CN117763308A - 基于无人机的运动指标分析方法、电子设备、存储介质 - Google Patents
基于无人机的运动指标分析方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN117763308A CN117763308A CN202311750625.5A CN202311750625A CN117763308A CN 117763308 A CN117763308 A CN 117763308A CN 202311750625 A CN202311750625 A CN 202311750625A CN 117763308 A CN117763308 A CN 117763308A
- Authority
- CN
- China
- Prior art keywords
- constraint
- model
- training
- convergence speed
- index analysis
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 152
- 230000033001 locomotion Effects 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 146
- 230000008447 perception Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 136
- 238000004088 simulation Methods 0.000 claims description 133
- 238000012512 characterization method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 13
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及运动检测技术领域、人工智能技术领域，尤其是涉及一种基于无人机的运动指标分析方法、电子设备、存储介质。本申请方法需要先采集目标运动指标输入指标分析模型进行指标分析处理，得到指标分析结果；对指标分析模型进行预训练包括：确定训练批次容量、终端感知位置和带宽分配信息，对指标分析模型进行多个轮次的迭代训练，每一轮迭代训练中：对训练样本物体进行运动物理量采集，得到训练运动指标；将训练运动指标输入本轮迭代训练的指标分析模型进行梯度更新，得到本轮模型梯度；将本轮模型梯度上传至边缘服务器，以更新指标分析模型。如此一来，便能够在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
Description
技术领域
本发明涉及运动检测技术领域、人工智能技术领域，尤其是涉及一种基于无人机的运动指标分析方法、电子设备、存储介质。
背景技术
通感算一体化(Integrated Sensing，Communication and Computation，ISCC)，是指将通信、感知和计算这三个功能融合在一起的技术，是在针对目标物体执行运动指标分析任务的过程中同时集成通信、感知和计算这三个功能的技术。需要指出，边缘服务器和无人机之间建立有通信功能，用以传输信息；感知即通过无人机对目标物体相关的运动物理量指标进行探测的功能，例如目标定位、位姿确认、运动数据采集等；计算则是基于目标物体的各个运动指标进行解析计算并得到一个所需的分析结果的功能。
相关技术中，由于通信、感知和计算这三个功能在执行运动指标分析任务过程中的高度耦合，三者会互相竞争有限的算力资源，如若不能将这些算力资源进行合理地分配，则将影响对目标物体进行运动指标分析的效率。因此，如何在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率，已经成为业内亟待解决的一大难题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于无人机的运动指标分析方法、电子设备、存储介质，能够在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
根据本发明的第一方面实施例的基于无人机的运动指标分析方法，所述方法包括：
通过无人机对目标物体进行运动物理量采集，得到目标运动指标；
将所述目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果；其中，对所述指标分析模型进行预训练，具体包括：
确定训练批次容量、终端感知位置和带宽分配信息；
对所述指标分析模型进行多个轮次的迭代训练，以更新所述训练批次容量、所述终端感知位置和所述带宽分配信息；
每一轮迭代训练中：
对训练样本物体进行运动物理量采集，得到训练运动指标；
将所述训练运动指标输入本轮迭代训练的所述指标分析模型进行梯度更新，得到本轮模型梯度；其中，本轮迭代训练的所述指标分析模型由边缘服务器下发；
将所述本轮模型梯度上传至所述边缘服务器，以使所述边缘服务器根据所述本轮模型梯度对所述本轮分析模型进行更新，得到下一迭代轮次的所述指标分析模型；
当所述指标分析模型在迭代训练中收敛，得到预训练的所述指标分析模型。
根据本发明的一些实施例，所述确定训练批次容量、终端感知位置和带宽分配信息，包括：
确定批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数；
根据所述批次容量模拟参数、所述感知位置模拟参数和所述带宽分配模拟参数，构建与所述指标分析模型对应的收敛速度预测函数；
为所述收敛速度预测函数配置约束条件，并基于所述约束条件对所述收敛速度预测函数进行迭代求解；其中，每一轮迭代求解更新一次所述批次容量模拟参数、所述感知位置模拟参数和所述带宽分配模拟参数；
当所述收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据所述批次容量模拟参数确定所述训练批次容量，根据所述感知位置模拟参数确定所述终端感知位置，根据所述带宽分配模拟参数确定所述带宽分配信息。
根据本发明的一些实施例，所述约束条件包括损失约束条件，所述为所述收敛速度预测函数配置约束条件，并基于所述约束条件对所述收敛速度预测函数进行迭代求解，包括：
获取理想模型参数；其中，所述理想模型参数为所述指标分析模型在性能最佳状态下对应的模型参数；
获取与所述无人机对应的损失表征函数、与所述指标分析模型对应的模型表征参数；
根据所述理想模型参数、所述模型表征参数和所述损失表征函数，计算理想模型参数与所述模型表征参数之间的模型损失期望；
基于所述模型损失期望，为所述收敛速度预测函数配置所述损失约束条件；
根据所述损失约束条件，对所述收敛速度预测函数进行迭代求解。
根据本发明的一些实施例，所述基于所述模型损失期望，为所述收敛速度预测函数配置所述损失约束条件，包括：
