CN106054875A - 一种分布式多机器人动态网络连通性控制方法 - Google Patents
一种分布式多机器人动态网络连通性控制方法 Download PDFInfo
- Publication number
- CN106054875A CN106054875A CN201610352212.5A CN201610352212A CN106054875A CN 106054875 A CN106054875 A CN 106054875A CN 201610352212 A CN201610352212 A CN 201610352212A CN 106054875 A CN106054875 A CN 106054875A
- Authority
- CN
- China
- Prior art keywords
- node
- neighbours
- network
- optimum
- communication link
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000005381 potential energy Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种分布式多机器人动态网络连通性控制方法,属于多机器人动态网络控制技术领域。包括基于事件驱动的最小生成树分布式动态网络拓扑控制、基于局部人工势场法的最优邻居通信链路连通性保持运动控制。每个机器人节点通过周期性广播自身位置并更新邻居信息,分布式地建立每个节点邻近网络的局部最小生成树,选取最优邻居,并通过局部人工势场法保持与最优邻居的通信链路,使多机器人动态网络在保持连通的基础上优化全局信息连通性,获得最优的网络通信代价。本发明不需要中心节点集中计算,可以分布式并行地实施,减少了通信负荷,增强了多机器人网络的可扩展性和鲁棒性;可以克服由于机器人运动引起的通信链路中断问题。
Description
技术领域
本发明属于多机器人动态网络控制技术领域,具体来说是一种用于分布式多机器人的动态网络连通性控制方法。
背景技术
近年来,多机器人协同技术受到越来越多人的关注,其应用范围也日益广泛,其中包括由多架无人机组成的空中机器人编队,由多辆无人车组成的地面机器人编队和由多个水下航行器组成的水下机器人编队等。在不同应用中,多个机器人通过协同感知、信息交互、协同决策和控制可以胜任单个机器人所不能完成的任务,具有更高的灵活性、鲁棒性和适应性。
多机器人网络是联系各个机器人的纽带,作为依附于每个机器人之上的虚体,起着支撑机器人之间信息传输、共享和交互的重要作用,是多机器人协同合作的基础和保障。多机器人网络的网络服务质量直接影响多机器人遂行任务的效能,其中多机器人网络的连通性是衡量网络服务质量的关键指标。机器人网络的连通性体现在以下两个方面:首先,连通性指的是网络中的每个机器人节点可以通过直接或者经由其他节点路由的方式与网络中的所有节点保持通信链路;其次,连通性指的是一条新信息从网络中某机器人节点发出到利用网络路由至全部机器人节点为止的通信代价,通信代价越低,则连通性越好。第一个方面是连通性的定性指标,第二个方面是连通性的定量指标,综合体现了多机器人网络的网络服务质量。
由于机器人的移动性,网络始终处于动态变化中,为多机器人网络的连通性控制带来困难和挑战。目前,多机器人网络的连通性控制大多采用人工势场的方法,为每条链路赋予权重,根据网络状态建立全局势能函数,集中地对势能函数求梯度,获得每个成员的运动控制指令,以使网络保持连通。在实际应用中,由于机器人的数量多,采用集中式的控制方式会增大通信负荷,并且当中心节点失效时,网络便不能正常运行,降低多机器人的可扩展性和鲁棒性。同时为了保障任意两个节点之间的通信链路,每个机器人不加选择地保持与其所有邻居节点的链路,会增大控制和通信代价,限制机器人的移动范围,同时加剧了节点之间的媒体访问冲突,降低了网络的连通性。
发明内容
本发明的目的是为了解决多机器人网络在动态变化的条件下通信链路中断的问题,以及利用当前连通性控制方法带来的网络通信代价增大的问题,提出一种分布式多机器人动态网络连通性控制方法。
本发明提出了表征网络通信代价的全局信息连通性指标,并在此基础上提出了一种基于局部最小生成树的分布式多机器人动态网络连通性控制方法,每个机器人节点通过周期性广播自身位置并更新邻居信息,分布式地建立每个节点邻近网络的局部最小生成树,选取最优邻居,并通过局部人工势场法保持与最优邻居的通信链路,使多机器人动态网络在保持连通的基础上优化全局信息连通性,获得最优的网络通信代价。
本发明提供一种分布式多机器人动态网络连通性控制方法,具体包括如下步骤:
步骤一、基于事件驱动的最小生成树分布式动态网络拓扑控制;
利用建立邻近图最小生成树的方法,得到每个节点的最优邻居,具体为:
步骤1.1、每个时钟周期,每个节点通过无线电台广播其位置信息xi,接收来自其邻居发来的位置信息并保存,组成位置集合X={xi}∪{xj|j为i接收到信息的节点},更新邻居集Neighi;i∈{1,2...,N},j∈{1,2,...,N},i≠j;
步骤1.2、若本时钟周期的邻居集与上一周期相比发生改变,则执行步骤1.3,否则直接执行步骤二;
