人机的稳定度。
所述神经网络模型构建完成后，使用梯度下降法训练所述神经网络模型；响应于所述神经网络模型达到预先设置的最大训练次数或者所述损失函数小于预设阈值时，所述神经网络模型停止训练，更新所述神经网络模型的超参数；每次训练均会获得对应的评价指标，选择所述评价指标最高的所述神经网络模型，从而获取最优神经网络模型。
本发明具有以下技术效果：
本发明能够通过构建一个最优神经网络模型，能够通过无人机飞行状态数据集的输入获得相对应的无人机的安全概率，从而避免多个无人机在协同作业时，某一个无人机出现故障而影响周围无人机工作的情况，降低无人机之间发生碰撞的可能性，提高无人机协同运输作业时的安全性，使各个无人机实现高效、精准的作业。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例基于物联网的无人机多机协同的作业方法的流程图。
图2是本发明实施例基于物联网的无人机多机协同的作业系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了基于物联网的无人机多机协同的作业方法。如图1所示，基于物联网的无人机多机协同的作业方法包括步骤S1-步骤S5，以下具体说明。
S1，获取无人机飞行状态数据集。
在一个实施例中，通过速度传感器获得无人机群中各个无人机的飞行速度，通过GPS（Global Positioning System 全球定位系统）装置获取无人机位置信息，通过风速传感器获得环境风速，通过称重传感器获得无人机负载。本领域技术人员根据获取的数据和无人机实际情况给每个无人机的飞行状态一个标签，标签即为无人机飞行安全和无人机飞行存在隐患，将无人机的飞行速度、位置信息、环境风速、无人机负载和标签构建为无人机飞行状态数据集。
S2，计算无人机的稳定度。
在一个实施例中，无人机负载过大会致使无人机的重心发生偏移，而无人机的重心位置对无人机的稳定性有着不可忽视的影响，合理的重心位置有助于减小无人机俯仰和横摇的振荡，因此，无人机负载的多少会直接影响到无人机的稳定性，无人机负载越大，其越不稳定，越容易产生振荡，可能会影响其他无人机的正常工作状态。计算无人机的超载比例，无人机的超载比例满足关系式：
；
其中，表示第/>个无人机的超载比例，/>表示第/>个无人机的实际负载量，/>表示第/>个无人机的标准负载量，/>表示激活函数。当/>小于0时，激活函数的输出值为0；当/>大于0时，激活函数的输出值为/>。
在一个实施例中，获取目标无人机多次历史飞行过程中的飞行情况，并获取飞行情况对应的飞行速度，其中，飞行情况包括飞行稳定和飞行不稳定；将飞行稳定对应的飞行速度提取出来，构建飞行稳定速度集；基于飞行稳定速度集构建高斯模型；将待测的无人机飞行速度输入构建完成的所述高斯模型中，输出无人机稳定飞行的概率。
其中，无人机所处环境中环境风速的强度和方向也是影响无人机稳定性的主要环境因素，强风可能导致飞行姿态的变化，环境风速越大对无人机的稳定性造成的影响越大。
结合无人机的超载比例、无人机飞行状态数据集中的环境风速和无人机稳定飞行的概率计算无人机的稳定度，稳定度满足关系式：；
其中，表示第/>个无人机的稳定度，/>表示第/>个无人机稳定飞行的概率，/>表示第/>个无人机的超载比例，/>表示第/>个无人机所处的环境风速，/>表示调整因子，为一个常数，具体可由本领域技术人员根据场景设置。
S3，利用预设的聚类算法对无人机位置信息聚类，并计算无人机的聚集度。
在一个实施例中，利用预设的聚类算法对所述无人机飞行状态数据集中的无人机位置信息聚类，将距离近的无人机聚类成一个聚类簇，示例性的，预设的聚类算法包括DBSCAN(Density-Based Spatial Clustering of Applications with Noise 密度聚类)、层次聚类、谱聚类、K-means(K均值聚类)等，本发明采用K-means算法对无人机进行聚类。聚类完成后，每个聚类簇中均会存在多个无人机，根据目标聚类簇中无人机的个数和目标聚类簇的物理范围，计算出每个无人机的聚集度，聚集度满足关系式：
；
其中，表示第/>个无人机的聚集度，/>表示第/>个无人机所在的聚类簇中无人机的总数量，/>表示同一聚类簇中第/>个无人机和第/>个无人机之间的距离，/>表示矢性函数。当满足/>时，矢性函数的输出为1；不满足/>时，矢性函数的输出为0。
聚集度反应了无人机所在位置一定范围内其他无人机的个数，聚集度越大说明该无人机周围的无人机数量越多，那么在无人机协同作业时，若该无人机发生安全问题，将更容易给周围的无人机造成不利影响。
至此，获得无人机的聚集度。
S4，根据稳定度和聚集度构建神经网络模型的损失函数，训练神经网络模型，根据神经网络模型的评价指标获取最优神经网络模型。
在一个实施例中，构建神经网络模型，神经网络模型的输入层为步骤S1获取的无人机的飞行速度、位置信息、环境风速和无人机负载，输出层为步骤S1获取的标签。
根据稳定度和聚集度构建神经网络模型的损失函数，损失函数满足关系式：
；
其中，表示神经网络模型的损失函数，/>表示第/>个无人机的预测标签值，表示第/>个无人机的真实标签值，/>表示第/>个无人机的聚集度，/>表示第/>个无人机的稳定度，无人机的聚集度越大，聚集度大的分类错误的损失越大，因为分类错误产生危险对其他无人机的影响较大，无人机的稳定度越大，并且聚集度大的正常的概率越大，分类错误给整个无人机群造成的影响较小。