获取所述指标分析模型的学习速率参数、初始模型参数和模型属性参量；其中，所述初始模型参数为所述指标分析模型在初始状态下对应的模型参数；
根据所述学习速率参数、所述初始模型参数和所述模型属性参量，构建损失期望解析式；其中，所述损失期望解析式大于或者等于所述模型损失期望；
确定理想模型参数与所述模型表征参数之间的最大损失期望值；
将所述损失约束条件确定为所述损失期望解析式小于或者等于所述最大损失值。
根据本发明的一些实施例，所述约束条件还包括轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，所述为所述收敛速度预测函数配置约束条件，还包括：
基于预定的延时要求，为所述收敛速度预测函数配置所述轮均耗时约束条件；
基于有效感知概率，为所述收敛速度预测函数配置所述感知概率约束；其中，所述有效感知概率由所述无人机与所述目标物体之间的位置关系和环境条件而确定；
将所述无人机针对所述目标物体的感知角度限定在大于预设角度阈值，为所述收敛速度预测函数配置所述感知质量约束；
将所述批次容量模拟参数限定为整数，为所述收敛速度预测函数配置所述批次容量约束；
基于预定的带宽限制要求，为所述收敛速度预测函数配置所述带宽约束条件；
所述根据所述损失约束条件，对所述收敛速度预测函数进行迭代求解，包括：
根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解。
根据本发明的一些实施例，所述根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解，包括：
根据满足所述损失约束条件的所述指标分析模型，确定迭代数目区间；其中，所述迭代数目区间包括对所述指标分析模型所需进行迭代训练的多个训练迭代数目；
遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解。
根据本发明的一些实施例，所述遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解，包括：
每一轮迭代求解中：
对本轮迭代求解的所述批次容量模拟参数和所述感知位置模拟参数进行数值固定；
根据所述损失约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束、数值固定的所述批次容量模拟参数、数值固定的所述感知位置模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第一类型求解，以对所述带宽分配模拟参数进行数值固定；
根据所述感知概率约束、所述感知质量约束、带宽约束条件、数值固定后的所述感知位置模拟参数、数值固定后的所述带宽分配模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第二类型求解，以对所述批次容量模拟参数更新后重新进行数值固定；
根据所述批次容量约束、所述带宽约束条件、数值固定后的所述带宽分配模拟参数、更新并重新数值固定后的所述批次容量模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第三类型求解，以对所述感知位置模拟参数更新后重新进行数值固定。
根据本发明的一些实施例，所述当所述收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据所述批次容量模拟参数确定所述训练批次容量，根据所述感知位置模拟参数确定所述终端感知位置，根据所述带宽分配模拟参数确定所述带宽分配信息，包括：
遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解之后，得到所述收敛速度预测函数与每一个所述训练迭代数目对应的所述收敛速度预测值；
根据数值最小的所述收敛速度预测值，将数值固定的所述批次容量模拟参数确定为所述训练批次容量、将数值固定的所述感知位置模拟参数确定为所述终端感知位置、将数值固定的所述带宽分配模拟参数确定为所述带宽分配信息。
第二方面，本发明实施例提供了一种电子设备，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本发明第一方面实施例中任意一项所述的基于无人机的运动指标分析方法。
第三方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如本发明第一方面实施例中任意一项所述的基于无人机的运动指标分析方法。
根据本发明实施例的基于无人机的运动指标分析方法、电子设备、存储介质，至少具有如下有益效果：
本发明基于无人机的运动指标分析方法需要先通过无人机对目标物体进行运动物理量采集，得到目标运动指标；将目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果；其中，对指标分析模型进行预训练，具体包括：确定训练批次容量、终端感知位置和带宽分配信息；基于训练批次容量、终端感知位置和带宽分配信息对指标分析模型进行多个轮次的迭代训练；每一轮迭代训练中：对训练样本物体进行运动物理量采集，得到训练运动指标；将训练运动指标输入本轮迭代训练的指标分析模型进行梯度更新，得到本轮模型梯度；其中，本轮迭代训练的指标分析模型由边缘服务器下发；将本轮模型梯度上传至边缘服务器，以使边缘服务器根据本轮模型梯度对本轮分析模型进行更新，得到下一迭代轮次的指标分析模型；当指标分析模型在迭代训练中收敛，得到预训练的指标分析模型。如此一来，便能够在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的基于无人机的运动指标分析方法流程示意图；
图2为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图3为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图4为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图5为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图6为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图7为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图8为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图9为本发明实施例提供的基于无人机的运动指标分析方法的另一流程示意图；