步骤1.3、每个节点根据邻居集Neighi建立局部动态图Gi=(vi,εi),其中vi={i}∪Neighi,对于i,j∈vi且i≠j,εi={(i,j)|[A]ij=1};
[A]ij为邻接矩阵A的矩阵元素,定义如下:
δ为通信链路的成功传输概率阈值;
步骤1.4、计算局部动态图中每条边的通信权值
节点i和节点j之间的通信链路的通信权值为:
pij为节点i到节点j的通信链路的成功传输概率;
步骤1.5、每个节点利用普里姆方法,从自身开始,建立局部最小生成树MST;
步骤1.6、根据最小生成树,选取在最小生成树中的邻居,组成最优邻居集
步骤1.7、广播最优邻居集同时接收其他邻居节点的邻居信息,增加有向边,使网络由有向图变为无向图;
步骤二、基于局部人工势场法的最优邻居通信链路连通性保持运动控制;
在步骤一得到的最优邻居集的基础上,利用人工势场法获得节点的运动控制指令,保持与最优邻居的通信链路,使网络在动态条件下保持连通,具体为:
步骤2.1、在最优邻居集的基础上,每个节点计算与每个最优邻居的通信链路的势能函数,表达式为:
dc为临界传输距离;
步骤2.2、综合所有节点与最优邻居集的势能函数,获得局部势能函数表达式为:
步骤2.3、对局部势能函数求梯度,获得每个节点的运动控制指令为:
其中K为反馈系数,为求沿xi的梯度。
本发明的优点在于:
(1)本发明的多机器人动态网络连通性控制方法,既解决了通信链路的保持问题,又在此基础上优化全局信息连通性,获得最优的网络通信代价;
(2)本发明的多机器人动态网络连通性控制方法,不需要中心节点集中计算,可以分布式并行地实施,减少了通信负荷,增强了多机器人网络的可扩展性和鲁棒性;
(3)本发明的多机器人动态网络连通性控制方法,可以克服由于机器人运动引起的通信链路中断问题,实时地获得最优全局信息连通性。
附图说明
图1:多机器人动态网络示意图。
图2:采用与所有邻居Neighi保持连通以及控制输入ui=0的多机器人网络拓扑。
图3:采用本方法的多机器人网络拓扑。
图4:全局信息连通度仿真曲线。
图5:拉普拉斯矩阵第二小特征值仿真曲线。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
设一个分布式多机器人动态网络中有N个机器人,也称为节点。已知其位置分别为x1,...,xi,...x,N,其中 代表n维实向量空间。假设每个机器人的运动模型为一阶模型其中ui为运动控制指令。节点i通过无线电台与节点j通信,i∈{1,2...,N},j∈{1,2,...,N},i≠j。所有电台采用全向天线并且节点i电台功率为Pi。由节点i发射,节点j接收的接收信噪比Γij表示如下:
式中,为在节点j处的平均噪声功率,Cij为考虑了天线增益和阴影的常数系数,dij为节点i与节点j的相对距离,α为传播衰减系数。在本发明中不涉及电台的功率控制,所以所有电台的功率是固定的并且假设是相同的,即Pi=P。同时假设所有的常数系数Cij和平均噪声功率均相同,即Cij=C,
链路的误码率和丢包率是衡量通信链路通信质量的重要指标,当接收信噪比低于一定阈值γ时,通信链路质量由于高误码率或丢包率变得不可接受。定义节点i到节点j的通信链路的成功传输概率pij为:
定义dc为临界传输距离,表示当且仅当节点i与节点j的距离小于临界传输距离dc时,从节点i到节点j的通信链路可以成功传输,当通信链路的成功传输概率大于或等于某一阈值δ时,称通信链路连通。根据连通性的定义,可以建立多机器人网络动态图G(v,ε(t)),v={1,2,...,N}。其邻接矩阵为A,矩阵元素[A]ij定义如下:
其中,i∈v={1,2,...,N},对于i,j∈v,ε(t)={(i,j)|[A]ij=1},节点i的邻居集为Neighi={j|[A]ij=1},图1为多机器人动态网络示意图。动态图G(v,ε(t))的拉普拉斯矩阵L定义为L=D-A,其中为度矩阵,若G(v,ε(t))为强连通图,当且仅当拉普拉斯矩阵的第二小特征值λ2大于零。
定义节点i和节点j之间的通信链路的通信权值为:
网络的全局信息连通性为:
基于上述提供的分布式多机器人动态网络,本发明提出的一种分布式多机器人动态网络连通性控制方法的具体实施步骤如下:
步骤一、基于事件驱动的最小生成树分布式动态网络拓扑控制。
利用建立邻近图最小生成树的方法,得到每个节点的最优邻居,优化全局信息连通性,提高网络的网络服务质量。
步骤1.1、每个时钟周期,每个节点通过无线电台广播其位置信息xi,接收来自其邻居发来的位置信息并保存,组成位置集合X={xi}∪{xj|j为i接收到信息的节点},更新邻居集Neighi。
步骤1.2、若本时钟周期的邻居集与上一周期相比发生改变,则执行步骤1.3,否则直接执行步骤二。
步骤1.3、每个节点根据邻居集Neighi建立局部动态图Gi=(vi,εi),其中vi={i}∪Ne∪Neighighi,对于i,j∈vi且i≠j,εi={(i,j)|[A]ij=1}。
步骤1.4、利用公式(4)计算局部动态图中每条边的通信权值
步骤1.5、每个节点利用普里姆方法(Prim方法),从自身开始,建立局部最小生成树MST;
步骤1.6、根据最小生成树,选取在最小生成树中的邻居,组成最优邻居集
步骤1.7、广播最优邻居集同时接收其他邻居节点的邻居信息,增加有向边,使网络由有向图变为无向图。
步骤二、基于局部人工势场法的最优邻居通信链路连通性保持运动控制。