神经网络模型构建完成后，使用梯度下降法训练神经网络模型；响应于神经网络模型达到预先设置的最大训练次数或者损失函数小于预设阈值时，神经网络模型停止训练，更新神经网络模型的超参数，示例性的，网络损失值小于0.0001或者训练次数达到200次停止更新，得到训练好的预测网络模型；每次训练均会获得对应的评价指标，选择所述评价指标最高的所述神经网络模型，从而获取最优神经网络模型，示例性的，评价指标为精确率，根据神经网络模型评价指标的精确率选择最优神经网络模型，即精确率最大的为最优神经网络模型。
S5，将待测的无人机飞行状态数据集输入最优神经网络模型，响应于输出的无人机安全概率小于预设阈值，发出检修信号。
在一个实施例中，使用多个无人机进行协同运输工作时，实时获得无人机飞行状态数据集，将待测无人机的无人机飞行状态数据集输入最优神经网络模型中，输出无人机的安全概率，再根据步骤S3计算的待测无人机的聚集度设置安全概率阈值，聚集度越高的无人机设置的安全概率阈值越高，因为聚集度高的无人机产生问题对周围无人机的影响大。当待测无人机的安全概率小于预设阈值，发出检修信号，降低待测无人机的速度，对待测无人机进行检修。
本发明实施例还公开基于物联网的无人机多机协同的作业系统，参照图2，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明的基于物联网的无人机多机协同的作业方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory)、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (5)
1.基于物联网的无人机多机协同的作业方法，其特征在于，包括以下步骤：
获取无人机飞行状态数据集；
利用预设的高斯模型获得无人机稳定飞行的概率；
基于计算的无人机的超载比例、所述无人机飞行状态数据集中的环境风速和所述概率计算无人机的稳定度，所述稳定度满足关系式：
；
其中，表示第/>个无人机的稳定度，/>表示第/>个无人机稳定飞行的概率，/>表示第个无人机的超载比例，/>表示第/>个无人机所处的环境风速，/>表示调整因子；
利用预设的聚类算法对所述无人机飞行状态数据集中的无人机位置信息聚类，并计算无人机的聚集度；
根据所述稳定度和所述聚集度构建神经网络模型的损失函数，训练所述神经网络模型，根据神经网络模型的评价指标获取最优神经网络模型；
将待测的所述无人机飞行状态数据集输入所述最优神经网络模型，响应于输出的无人机安全概率小于预设阈值，发出检修信号；
所述计算无人机的聚集度包括步骤：
利用预设的聚类算法对所述无人机飞行状态数据集中的无人机位置信息聚类，将距离近的无人机聚类成一个聚类簇；
根据目标聚类簇中无人机的个数和所述目标聚类簇的范围，计算无人机的聚集度，所述聚集度满足关系式：
；
其中，表示第/>个无人机的聚集度，/>表示第/>个无人机所在的聚类簇中无人机的总数量，/>表示同一聚类簇中第/>个无人机和第/>个无人机之间的距离，/>表示矢性函数。
2.根据权利要求1所述的基于物联网的无人机多机协同的作业方法，其特征在于，所述无人机的超载比例满足关系式：
；
其中，表示第/>个无人机的超载比例，/>表示第/>个无人机的实际负载量，/>表示第/>个无人机的标准负载量，/>表示激活函数。
3.根据权利要求1所述的基于物联网的无人机多机协同的作业方法，其特征在于，利用预设的高斯模型获得无人机稳定飞行的概率包括步骤：
获取目标无人机多次历史飞行过程中的飞行情况，并获取所述飞行情况对应的飞行速度，其中，所述飞行情况包括飞行稳定和飞行不稳定；
将所述飞行稳定对应的所述飞行速度提取出来，构建飞行稳定速度集；
基于所述飞行稳定速度集构建高斯模型；
将待测的无人机飞行速度输入构建完成的所述高斯模型中，输出无人机稳定飞行的概率。
4.根据权利要求1所述的基于物联网的无人机多机协同的作业方法，其特征在于，所述获取最优神经网络模型包括步骤：
构建神经网络模型，所述神经网络模型的输入层为所述无人机飞行状态数据集中的数据，输出层为所述数据对应的标签；
根据所述稳定度和所述聚集度构建所述神经网络模型的损失函数，所述损失函数满足关系式：
；
其中，表示神经网络模型的损失函数，/>表示第/>个无人机的预测标签值，/>表示第/>个无人机的真实标签值，/>表示第/>个无人机的聚集度，/>表示第/>个无人机的稳定度；
所述神经网络模型构建完成后，使用梯度下降法训练所述神经网络模型；
响应于所述神经网络模型达到预先设置的最大训练次数或者所述损失函数小于预设阈值时，所述神经网络模型停止训练，更新所述神经网络模型的超参数；
每次训练均会获得对应的评价指标，选择所述评价指标最高的所述神经网络模型，从而获取最优神经网络模型。
5.基于物联网的无人机多机协同的作业系统，其特征在于，包括：
处理器；以及存储器，其存储有用于基于物联网的无人机多机协同的作业方法的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-4的任意一项所述的基于物联网的无人机多机协同的作业方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410149412.5A CN117666368B (zh) | 2024-02-02 | 2024-02-02 | 基于物联网的无人机多机协同的作业方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410149412.5A CN117666368B (zh) | 2024-02-02 | 2024-02-02 | 基于物联网的无人机多机协同的作业方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117666368A CN117666368A (zh) | 2024-03-08 |