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。另外，下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定，各个步骤之间的执行顺序与执行逻辑应参照实施例所表述的内容进行理解与推定。
通感算一体化(Integrated Sensing，Communication and Computation，ISCC)，是指将通信、感知和计算这三个功能融合在一起的技术，是在针对目标物体执行运动指标分析任务的过程中同时集成通信、感知和计算这三个功能的技术。需要指出，边缘服务器和无人机之间建立有通信功能，用以传输信息；感知即通过无人机对目标物体相关的运动物理量指标进行探测的功能，例如目标定位、位姿确认、运动数据采集等；计算则是基于目标物体的各个运动指标进行解析计算并得到一个所需的分析结果的功能。
相关技术中，由于通信、感知和计算这三个功能在执行运动指标分析任务过程中的高度耦合，三者会互相竞争有限的算力资源，如若不能将这些算力资源进行合理地分配，则将影响对目标物体进行运动指标分析的效率。因此，如何在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率，已经成为业内亟待解决的一大难题。
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于无人机的运动指标分析方法、电子设备、存储介质，能够在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
参照图1，根据本发明的第一方面实施例的基于无人机的运动指标分析方法，包括：
步骤S101，通过无人机对目标物体进行运动物理量采集，得到目标运动指标；
步骤S102，将目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果。其中，对指标分析模型进行预训练，具体包括：
步骤S111，确定训练批次容量、终端感知位置和带宽分配信息；
步骤S112，基于训练批次容量、终端感知位置和带宽分配信息对指标分析模型进行多个轮次的迭代训练；
步骤S113，每一轮迭代训练中：对训练样本物体进行运动物理量采集，得到训练运动指标；将训练运动指标输入本轮迭代训练的指标分析模型进行梯度更新，得到本轮模型梯度；其中，本轮迭代训练的指标分析模型由边缘服务器下发；将本轮模型梯度上传至边缘服务器，以使边缘服务器根据本轮模型梯度对本轮分析模型进行更新，得到下一迭代轮次的指标分析模型；当指标分析模型在迭代训练中收敛，得到预训练的指标分析模型。
参照图2示出的通感算系统：通感算系统旨在利用无人机的无线传感数据来训练机器学习模型，以用于特定的感知应用，例如目标识别、目标定位、位姿确认、运动数据采集等。通感算系统包括多个无人机和边缘服务器。其中，各个无人机接收边缘服务器广播而来的初始的全局模型，无人机对目标物体进行数据采集以利用采集到的数据来训练全局模型，进而得到每一无人机对应的本地模型并上传至边缘服务器。边缘服务器接收到各个无人机上传的本地模型后，将各个本地模型进行聚合与更新，得到新的全局模型，再下发到各个无人机进行全局模型的迭代更新，即可提升通感算系统对目标物体相关的运动物理量指标进行分析的能力，直至该能力达到预期。需要指出，上述提出的全局模型即为本申请实施例的指标分析模型，经过迭代更新后达到预期的全局模型，即为预训练的指标分析模型。
需要说明的是，迭代更新过程中全局模型将会持续更新，其对目标物体相关的运动物理量指标进行分析的能力也会随即提升，直至该能力达到预期。再进一步，将对目标物体相关的运动物理量指标进行分析的能力达到预期的通感算系统应用在实际场景中，通过无人机对目标物体进行运动物理量采集，得到目标运动指标，将目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果。举例而言，可以将指标分析模型用于执行目标识别、目标定位、位姿确认、运动数据采集等指标分析任务。
需要指出，迭代训练全局模型可以通过分布式来最小化全局损失函数：
其中，w代表全局模型，全局模型w为神经网络中初始的参数值集合，通常直接使用w表示。一些实施例中，可以采用resnet10神经网络训练一个分类模型，全局模型则指resnet10中的所有参数集合。由于全局模型是本申请实施例要训练迭代的变量，因此直接用w表示。
在N个无人机上联合训练并与边缘服务器协调。函数fk(w；ε)是无人机k的局部损失函数，ε是泊松分布为的随机种子，其实现代表一批样本。为了便于后续分析，本申请实施例可以定义/>
对指标分析模型进行预训练的过程，需要涉及多轮迭代训练(总迭代轮次表示为N)，直到全局模型收敛，即可将收敛后的全局模型确定为预训练的指标分析模型。将当前迭代轮次表示为n，每一迭代轮次中重复执行以下五个步骤：
其一，全局模型广播：服务器通过无线广播通道向每个无人机广播当前的全局模型w(n)。
其二，目标感知：每个无人机切换到感知模式并对目标物体发射专用信号进行目标感知。本申请实施例中，无人机只有在与目标有视距感知链路且链路中没有障碍物的情况下才能成功感知目标物体。由于传感环境不可预测，本申请实施例可以利用视距链路概率模型进行目标物体的感知。无人机若表示为k，则无人机k的三维坐标即为uk＝(xu，k，yu，k，zu，k)，目标物体的三维坐标为vk＝(xv，k，yv，k，zv，k)。无人机k的成功感知概率为
其中，ψ和ζ代表的是描述当前感知环境中链路阻挡情况的参数；θs，k(uk)是位置uk处的无人机k与其感知目标vk之间的感知仰角。其中， ds，k＝||uk-vk||是无人机k与目标物体之间的距离。一旦无人机k在第n轮成功感知到目标，它就会获得一批大小为δk的数据样本。
其三，局部梯度更新：每个成功感知目标的无人机通过从w(n)运行一步随机梯度下降来更新其局部梯度，即
对于没有成功感知目标的无人机，其局部梯度不会更新，即gk (n)＝gk (n-1)。表示无人机k在当前第n轮训练中感知采集到的训练数据样本集合。ξ表示的是训练样本集合中的训练样本。解析式(3)的含义为：使用训练样本集合中的所有样本来计算平均梯度。
其四，本地模型上传：成功感知目标物体的无人机才会通过上行无线信道将其本地梯度上传到服务器。
其五，全局模型聚合和更新：服务器聚合局部梯度并将全局模型更新为
其中，η是学习速率参数。学习速率参数是随机梯度下降方法中的参数，表示梯度下降的步长，影响训练的快慢和效果，此参数一般为直接给定。需要指出，表示所有无人机的集合，即/>
若无人机k在第n轮迭代训练中成功感知目标，由于感知环境的复杂性，无人机以一定的成功感知的概率qs，k(uk)来感知目标，指示函数则表示该无人机是否能够成功感知目标。
如果无人机k在第n轮训练中以概率qs，k(uk)成功感知目标，则指示函数如果无人机k在第n轮训练中以概率1-qs，k(uk)没有成功感知目标，则指示函数/>
应理解，初始的全局模型表示为w0，为初始神经网路的所有初始参数值。初始参数值是随机生成的。另外，无人机并非每次都可以感知到目标物体，由于没有感知到目标的无人机无法得到训练样本，因此该无人机将不会参与本轮训练。