在步骤一得到的最优邻居集的基础上,利用人工势场法获得节点的运动控制指令,保持与最优邻居的通信链路,使网络在动态条件下保持连通。
步骤2.1、在最优邻居集的基础上,每个节点计算与每个最优邻居的通信链路的势能函数,表达式为:
步骤2.2、综合所有节点与最优邻居集的势能函数,获得局部势能函数表达式为:
步骤2.3、对局部势能函数求梯度,获得每个节点的运动控制指令为:
其中K为反馈系数,为求沿xi的梯度。
实施例:
在本实施例子中,多机器人网络由9个机器人节点组成,其初始位置随机均匀分布在100m×100m的空间范围内,临界传输距离dc=25m,传播衰减系数为α=2,成功传输概率阈值为δ=e-1。通过计算拉普拉斯矩阵的第二小特征值λ2和网络全局信息连通度Ugm来评估本发明对多机器人网络连通性的控制和提升能力。
为了说明本发明的效果,在控制输入ui中加入随机扰动ξi,该扰动在(-1,1)上服从均匀分布,仿真时长120秒,比较采用本方法和采用与所有邻居Neighi保持连通以及控制输入ui=0的控制效果。
图2为采用与所有邻居Neighi保持连通以及控制输入ui=0的网络拓扑图,图3为采用本方法后的网络拓扑图,其中图2和图3的横纵坐标分别表示100m×100m空间范围的东向和北向。对比图2和图3可以看出采用本方法后网络中边的数量减少,但网络依然保持连通,降低了节点间媒体访问控制的冲突,提高了网络服务质量。图4中虚线为采用与所有邻居Neighi保持连通以及控制输入ui=0的全局信息连通度变化曲线,实线为采用本方法的全局信息连通度变化曲线,从图4中可以看出本方法可以提升全局信息连通度。图5中虚线为采用与所有邻居Neighi保持连通以及控制输入ui=0的λ2变化曲线,实线为采用本方法的λ2变化曲线,从图5中可以看出,采用与所有邻居Neighi保持连通以及控制输入ui=0的网络不保持连通(λ2=0),而采用本方法可以保证网络在随机扰动的情况下保持连通(λ2>0)。本发明提出的分布式多机器人动态网络连通度控制方法可以提升全局信息连通度的同时保持网络连通。
本发明未详细描述内容为本领域技术人员公知技术。
Claims (1)
1.一种分布式多机器人动态网络连通性控制方法,其特征在于:包括如下步骤,
步骤一、基于事件驱动的最小生成树分布式动态网络拓扑控制;
利用建立邻近图最小生成树的方法,得到每个节点的最优邻居,具体为:
步骤1.1、每个时钟周期,每个节点通过无线电台广播其位置信息xi,接收来自其邻居发来的位置信息并保存,组成位置集合X={xi}∪{xj|j为i接收到信息的节点},更新邻居集Neighi;i∈{1,2...,N},j∈{1,2,...,N},i≠j;
步骤1.2、若本时钟周期的邻居集与上一周期相比发生改变,则执行步骤1.3,否则直接执行步骤二;
步骤1.3、每个节点根据邻居集Neighi建立局部动态图Gi=(vi,εi),其中vi={i}∪Neighi,对于i,j∈vi且i≠j,εi={(i,j)|[A]ij=1};
[A]ij为邻接矩阵A的矩阵元素,定义如下:
δ为通信链路的成功传输概率阈值;
步骤1.4、计算局部动态图中每条边的通信权值
节点i和节点j之间的通信链路的通信权值为:
pij为节点i到节点j的通信链路的成功传输概率;
步骤1.5、每个节点利用普里姆方法,从自身开始,建立局部最小生成树MST;
步骤1.6、根据最小生成树,选取在最小生成树中的邻居,组成最优邻居集
步骤1.7、广播最优邻居集同时接收其他邻居节点的邻居信息,增加有向边,使网络由有向图变为无向图;
步骤二、基于局部人工势场法的最优邻居通信链路连通性保持运动控制;
在步骤一得到的最优邻居集的基础上,利用人工势场法获得节点的运动控制指令,保持与最优邻居的通信链路,使网络在动态条件下保持连通,具体为:
步骤2.1、在最优邻居集的基础上,每个节点计算与每个最优邻居的通信链路的势能函数,表达式为:
dc为临界传输距离;
步骤2.2、综合所有节点与最优邻居集的势能函数,获得局部势能函数表达式为:
步骤2.3、对局部势能函数求梯度,获得每个节点的运动控制指令为:
其中K为反馈系数,为求沿xi的梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610352212.5A CN106054875B (zh) | 2016-05-25 | 2016-05-25 | 一种分布式多机器人动态网络连通性控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610352212.5A CN106054875B (zh) | 2016-05-25 | 2016-05-25 | 一种分布式多机器人动态网络连通性控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106054875A true CN106054875A (zh) | 2016-10-26 |
CN106054875B CN106054875B (zh) | 2019-01-04 |
Family