| CN117666368B true CN117666368B (zh) | 2024-04-16 |
Family
ID=90073570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410149412.5A Active CN117666368B (zh) | 2024-02-02 | 2024-02-02 | 基于物联网的无人机多机协同的作业方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117666368B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107957730A (zh) * | 2017-11-01 | 2018-04-24 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
| US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
| KR20210032091A (ko) * | 2019-09-16 | 2021-03-24 | 배재대학교 산학협력단 | 무인 비행체의 군집 비행 제어 시스템 |
| CN112698663A (zh) * | 2020-12-04 | 2021-04-23 | 一飞(海南)科技有限公司 | 集群表演故障处理方法、系统、无人机、地面站及终端 |
| CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和系统 |
| CN115454113A (zh) * | 2022-09-22 | 2022-12-09 | 南京壮大智能科技研究院有限公司 | 无人机在高空环境下姿态稳定控制方法 |
| KR20230045146A (ko) * | 2021-09-28 | 2023-04-04 | 주식회사 비온시이노베이터 | 무인 비행 패턴 추적을 통한 목적 판별 및 불법행위 추적 분석/피드백 모니터링 시스템 |
| CN116244647A (zh) * | 2022-12-11 | 2023-06-09 | 海南大学 | 一种无人机集群的运行状态估计方法 |
| CN116560406A (zh) * | 2023-05-26 | 2023-08-08 | 长沙军民先进技术研究有限公司 | 一种无人机集群协同规划与自主调度方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10657827B2 (en) * | 2015-12-09 | 2020-05-19 | Dronesense Llc | Drone flight operations |
| KR20180074325A (ko) * | 2016-12-23 | 2018-07-03 | 삼성전자주식회사 | 복수의 드론을 제어하는 전자 장치 및 방법 |
| US10949676B2 (en) * | 2018-04-09 | 2021-03-16 | Accenture Global Solutions Limited | Aerial monitoring system and method for identifying and locating object features |
| US11594138B1 (en) * | 2021-08-19 | 2023-02-28 | Beta Air, Llc | Systems and methods for optimizing a controlled flight plan |
-
2024
- 2024-02-02 CN CN202410149412.5A patent/CN117666368B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
| CN107957730A (zh) * | 2017-11-01 | 2018-04-24 | 华南理工大学 | 一种无人飞行器稳定飞行控制方法 |
| KR20210032091A (ko) * | 2019-09-16 | 2021-03-24 | 배재대학교 산학협력단 | 무인 비행체의 군집 비행 제어 시스템 |
| CN112698663A (zh) * | 2020-12-04 | 2021-04-23 | 一飞(海南)科技有限公司 | 集群表演故障处理方法、系统、无人机、地面站及终端 |
| CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和系统 |
| KR20230045146A (ko) * | 2021-09-28 | 2023-04-04 | 주식회사 비온시이노베이터 | 무인 비행 패턴 추적을 통한 목적 판별 및 불법행위 추적 분석/피드백 모니터링 시스템 |