经由本申请实施例步骤S101至步骤S102、步骤S111至步骤S103示出的本发明基于无人机的运动指标分析方法，需要先通过无人机对目标物体进行运动物理量采集，得到目标运动指标；将目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果；其中，对指标分析模型进行预训练，具体包括：确定训练批次容量、终端感知位置和带宽分配信息；基于训练批次容量、终端感知位置和带宽分配信息对指标分析模型进行多个轮次的迭代训练；每一轮迭代训练中：对训练样本物体进行运动物理量采集，得到训练运动指标；将训练运动指标输入本轮迭代训练的指标分析模型进行梯度更新，得到本轮模型梯度；其中，本轮迭代训练的指标分析模型由边缘服务器下发；将本轮模型梯度上传至边缘服务器，以使边缘服务器根据本轮模型梯度对本轮分析模型进行更新，得到下一迭代轮次的指标分析模型；当指标分析模型在迭代训练中收敛，得到预训练的指标分析模型。如此一来，便能够在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
需要注意的是，对指标分析模型进行预训练，首先需要利用步骤S111来确定训练批次容量、终端感知位置和带宽分配信息，进而再基于训练批次容量、终端感知位置和带宽分配信息对指标分析模型进行多个轮次的迭代训练。其原因在于：
其一，训练批次容量是每一轮迭代训练中的训练样本的容量。训练批次容量影响了指标分析模型在每一轮迭代训练中的进步，训练批次容量越大则指标分析模型在每一轮迭代训练中的进步就越大。因此训练批次容量大，可以减少预训练过程中所需迭代轮次的数目，从而节约模型训练过程中的算力资源消耗。
其二，终端感知位置用于描述无人机与目标物体之间的相对位置。无人机若表示为k，则无人机k的三维坐标即为uk＝(xu，k，yu，k，zu，k)，目标物体的三维坐标为vk＝(xv，k，yv，k，zv，k)。无人机k的成功感知概率为其中，ψ和ζ代表的是描述当前感知环境中链路阻挡情况的参数；θs，k(uk)是位置uk处的无人机k与其感知目标vk之间的感知仰角。其中，/>ds，k＝||uk-vk||是无人机k与目标物体之间的距离。因此终端感知位置决定了无人机的成功感知概率。无人机的成功感知概率越高，越可以节约模型训练过程中的算力资源消耗。
其三，带宽分配信息指的是分配给无人机的带宽资源。若给无人机分配的带宽资源较少，则会影响数据传输的效率，若给无人机分配的带宽资源较多，则会浪费多余的算力。
因此，对指标分析模型进行预训练，首先需要利用步骤S111来确定训练批次容量、终端感知位置和带宽分配信息，进而再基于确定好的训练批次容量、终端感知位置和带宽分配信息对指标分析模型进行多个轮次的迭代训练。以将可用的算力资源进行合理地分配，在对目标物体执行运动指标分析任务的过程中，提高运动指标分析的效率。
参照图3，根据本发明的一些实施例，步骤S111确定训练批次容量、终端感知位置和带宽分配信息，包括：
步骤S301，确定批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数；
步骤S302，根据批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数，构建与指标分析模型对应的收敛速度预测函数；
步骤S303，为收敛速度预测函数配置约束条件，并基于约束条件对收敛速度预测函数进行迭代求解；其中，每一轮迭代求解更新一次批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数；
步骤S304，当收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据批次容量模拟参数确定训练批次容量，根据感知位置模拟参数确定终端感知位置，根据带宽分配模拟参数确定带宽分配信息。
本申请一些实施例中，可用通过步骤S301至步骤S304示出的本申请实施例来确定训练批次容量、终端感知位置和带宽分配信息。
本申请可以包括以下关于一般平滑凸学习问题的假设，便于后续过程中对收敛速度预测函数进行构建与求解：
其一，平滑：每个局部函数Fk(w)与Lipschitz常数L(利普希茨常数)是Lipschitz连续的和wj，/> 需要指出，局部函数Fk(w)表示无人机k上指标分析模型w对应的损失表征函数。
其二，强凸性：每个局部函数Fk(w)都是强凸函数，即存在一个常数μ>0使得和wj，/>
其三，局部梯度的无偏性和有界方差：局部损失函数Fk(w)的随机梯度的均值和方差对/>满足：/>其中，δk是计算梯度时的批量大小。
其四，有界数据方差：它衡量本地数据集的异质性。
基于以上假设，可以通过步骤S301至步骤S304确定收敛速度预测函数。
一些实施例的步骤S301，确定批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数。其中，批次容量模拟参数表示为δk，感知位置模拟参数表示为uk，带宽分配模拟参数表示为Bk。需要指出，批次容量模拟参数δk、感知位置模拟参数uk、带宽分配模拟参数Bk主要是拟定出来的形式参数，用于构建收敛速度预测函数。批次容量模拟参数δk、感知位置模拟参数uk、带宽分配模拟参数Bk对应的具体数值，会随着构建收敛速度预测函数的迭代求解而更新。
一些实施例的步骤S302，根据批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数，构建与指标分析模型对应的收敛速度预测函数。需要说明的是，收敛速度预测函数可以表示为：
其中，总迭代轮次表示为N，每轮迭代训练的耗时为T。
构建出收敛速度预测函数，旨在求出收敛速度预测函数的收敛速度预测值最小时，对应批次容量模拟参数δk、感知位置模拟参数uk、带宽分配模拟参数Bk的数值，通过这样的方式确定训练批次容量、终端感知位置和带宽分配信息。
一些实施例的步骤S303，为收敛速度预测函数配置约束条件，并基于约束条件对收敛速度预测函数进行迭代求解；其中，每一轮迭代求解更新一次批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数。其中，约束条件包括损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件。
参照图4，根据本发明的一些实施例，步骤S303为收敛速度预测函数配置约束条件，并基于约束条件对收敛速度预测函数进行迭代求解，包括：
步骤S401，获取理想模型参数；其中，理想模型参数为指标分析模型在性能最佳状态下对应的模型参数。
步骤S402，获取与无人机对应的损失表征函数、与指标分析模型对应的模型表征参数；
步骤S403，根据理想模型参数、模型表征参数和损失表征函数，计算理想模型参数与模型表征参数之间的模型损失期望；