ID=57174285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610352212.5A Active CN106054875B (zh) | 2016-05-25 | 2016-05-25 | 一种分布式多机器人动态网络连通性控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106054875B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786601A (zh) * | 2017-01-20 | 2017-05-31 | 国网山东省电力公司 | 一种适用于电力***的网络鲁棒性优化方法 |
CN106970645A (zh) * | 2017-05-16 | 2017-07-21 | 合肥工业大学 | 多无人机协同编队最优信息交互拓扑生成方法及装置 |
CN107463184A (zh) * | 2017-07-19 | 2017-12-12 | 中国人民解放军理工大学 | 一种基于垂直移动的无人集群避障策略 |
CN109407694A (zh) * | 2017-08-18 | 2019-03-01 | 清华大学 | 无人机编队控制方法、可读存储介质、设备及无人机 |
WO2019204987A1 (zh) * | 2018-04-24 | 2019-10-31 | 深圳前海达闼云端智能科技有限公司 | 云端控制的信息传输方法、机器人和组群机器人*** |
CN110687926A (zh) * | 2019-12-10 | 2020-01-14 | 北京航空航天大学 | 一种无人机群快速编队方法 |
CN110727274A (zh) * | 2019-11-19 | 2020-01-24 | 大连海事大学 | 一种基于无人船***的带有避碰且保持连通性的编队控制方法 |
WO2020113437A1 (zh) * | 2018-12-04 | 2020-06-11 | 区链通网络有限公司 | 图结构处理方法、***、网络设备及存储介质 |
CN112583633A (zh) * | 2020-10-26 | 2021-03-30 | 东北大学秦皇岛分校 | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 |
CN112612279A (zh) * | 2020-12-24 | 2021-04-06 | 浙江工业大学 | 基于复拉普拉斯矩阵的二阶编队控制方法 |
CN113055851A (zh) * | 2021-05-31 | 2021-06-29 | 四川腾盾科技有限公司 | 基于位置与双关键节点的抗毁无人机群拓扑优化方法 |
CN113645143A (zh) * | 2021-08-06 | 2021-11-12 | 浙江大学 | 一种空中集群通信网络的优化方法及装置 |
CN114115341A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040098377A1 (en) * | 2002-11-16 | 2004-05-20 | International Business Machines Corporation | System and method for conducting adaptive search using a peer-to-peer network |
WO2007138591A1 (en) * | 2006-05-30 | 2007-12-06 | Insightix Ltd. | Method and system for determining topology of a dynamic network |
CN101646258A (zh) * | 2009-09-11 | 2010-02-10 | 北京航空航天大学 | 用于无人飞行器自主编队的数据链信道分配方法 |
CN101651992A (zh) * | 2009-09-18 | 2010-02-17 | 北京航空航天大学 | 一种用于无人飞行器自主编队的数据链组网方法 |
CN101901012A (zh) * | 2010-03-19 | 2010-12-01 | 华东交通大学 | 一种分布式的多机器人同步蜂拥控制方法 |
-
2016
- 2016-05-25 CN CN201610352212.5A patent/CN106054875B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040098377A1 (en) * | 2002-11-16 | 2004-05-20 | International Business Machines Corporation | System and method for conducting adaptive search using a peer-to-peer network |
WO2007138591A1 (en) * | 2006-05-30 | 2007-12-06 | Insightix Ltd. | Method and system for determining topology of a dynamic network |
CN101646258A (zh) * | 2009-09-11 | 2010-02-10 | 北京航空航天大学 | 用于无人飞行器自主编队的数据链信道分配方法 |