| CN115454113A (zh) * | 2022-09-22 | 2022-12-09 | 南京壮大智能科技研究院有限公司 | 无人机在高空环境下姿态稳定控制方法 |
| CN116244647A (zh) * | 2022-12-11 | 2023-06-09 | 海南大学 | 一种无人机集群的运行状态估计方法 |
| CN116560406A (zh) * | 2023-05-26 | 2023-08-08 | 长沙军民先进技术研究有限公司 | 一种无人机集群协同规划与自主调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种面向航空集群的无人机中继网络部署策略;刘创;吕娜;陈柯帆;张步硕;曹芳波;;计算机工程;20180515(第05期);全文 * |
| 基于强化学习的无人机集群对抗策略推演仿真;曹子建, 孙泽龙, 闫国闯等;《兵工学报》;20231231;第44卷(第S2期);126-134 * |
| 基于状态预测的田间机-地传感器系统协同采集方式研究;李继宇;兰玉彬;施叶茵;张亚莉;欧阳帆;陈盛德;;农业机械学报;20180409(第06期);全文 * |
| 基于生物群集行为的无人机集群控制;段海滨;李沛;;科技导报;20170413(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117666368A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11295517B2 (en) | Generating realistic point clouds | |
| CN111240328A (zh) | 一种车辆行驶安全监控方法、装置和无人驾驶车辆 | |
| Tizghadam et al. | Machine learning in transportation | |
| CN108423006A (zh) | 一种辅助驾驶预警方法及系统 | |
| Li et al. | A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles | |
| CN112784867A (zh) | 利用合成图像训练深度神经网络 | |
| CN114972941A (zh) | 被遮挡车辆三维检测的决策融合方法、装置及电子设备 | |
| US20230015884A1 (en) | Spatial aggregation of autonomous vehicle feedback | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| CN117666368B (zh) | 基于物联网的无人机多机协同的作业方法及系统 | |
| CN114119625A (zh) | 点云数据的分割与分类 | |
| CN114117334A (zh) | 多维传感器数据中的异常检测 | |
| Dörterler et al. | Neural network based vehicular location prediction model for cooperative active safety systems | |
| CN116630888A (zh) | 无人机监测方法、无人机监测装置、电子设备及存储介质 | |
| CN116597693A (zh) | 一种内河航运监控系统及方法 | |
| US11928899B2 (en) | Method and system for provisioning cloud service on vehicle | |
| CN115331446A (zh) | 车辆安全行驶策略生成方法及装置、存储介质和终端 | |
| Priyadharshini et al. | A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style | |
| US20210103800A1 (en) | Certified adversarial robustness for deep reinforcement learning | |
| CN114556419A (zh) | 三维点云分割方法和装置、可移动平台 | |
| US20230215134A1 (en) | System and method for image comparison using multi-dimensional vectors | |
| US20220402522A1 (en) | Tree based behavior predictor | |
| CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
| KR102581419B1 (ko) | 선박의 항적특성이 반영된 계층형 데이터베이스 구축시스템 및 방법 | |
| EP3944137A1 (en) | Positioning method and positioning apparatus |
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 |