步骤S404，基于模型损失期望，为收敛速度预测函数配置损失约束条件；
步骤S405，根据损失约束条件，对收敛速度预测函数进行迭代求解。
需要说明的是，理想模型参数为指标分析模型在性能最佳状态下对应的模型参数，可以表示为w*，w*＝arg minwF(w)；无人机对应的损失表征函数可以表示为F(.)，与指标分析模型对应的模型表征参数为w(n)，其中n为迭代轮次。
根据理想模型参数w*、模型表征参数w(n)和损失表征函数F(.)，计算理想模型参数与模型表征参数之间的模型损失期望E[F(w(n))-F(w*)]：
参照图5，步骤S303基于模型损失期望E[F(w(n))-F(w*)]，为收敛速度预测函数(5)配置损失约束条件，还包括：
步骤S501，获取指标分析模型的学习速率参数、初始模型参数和模型属性参量；其中，初始模型参数为指标分析模型在初始状态下对应的模型参数；
步骤S502，根据学习速率参数、初始模型参数和模型属性参量，构建损失期望解析式；其中，损失期望解析式大于或者等于模型损失期望；
步骤S503，确定理想模型参数与模型表征参数之间的最大损失期望值；
步骤S504，将损失约束条件确定为损失期望解析式小于或者等于最大损失值。
需要说明的是，指标分析模型的学习速率参数η、初始模型参数w(0)和模型属性参量G；其中，初始模型参数w(0)为指标分析模型在迭代求解之前初始状态下对应的模型参数。
根据学习速率参数η、初始模型参数w(0)和模型属性参量G，构建损失期望解析式Φ({δk}，{uk}，N)，损失期望解析式Φ({δk}，{uk}，N)大于或者等于模型损失期望E[F(w(n))-F(w*)]；其中，损失期望解析式表示为Φ({δk}，{uk}，N)：
其中，模型属性参量G用于表示指标分析模型的属性信息，模型属性参量G可以表示为：
需要指出，每个是/>的函数；
其中，是无人机的平均成功感知概率。
进一步，确定理想模型参数与模型表征参数之间的最大损失期望值∈，该值可以根据应用需求设定，最大损失期望值∈越小，意味着迭代训练中要求输出的模型离理想状态越接近。
再进一步，将损失约束条件确定为损失期望解析式小于或者等于最大损失值；损失约束条件可以表示为：
Φ({δk}，{uk}，N)≤∈， (5a)
参照图6，根据本发明的一些实施例，步骤S303为收敛速度预测函数配置约束条件，还包括：
步骤S601，基于预定的延时要求，为收敛速度预测函数配置轮均耗时约束条件；
步骤S602，基于有效感知概率，为收敛速度预测函数配置感知概率约束；其中，有效感知概率由无人机与目标物体之间的位置关系和环境条件而确定；
步骤S603，将无人机针对目标物体的感知角度限定在大于预设角度阈值，为收敛速度预测函数配置感知质量约束；
步骤S604，将批次容量模拟参数限定为整数，为收敛速度预测函数配置批次容量约束；
步骤S605，基于预定的带宽限制要求，为收敛速度预测函数配置带宽约束条件；
基于预定的延时要求，为收敛速度预测函数配置轮均耗时约束条件；表示为：
其中，轮均耗时约束条件表示每轮的平均训练时间不能超过预定的延时要求Tmax，需要强调，是训练轮次的集合。
基于有效感知概率，为收敛速度预测函数配置感知概率约束；其中，有效感知概率由无人机与目标物体之间的位置关系和环境条件而确定；表示为：
其中，成功感知概率在收敛速度预测函数的求解中，需要保持感知成功概率是一个确定、统一的值。存在多个无人机时，在多个无人机之间也需要保持成功概率是一个确定、统一的值。
将无人机针对目标物体的感知角度限定在大于预设角度阈值，为收敛速度预测函数配置感知质量约束；表示为：
其中，感知质量约束是指无人机的感知仰角需要大于一个预设角度阈值才能获得质量较好的感知图像。
将批次容量模拟参数限定为整数，为收敛速度预测函数配置批次容量约束；表示为：
其中，批量大小δk是整数变量。
基于预定的带宽限制要求，为收敛速度预测函数配置带宽约束条件；表示为：
其中，限制了分配给无人机的总带宽不能超过Bc。
一些实施例的，步骤S405对收敛速度预测函数进行迭代求解，包括：根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解。
在明确了收敛速度预测函数(5)，并且为收敛速度预测函数(5)配置了损失约束条件(5a)、轮均耗时约束条件(5b)、感知概率约束(5c)、批次容量约束(5d)、感知质量约束(5e)和带宽约束条件(5f)，即可对收敛速度预测函数进行迭代求解
参照图7，根据本发明的一些实施例，步骤S405根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解，包括：
步骤S701，根据满足损失约束条件的指标分析模型，确定迭代数目区间；其中，迭代数目区间包括对指标分析模型所需进行迭代训练的多个训练迭代数目；
步骤S702，遍历迭代数目区间，针对每一个训练迭代数目，根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解。
当指标分析模型满足损失约束条件(5a)，确定出指标分析模型可能需要进行迭代训练的多个训练迭代数目，根据这些数目的上下限确定迭代数目区间，表示为Nw＝{1，2，3，...}。遍历迭代数目区间Nw，针对每一个训练迭代数目，根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解。
参照图8，根据本发明的一些实施例，遍历迭代数目区间，针对每一个训练迭代数目，根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解，包括：
每一轮迭代求解中：
步骤S801，对本轮迭代求解的批次容量模拟参数和感知位置模拟参数进行数值固定。
步骤S802，根据损失约束条件、感知概率约束、批次容量约束、感知质量约束、数值固定的批次容量模拟参数、数值固定的感知位置模拟参数和训练迭代数目，对收敛速度预测函数进行第一类型求解，以对带宽分配模拟参数进行数值固定；
步骤S803，根据感知概率约束、感知质量约束、带宽约束条件、数值固定后的感知位置模拟参数、数值固定后的带宽分配模拟参数和训练迭代数目，对收敛速度预测函数进行第二类型求解，以对批次容量模拟参数更新后重新进行数值固定；
步骤S804，根据批次容量约束、带宽约束条件、数值固定后的带宽分配模拟参数、更新并重新数值固定后的批次容量模拟参数和训练迭代数目，对收敛速度预测函数进行第三类型求解，以对感知位置模拟参数更新后重新进行数值固定。
对本轮迭代求解的批次容量模拟参数δk和感知位置模拟参数uk进行数值固定。
通过数值固定后的批次容量模拟参数δk和数值固定后的感知位置模拟参数uk，来优化带宽分配模拟参数Bk，其中训练轮次是固定的。由于位置模拟参数uk是给定的，因此成功感知概率qs，k(uk)也已知。基于此，即可按照批次容量模拟参数δk和感知位置模拟参数uk满足约束条件(5a)、(5c)-(5e)，来进行第一类型求解，以对带宽分配模拟参数Bk进行数值固定；