CN101651992A (zh) * | 2009-09-18 | 2010-02-17 | 北京航空航天大学 | 一种用于无人飞行器自主编队的数据链组网方法 |
CN101901012A (zh) * | 2010-03-19 | 2010-12-01 | 华东交通大学 | 一种分布式的多机器人同步蜂拥控制方法 |
Non-Patent Citations (3)
Title |
---|
RAMI YARED,等: "Collision Prevention Platform for a Dynamic Group of Asynchronous Cooperative Mobile Robots", 《JOURNAL OF NETWORKS》 * |
YANG XU,等: "Using complex network effects for communication decisions in large multi-robot teams", 《INTERNATIONAL CONFERENCE ON AUTONOMOUS AGENTS & MULTI-AGENT SYSTEMS》 * |
王晓明,等: "多机器人***连通性主动控制研究", 《华东交通大学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786601A (zh) * | 2017-01-20 | 2017-05-31 | 国网山东省电力公司 | 一种适用于电力***的网络鲁棒性优化方法 |
CN106970645A (zh) * | 2017-05-16 | 2017-07-21 | 合肥工业大学 | 多无人机协同编队最优信息交互拓扑生成方法及装置 |
CN106970645B (zh) * | 2017-05-16 | 2018-02-02 | 合肥工业大学 | 多无人机协同编队最优信息交互拓扑生成方法及装置 |
CN107463184A (zh) * | 2017-07-19 | 2017-12-12 | 中国人民解放军理工大学 | 一种基于垂直移动的无人集群避障策略 |
CN109407694A (zh) * | 2017-08-18 | 2019-03-01 | 清华大学 | 无人机编队控制方法、可读存储介质、设备及无人机 |
WO2019204987A1 (zh) * | 2018-04-24 | 2019-10-31 | 深圳前海达闼云端智能科技有限公司 | 云端控制的信息传输方法、机器人和组群机器人*** |
WO2020113437A1 (zh) * | 2018-12-04 | 2020-06-11 | 区链通网络有限公司 | 图结构处理方法、***、网络设备及存储介质 |
CN110727274A (zh) * | 2019-11-19 | 2020-01-24 | 大连海事大学 | 一种基于无人船***的带有避碰且保持连通性的编队控制方法 |
CN110727274B (zh) * | 2019-11-19 | 2022-09-02 | 大连海事大学 | 一种基于无人船***的带有避碰且保持连通性的编队控制方法 |
CN110687926A (zh) * | 2019-12-10 | 2020-01-14 | 北京航空航天大学 | 一种无人机群快速编队方法 |
CN112583633A (zh) * | 2020-10-26 | 2021-03-30 | 东北大学秦皇岛分校 | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 |
CN112612279A (zh) * | 2020-12-24 | 2021-04-06 | 浙江工业大学 | 基于复拉普拉斯矩阵的二阶编队控制方法 |
CN113055851A (zh) * | 2021-05-31 | 2021-06-29 | 四川腾盾科技有限公司 | 基于位置与双关键节点的抗毁无人机群拓扑优化方法 |
CN113055851B (zh) * | 2021-05-31 | 2021-08-17 | 四川腾盾科技有限公司 | 基于位置与双关键节点的抗毁无人机群拓扑优化方法 |
CN113645143A (zh) * | 2021-08-06 | 2021-11-12 | 浙江大学 | 一种空中集群通信网络的优化方法及装置 |
WO2023010712A1 (zh) * | 2021-08-06 | 2023-02-09 | 浙江大学 | 一种空中集群通信网络的优化方法及装置 |
CN113645143B (zh) * | 2021-08-06 | 2023-11-21 | 浙江大学 | 一种空中集群通信网络的优化方法及装置 |
CN114115341A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及*** |
CN114115341B (zh) * | 2021-11-18 | 2022-11-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106054875B (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106054875A (zh) | 一种分布式多机器人动态网络连通性控制方法 | |