通过数值固定后的感知位置模拟参数uk、数值固定后的带宽分配模拟参数Bk和训练轮次来优化批次容量模拟参数δk。由于成功感知概率/> 由感知位置模拟参数uk决定，因此参数qs也已知。在这种情况下，按照数值固定后的感知位置模拟参数uk、数值固定后的带宽分配模拟参数Bk满足约束条件(5c)，(5d)和(5f)，对收敛速度预测函数进行第二类型求解，以对批次容量模拟参数δk更新后重新进行数值固定；
通过更新并重新数值固定后的批次容量模拟参数δk、数值固定后的带宽分配模拟参数Bk和训练轮次来优化无人机数值固定后的感知位置模拟参数uk。在这种情况下，按照更新并重新数值固定后的批次容量模拟参数δk、数值固定后的带宽分配模拟参数Bk满足约束条件(14e)和(14f)，对收敛速度预测函数进行第三类型求解，以对感知位置模拟参数更新后重新进行数值固定。
如此一来，经过上述过程即可完成对收敛速度预测函数的一轮迭代求解。需要强调，每一轮迭代求解更新一次批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数，当收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据批次容量模拟参数确定训练批次容量，根据感知位置模拟参数确定终端感知位置，根据带宽分配模拟参数确定带宽分配信息。
步骤S304，当收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据批次容量模拟参数确定训练批次容量，根据感知位置模拟参数确定终端感知位置，根据带宽分配模拟参数确定带宽分配信息。
参照图9，根据本发明的一些实施例，步骤S304当收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据批次容量模拟参数确定训练批次容量，根据感知位置模拟参数确定终端感知位置，根据带宽分配模拟参数确定带宽分配信息，包括：
步骤S901，遍历迭代数目区间，针对每一个训练迭代数目，根据损失约束条件、轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，对收敛速度预测函数进行迭代求解之后，得到收敛速度预测函数与每一个训练迭代数目对应的收敛速度预测值；
步骤S902，根据数值最小的收敛速度预测值，将数值固定的批次容量模拟参数确定为训练批次容量、将数值固定的感知位置模拟参数确定为终端感知位置、将数值固定的带宽分配模拟参数确定为带宽分配信息。
需要说明的是，迭代数目区间表示为Nw＝{1，2，3，...}，当迭代数目区间Nw被遍历，针对每一个训练迭代数目都对收敛速度预测函数进行迭代求解之后，即可得到收敛速度预测函数与每一个训练迭代数目对应的收敛速度预测值。从这些收敛速度预测值中确定出数值最小的收敛速度预测值，并将其数值固定的批次容量模拟参数确定为训练批次容量、将数值固定的感知位置模拟参数确定为终端感知位置、将数值固定的带宽分配模拟参数确定为带宽分配信息。如此一来，即可确定收敛速度预测值在迭代求解中达到最小时，确定训练批次容量、终端感知位置和带宽分配信息。
参照图10，图10示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器1001，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificlntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1002，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本申请实施例的基于无人机的运动指标分析方法；
输入/输出接口1003，用于实现信息输入及输出；
通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序。计算机设备的处理器读取该计算机程序并执行，使得该计算机设备执行实现上述的基于无人机的运动指标分析方法。
本公开的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“包含”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它步骤或单元。
应当理解，在本公开中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
应了解，在本申请实施例的描述中，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本公开所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本公开各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
还应了解，本申请实施例提供的各种实施方式可以任意进行组合，以实现不同的技术效果。
以上是对本公开的实施方式的具体说明，但本公开并不局限于上述实施方式，熟悉本领域的技术人员在不违背本公开精神的条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本公开权利要求所限定的范围内。
Claims (10)
1.一种基于无人机的运动指标分析方法，其特征在于，所述方法包括：
通过无人机对目标物体进行运动物理量采集，得到目标运动指标；
将所述目标运动指标输入预训练的指标分析模型进行指标分析处理，得到指标分析结果；其中，对所述指标分析模型进行预训练，具体包括：
确定训练批次容量、终端感知位置和带宽分配信息；
对所述指标分析模型进行多个轮次的迭代训练，以更新所述训练批次容量、所述终端感知位置和所述带宽分配信息；
每一轮迭代训练中：
对训练样本物体进行运动物理量采集，得到训练运动指标；
将所述训练运动指标输入本轮迭代训练的所述指标分析模型进行梯度更新，得到本轮模型梯度；其中，本轮迭代训练的所述指标分析模型由边缘服务器下发；
将所述本轮模型梯度上传至所述边缘服务器，以使所述边缘服务器根据所述本轮模型梯度对所述本轮分析模型中的所述训练批次容量、所述终端感知位置和所述带宽分配信息进行更新，得到下一迭代轮次的所述指标分析模型；
当所述指标分析模型在迭代训练中收敛，得到预训练的所述指标分析模型。
2.根据权利要求1所述的方法，其特征在于，所述确定训练批次容量、终端感知位置和带宽分配信息，包括：
确定批次容量模拟参数、感知位置模拟参数和带宽分配模拟参数；
根据所述批次容量模拟参数、所述感知位置模拟参数和所述带宽分配模拟参数，构建与所述指标分析模型对应的收敛速度预测函数；
为所述收敛速度预测函数配置约束条件，并基于所述约束条件对所述收敛速度预测函数进行迭代求解；其中，每一轮迭代求解更新一次所述批次容量模拟参数、所述感知位置模拟参数和所述带宽分配模拟参数；
当所述收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据所述批次容量模拟参数确定所述训练批次容量，根据所述感知位置模拟参数确定所述终端感知位置，根据所述带宽分配模拟参数确定所述带宽分配信息。
3.根据权利要求2所述的方法，其特征在于，所述约束条件包括损失约束条件，所述为所述收敛速度预测函数配置约束条件，并基于所述约束条件对所述收敛速度预测函数进行迭代求解，包括：
获取理想模型参数；其中，所述理想模型参数为所述指标分析模型在性能最佳状态下对应的模型参数；
获取与所述无人机对应的损失表征函数、与所述指标分析模型对应的模型表征参数；
根据所述理想模型参数、所述模型表征参数和所述损失表征函数，计算理想模型参数与所述模型表征参数之间的模型损失期望；
基于所述模型损失期望，为所述收敛速度预测函数配置所述损失约束条件；
根据所述损失约束条件，对所述收敛速度预测函数进行迭代求解。
4.根据权利要求3所述的方法，其特征在于，所述基于所述模型损失期望，为所述收敛速度预测函数配置所述损失约束条件，包括：
获取所述指标分析模型的学习速率参数、初始模型参数和模型属性参量；其中，所述初始模型参数为所述指标分析模型在初始状态下对应的模型参数；
根据所述学习速率参数、所述初始模型参数和所述模型属性参量，构建损失期望解析式；其中，所述损失期望解析式大于或者等于所述模型损失期望；
确定理想模型参数与所述模型表征参数之间的最大损失期望值；
将所述损失约束条件确定为所述损失期望解析式小于或者等于所述最大损失值。
5.根据权利要求3所述的方法，其特征在于，所述约束条件还包括轮均耗时约束条件、感知概率约束、批次容量约束、感知质量约束和带宽约束条件，所述为所述收敛速度预测函数配置约束条件，还包括：
基于预定的延时要求，为所述收敛速度预测函数配置所述轮均耗时约束条件；
基于有效感知概率，为所述收敛速度预测函数配置所述感知概率约束；其中，所述有效感知概率由所述无人机与所述目标物体之间的位置关系和环境条件而确定；
将所述无人机针对所述目标物体的感知角度限定在大于预设角度阈值，为所述收敛速度预测函数配置所述感知质量约束；
将所述批次容量模拟参数限定为整数，为所述收敛速度预测函数配置所述批次容量约束；
基于预定的带宽限制要求，为所述收敛速度预测函数配置所述带宽约束条件；
所述根据所述损失约束条件，对所述收敛速度预测函数进行迭代求解，包括：
根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解。
6.根据权利要求5所述的方法，其特征在于，所述根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解，包括：
根据满足所述损失约束条件的所述指标分析模型，确定迭代数目区间；其中，所述迭代数目区间包括对所述指标分析模型所需进行迭代训练的多个训练迭代数目；
遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解。
7.根据权利要求6所述的方法，其特征在于，所述遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解，包括：
每一轮迭代求解中：
对本轮迭代求解的所述批次容量模拟参数和所述感知位置模拟参数进行数值固定；
根据所述损失约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束、数值固定的所述批次容量模拟参数、数值固定的所述感知位置模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第一类型求解，以对所述带宽分配模拟参数进行数值固定；
根据所述感知概率约束、所述感知质量约束、带宽约束条件、数值固定后的所述感知位置模拟参数、数值固定后的所述带宽分配模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第二类型求解，以对所述批次容量模拟参数更新后重新进行数值固定；
根据所述批次容量约束、所述带宽约束条件、数值固定后的所述带宽分配模拟参数、更新并重新数值固定后的所述批次容量模拟参数和所述训练迭代数目，对所述收敛速度预测函数进行第三类型求解，以对所述感知位置模拟参数更新后重新进行数值固定。
8.根据权利要求7所述的方法，其特征在于，所述当所述收敛速度预测函数的收敛速度预测值在迭代求解中达到最小时，根据所述批次容量模拟参数确定所述训练批次容量，根据所述感知位置模拟参数确定所述终端感知位置，根据所述带宽分配模拟参数确定所述带宽分配信息，包括：
遍历所述迭代数目区间，针对每一个所述训练迭代数目，根据所述损失约束条件、所述轮均耗时约束条件、所述感知概率约束、所述批次容量约束、所述感知质量约束和所述带宽约束条件，对所述收敛速度预测函数进行迭代求解之后，得到所述收敛速度预测函数与每一个所述训练迭代数目对应的所述收敛速度预测值；
根据数值最小的所述收敛速度预测值，将数值固定的所述批次容量模拟参数确定为所述训练批次容量、将数值固定的所述感知位置模拟参数确定为所述终端感知位置、将数值固定的所述带宽分配模拟参数确定为所述带宽分配信息。
9.一种电子设备，其特征在于，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于无人机的运动指标分析方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至8中任意一项所述的基于无人机的运动指标分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311750625.5A CN117763308B (zh) | 2023-12-19 | 2023-12-19 | 基于无人机的运动指标分析方法、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311750625.5A CN117763308B (zh) | 2023-12-19 | 2023-12-19 | 基于无人机的运动指标分析方法、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117763308A true CN117763308A (zh) | 2024-03-26 |
| CN117763308B CN117763308B (zh) | 2024-09-24 |
Family
ID=90312877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311750625.5A Active CN117763308B (zh) | 2023-12-19 | 2023-12-19 | 基于无人机的运动指标分析方法、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763308B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021144A (zh) * | 2017-12-29 | 2018-05-11 | 中国地质大学（武汉） | 一种无人机航迹规划及动态威胁规避仿真设备 |
| US20210011461A1 (en) * | 2018-03-12 | 2021-01-14 | Virginia Tech Intellectual Properties, Inc. | Intelligent distribution of data for robotic and autonomous systems |
| CN115277770A (zh) * | 2022-07-20 | 2022-11-01 | 华北电力大学（保定） | 一种节点接入和飞行策略联合优化的无人机信息收集方法 |
| CN115830709A (zh) * | 2022-11-23 | 2023-03-21 | 深圳市大数据研究院 | 基于联邦边缘学习的动作识别方法、服务器及电子设备 |
| CN116468130A (zh) * | 2023-05-06 | 2023-07-21 | 平安科技（深圳）有限公司 | 基于联邦学习的样本选择方法、系统、电子设备及介质 |
| CN117240343A (zh) * | 2023-09-07 | 2023-12-15 | 大连理工大学 | 一种感知通信一体化无人机辅助移动车辆的方法 |
-
2023
- 2023-12-19 CN CN202311750625.5A patent/CN117763308B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021144A (zh) * | 2017-12-29 | 2018-05-11 | 中国地质大学（武汉） | 一种无人机航迹规划及动态威胁规避仿真设备 |
| US20210011461A1 (en) * | 2018-03-12 | 2021-01-14 | Virginia Tech Intellectual Properties, Inc. | Intelligent distribution of data for robotic and autonomous systems |
| CN115277770A (zh) * | 2022-07-20 | 2022-11-01 | 华北电力大学（保定） | 一种节点接入和飞行策略联合优化的无人机信息收集方法 |
| CN115830709A (zh) * | 2022-11-23 | 2023-03-21 | 深圳市大数据研究院 | 基于联邦边缘学习的动作识别方法、服务器及电子设备 |
| CN116468130A (zh) * | 2023-05-06 | 2023-07-21 | 平安科技（深圳）有限公司 | 基于联邦学习的样本选择方法、系统、电子设备及介质 |
| CN117240343A (zh) * | 2023-09-07 | 2023-12-15 | 大连理工大学 | 一种感知通信一体化无人机辅助移动车辆的方法 |
Non-Patent Citations (1)
| Title |
|---|
| PEIXI LIU ET AL: "Toward Ambient Intelligence: Federated Edge Learning with Task-Oriented Sensing, Computation, and Communication Integration", 《ARXIV:2206.05949V1》, 13 June 2022 (2022-06-13), pages 1 - 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117763308B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178542B (zh) | 基于机器学习建模的系统和方法 | |
| CN107358293B (zh) | 一种神经网络训练方法及装置 | |
| CN109990790B (zh) | 一种无人机路径规划方法及装置 | |
| CN110422175B (zh) | 车辆状态估计方法以及装置、电子设备、存储介质、车辆 | |
| CN114358286A (zh) | 一种移动设备联邦学习方法及系统 | |
| CN109032630B (zh) | 一种参数服务器中全局参数的更新方法 | |
| CN110794437A (zh) | 卫星定位信号强度预测方法和装置 | |
| CN111327355A (zh) | 无人机感知与传输时间均衡的方法、装置、介质及设备 | |
| CN114339842A (zh) | 基于深度强化学习无人机集群在时变场景下动态轨迹设计方法和装置 | |
| CN115830709A (zh) | 基于联邦边缘学习的动作识别方法、服务器及电子设备 | |
| CN117806838B (zh) | 基于异构数据的设备分簇方法、装置、设备、系统及介质 | |
| CN113254215B (zh) | 数据处理方法和装置、存储介质及电子设备 | |
| CN117763308B (zh) | 基于无人机的运动指标分析方法、电子设备、存储介质 | |
| CN109752952B (zh) | 一种获取多维随机分布及强化控制器的方法和装置 | |
| CN111880568B (zh) | 无人机自动控制的优化训练方法、装置、设备及存储介质 | |
| CN111327473B (zh) | 网络调控方法、装置、网络调控系统及电子设备 | |
| CN117707773A (zh) | 资源分配方法、装置、设备及存储介质 | |
| CN116915869A (zh) | 基于云边协同的时延敏感型智能服务快速响应方法 | |
| CN111880571A (zh) | 一种无人机刚性队形切换方法及装置 | |
| CN108831548B (zh) | 远程智能医疗的优化方法、装置及系统 | |
| CN117812564B (zh) | 一种应用于车联网的联邦学习方法、装置、设备及介质 | |
| CN116580448B (zh) | 一种行为预测方法、系统、电子设备及存储介质 | |
| CN117557870B (zh) | 基于联邦学习客户端选择的分类模型训练方法及系统 | |
| CN114218184B (zh) | 工业互联网平台数据处理方法、装置及电子设备 | |
| CN112738521B (zh) | 视频编码方法和装置、电子设备、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 |