Zheng et al. | Adaptive communication protocols in flying ad hoc network | |
Srivastava et al. | Future FANET with application and enabling techniques: Anatomization and sustainability issues | |
Challita et al. | Deep reinforcement learning for interference-aware path planning of cellular-connected UAVs | |
Zhang et al. | A novel multicast routing method with minimum transmission for WSN of cloud computing service | |
Gupta et al. | Survey of important issues in UAV communication networks | |
Challita et al. | Cellular-connected UAVs over 5G: Deep reinforcement learning for interference management | |
Cao et al. | Deep reinforcement learning for multi-user access control in non-terrestrial networks | |
Kim et al. | Joint mission assignment and topology management in the mission-critical FANET | |
Malhotra et al. | A comprehensive review on recent advancements in routing protocols for flying ad hoc networks | |
Kimura et al. | Distributed collaborative 3D-deployment of UAV base stations for on-demand coverage | |
Khan et al. | Intelligent cluster routing scheme for flying ad hoc networks | |
CN109586966B (zh) | 一种无人***网络拓扑连通性恢复方法及*** | |
CN112947548B (zh) | 一种基于频谱地图的无人机编队规划方法及*** | |
Ahmed et al. | A novel collaborative IoD-assisted VANET approach for coverage area maximization | |
CN113645143B (zh) | 一种空中集群通信网络的优化方法及装置 | |
CN110191413B (zh) | 一种基于贪婪蚁群算法在移动自组网中进行广播的方法及*** | |
Tang et al. | Federated learning for intelligent transmission with space-air-ground integrated network toward 6G | |
Yang et al. | Connectivity-aware UAV path planning with aerial coverage maps | |
CN111614559B (zh) | 实现全局优化aodv路由的方法、***及介质 | |
Jianmin et al. | Ardeep: Adaptive and reliable routing protocol for mobile robotic networks with deep reinforcement learning | |
Tang et al. | Machine learning for space–air–ground integrated network assisted vehicular network: A novel network architecture for vehicles | |
CN112672398A (zh) | 一种基于自适应kalman预测的3D-GPSR路由方法 | |
Liu et al. | A novel hybrid split and federated learning architecture in wireless UAV networks | |
Swain et al. | A reinforcement learning-based cluster routing scheme with dynamic path planning for mutli-uav network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |