CN117348424B - 一种基于自适应算法的无人机群协同测绘方法及*** - Google Patents
一种基于自适应算法的无人机群协同测绘方法及*** Download PDFInfo
- Publication number
- CN117348424B CN117348424B CN202311623442.7A CN202311623442A CN117348424B CN 117348424 B CN117348424 B CN 117348424B CN 202311623442 A CN202311623442 A CN 202311623442A CN 117348424 B CN117348424 B CN 117348424B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- task
- mapping
- data
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 241000251468 Actinopterygii Species 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000002265 prevention Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于自适应算法的无人机群协同测绘方法及***,用于测绘领域,该方法包括以下步骤:对测绘任务进行任务分割;获取无人机的参数信息数据,为每个子任务分配最合适的无人机和载荷;将最优飞行路径的规划方案转化为执行的指令序列;无人机根据分配的任务和飞行路径进行飞行,通过无线网状网络将测绘数据传输回控制中心;若无人机遇到突发事件,通过自适应算法调动备用无人机,重新规划任务和飞行路径;控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果。本发明通过孤立森林模型和贝叶斯网络两种方式预测故障,提高故障预测的精度,在任务执行过程中,动态的任务调度和飞行路径规划。
Description
技术领域
本发明涉及测绘领域,具体来说,尤其涉及一种基于自适应算法的无人机群协同测绘方法及***。
背景技术
测绘是一种基于地理学和工程技术的活动,对地球的自然和人造特征进行测量和表示,以便于制作地图和其他类产品。它的目的是获取对地理环境信息的准确理解。传统的测绘方法通常是通过人工的方式收集数据,然后对数据进行处理和整理,以创建详细的地图或者模型。这种方式虽然结果准确,但是花费的时间和成本都非常高。
相比之下,无人机测绘是一种现代化的地理信息获取方式。无人机可以在短时间内飞越大片地区,通过搭载的相机或者其他传感器获取地面的信息,然后通过数据分析软件将这些信息转化为有用的地图或者模型。这使得整个测绘过程的效率大大提高,同时也降低了成本。
现在的无人机操作主要依赖于人工,或者使用预设的飞行路线。但是这样的操作方式在面对复杂的地形或者大规模的任务的时候,存在很大的挑战。无人机的通信在野外环境下可能会遇到信号干扰和环境影响问题,导致无法正常运行。同时,由于无人机的硬件限制,单架无人机在执行复杂任务的时候可能无法完成。因此现在的趋势是使用多架无人机进行协同工作,以提高任务完成的稳定性和效率。
总的来说,无人机测绘是一种将现代化技术融入到传统测绘方法的结果,它成功地解决了许多传统测绘方法的问题,而且有着广阔的应用前景。
但是现有技术中当无人机出现故障时,一般需要人工干预,进行故障处理和任务重新规划,这无疑会消耗大量的时间和资源,并可能导致任务延误,无人机在执行测绘任务时,可能会遇到各种突发事件,如气流不稳定、局部气流异常等,现有的方案往往难以实时响应这些变化,缺乏动态调整飞行路径和任务调度的能力,且现有的方案在对无人机的故障预测方面,往往缺乏精确性,导致在无人机出现故障时,无法提前做出有效的应对。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出一种基于自适应算法的无人机群协同测绘方法及***,目的在于解决现有技术中当无人机出现故障时,一般需要人工干预,进行故障处理和任务重新规划,这无疑会消耗大量的时间和资源,并可能导致任务延误的问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于自适应算法的无人机群协同测绘方法,该无人机群协同测绘方法包括以下步骤:
S1、对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务;
S2、获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷;
S3、将最优飞行路径的规划方案转化为执行的指令序列,并将其输入到无人机的飞行控制***中;
S4、无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心;
S5、在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径;
S6、控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果;
S7、根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估。
可选地,对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务包括以下步骤:
S11、分析测绘任务的整体内容和目标,确定测绘任务的设定要求;
S12、将整个测绘任务分割为多个分别测绘各个小区域的子任务;
S13、对于每个子任务,定义明确的输入和输出,其中,输入至少包含测绘任务中小区域的位置和大小,输出包含测绘任务中小区域的测绘数据。
可选地,获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷包括以下步骤:
S21、获取每个无人机的参数信息数据,参数信息数据至少包括飞行速度、飞行高度和续航时间;
S22、根据无人机的属性特征,利用聚类算法将无人机划分为不同类型,并计算每个无人机与聚类中心的相似度;
S23、根据任务参数设定载荷方案,并构建鱼群算法的适应度函数;
S24、将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数;
S25、根据每个无人机与子任务的相似度,将无人机优先分配给与其最匹配的子任务;
S26、获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配。
可选地,将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数包括以下步骤:
S241、生成初始鱼群,其中,每个鱼表示一个子任务与无人机的初始映射方案;
S242、计算每个鱼的适应度值;
S243、通过鱼群算法的聚群和追尾,迭代更新鱼群,使鱼群适应度值不断优化;
S244、当迭代次数达到设定条件时,输出最终适应度值最高的鱼,获取最优任务与无人机的初始映射方案,并确定每个子任务初始可分配的无人机数量;
计算每个鱼的适应度值的公式为:
其中,
式中,fitness表示适应度函数的值;
K表示子任务的数量;
Rk表示子任务的速率要求;
θk表示第k个子任务的比例公平性系数;
PT表示子任务中总的功率约束;
k表示子任务;
Nk表示第k个子任务被分配的子载波的功率和;
Pk,i表示第k个子任务在第i子载波上的功率值;
Hk,i表示第k个子任务在第i个子载波上的信道增益。
可选地,获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配包括以下步骤:
S261、获取每个子任务初始可分配的无人机数量;
S262、构建载荷方案的适应度函数,同时考虑载荷分配的效能和公平性;
S263、初始化载荷鱼群,每个载荷鱼表示一个载荷方案;
S264、计算每个载荷鱼的适应度值,根据适应度函数评估载荷方案的优劣;
S265、通过鱼群算法的聚群、追尾的操作,迭代更新载荷鱼群,使载荷鱼群适应度值不断优化,当达到迭代终止条件时,输出适应度值最高的载荷鱼,获得最优的载荷方案分配。
可选地,在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径包括以下步骤:
S51、在执行任务过程中,实时监测无人机的状态,并将无人机的条件参数输孤立森林模型中进行故障预测;
S52、结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测;
S53、通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型;
S54、将孤立森林模型分析的故障类型结果和贝叶斯网络的预测结果进行对比,若预测结果一致,则确定最终故障类型,否则返回S51的步骤;
S55、根据最终的故障类型,通过参照无人机的属性特征和预先训练出的聚类中心的相似度来挑选备选无人机,同时考虑每架备选无人机当前的电池量和它们与发生故障的无人机的距离,选出最佳的备用无人机来替代故障的无人机;
S56、在备用无人机启动后,利用原有的任务规划和飞行路径信息重新建立任务配置;
S57、在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防。
可选地,结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测包括以下步骤:
S521、收集当前无人机的实时状态信息;
S522、收集历史故障数据;
S523、将实时状态信息和历史故障数据进行结合,作为贝叶斯网络的输入数据;
S524、初始化贝叶斯网络,在网络中的每个节点,预先设置先验概率;
S525、当无人机在执行任务过程中,将收集到的实时状态数据作为观测值输入到网络中,更新网络的状态;
S526、运行贝叶斯推断算法,根据提供的观测数据更新网络中各节点的概率分布;
S527、查看与故障相关的节点的概率值,预测出的故障发生概率。
可选地,通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型包括以下步骤:
S531、设定无人机的传感器和雷达,并实时监控飞行状态和周围环境;
S532、当传感器和雷达检测到异常信号或突然变化时,判定突发事件的发生;
S533、收集无人机自身的航行数据、传感器获取的环境数据及出现的突发事件类型的关联数据;
S534、提取关联数据的特征数据,将特征数据输入到孤立森林模型中,得到异常得分;
S535、根据异常得分的大小,判断无人机的故障类型。
可选地,在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防包括以下步骤:
S571、使用无人机上的边缘计算功能,同时在无人机上运行孤立森林模型和贝叶斯网络,降低网络延迟;
S572、无人机在执行任务的过程中实时收集任务调度参数和无人机自身的属性特性数据;
S573、通过孤立森林模型和贝叶斯网络对收集到的参数和特性数据进行实时分析,获取无人机的当前状态和出现的风险;
S574、根据数据分析结果,进行任务的动态调度,若模型预测未来会出现的故障,则提前调整调度,避免故障对任务的影响;
S575、根据数据分析结果,实时优化无人机的飞行路径,若模型预测出某个飞行小区域会出现故障或风险,则提前规划飞行路径来避免小区域。
根据本发明的另一个方面,还提供了一种基于自适应算法的无人机群协同测绘***,该***包括:任务分割模块、任务分配模块、指令序列生成模块、测绘数据传输模块、故障处理与备用无人机调度模块、测绘结果生成模块及评估模块;
任务分割模块通过任务分配模块与指令序列生成模块连接,指令序列生成模块通过测绘数据传输模块与故障处理与备用无人机调度模块连接,故障处理与备用无人机调度模块通过测绘结果生成模块与评估模块连接;
任务分割模块,用于对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务;
任务分配模块,用于获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷;
指令序列生成模块,用于将最优飞行路径的规划方案转化为可执行的指令序列,并将其输入到无人机的飞行控制***中;
测绘数据传输模块,用于无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心;
故障处理与备用无人机调度模块,用于在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径;
测绘结果生成模块,用于控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果;
评估模块,用于根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估。
相较于现有技术,本申请具有以下有益效果:
1、本发明中整个实现方法是自适应的,这意味着它能够根据实际的任务需求和无人机的性能特征灵活调整,这大大提高了无人机的使用效率和任务完成质量,其次,它引入了适应度函数和资料方案的概念,这使得***能够根据各种因素综合评估各个无人机和任务的配对方案,从而选出最优的方案,提高了资源的整体利用率,再者,使用鱼群算法进行迭代搜索,使得其能够在复杂的搜索空间中快速找到满意的解决方案,最后,该方法不仅考虑了执行效率,还考虑了公平性,这对于保证各个无人机的工作压力分布均衡、提高无人机长期使用的可持续性等方面有着重要的意义。
2、本发明的无人机在执行任务过程中,实时监测无人机的状态,如出现故障可以立即进行处理和任务的重新规划,当无人机出现故障,可以根据其属性特征和预训练的聚类中心的相似度快速选出最适合的备用无人机,无需逐一比对,并且还能根据当前的电池量和距离进行综合评估,从而提高了故障处理的效率。
3、本发明通过孤立森林模型和贝叶斯网络两种方式预测故障,可以提高故障预测的精度,在任务执行过程中,根据实时的任务调度参数和飞行路径信息,进行动态的任务调度和飞行路径规划,适应不同的飞行环境。
4、本发明通过边缘计算,无人机可以在本地运行孤立森林模型和贝叶斯网络,降低了网络延迟,提高了对故障的快速响应能力,无人机可以根据当前的飞行环境和实时的无人机状态来动态地调整飞行路径,增强了对各种突发事件的抗干扰能力和适应性。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的一种基于自适应算法的无人机群协同测绘方法的流程图;
图2是根据本发明实施例的一种基于自适应算法的无人机群协同测绘***的原理框图。
图中:
1、任务分割模块;2、任务分配模块;3、指令序列生成模块;4、测绘数据传输模块;5、故障处理与备用无人机调度模块;6、测绘结果生成模块;7、评估模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
根据本发明的实施例,提供了一种基于自适应算法的无人机群协同测绘方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于自适应算法的无人机群协同测绘方法,该无人机群协同测绘方法包括以下步骤:
S1、对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务。
优选地,对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务包括以下步骤:
S11、分析测绘任务的整体内容和目标,确定测绘任务的设定要求;
S12、将整个测绘任务分割为多个分别测绘各个小区域的子任务;
S13、对于每个子任务,定义明确的输入和输出,其中,输入至少包含测绘任务中小区域的位置和大小,输出包含测绘任务中小区域的测绘数据。
需要解释说明的是,在无人机测绘***的任务设计中,不仅要考虑地形、地貌等固有因素,还要关注天气、光照、无人机性能等多种变量。因此,任务分割和定义的过程需要利用地理信息***技术,制定智能的、灵活的测绘策略,包含任务优先级、无人机性能选择、应对突发情况等设定。这样能有效提高测绘效率,降低出错可能,是构建稳定、优质的无人机测绘***的关键步骤。
S2、获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷。
优选地,获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷包括以下步骤:
S21、获取每个无人机的参数信息数据,参数信息数据至少包括飞行速度、飞行高度和续航时间;
S22、根据无人机的属性特征,利用聚类算法将无人机划分为不同类型,并计算每个无人机与聚类中心的相似度;
S23、根据任务参数设定载荷方案,并构建鱼群算法的适应度函数;
S24、将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数;
S25、根据每个无人机与子任务的相似度,将无人机优先分配给与其最匹配的子任务;
S26、获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配。
优选地,将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数包括以下步骤:
S241、生成初始鱼群,其中,每个鱼表示一个子任务与无人机的初始映射方案;
S242、计算每个鱼的适应度值;
S243、通过鱼群算法的聚群和追尾,迭代更新鱼群,使鱼群适应度值不断优化;
S244、当迭代次数达到设定条件时,输出最终适应度值最高的鱼,获取最优任务与无人机的初始映射方案,并确定每个子任务初始可分配的无人机数量;
计算每个鱼的适应度值的公式为:
其中,
式中,fitness表示适应度函数的值;
K表示子任务的数量;
Rk表示子任务的速率要求;
θk表示第k个子任务的比例公平性系数;
PT表示子任务中总的功率约束;
k表示子任务;
Nk表示第k个子任务被分配的子载波的功率和;
Pk,i表示第k个子任务在第i子载波上的功率值;
Hk,i表示第k个子任务在第i个子载波上的信道增益。
优选地,获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配包括以下步骤:
S261、获取每个子任务初始可分配的无人机数量;
S262、构建载荷方案的适应度函数,同时考虑载荷分配的效能和公平性;
S263、初始化载荷鱼群,每个载荷鱼表示一个载荷方案;
S264、计算每个载荷鱼的适应度值,根据适应度函数评估载荷方案的优劣;
S265、通过鱼群算法的聚群、追尾的操作,迭代更新载荷鱼群,使载荷鱼群适应度值不断优化,当达到迭代终止条件时,输出适应度值最高的载荷鱼,获得最优的载荷方案分配。
需要解释说明的是,在使用无人机进行测绘任务中,子任务的分配和无人机的匹配采用了自适应算法,比如在这里用到的鱼群算法,鱼群算法是一种启发式的优化算法,按照一定的适应度函数,通过模拟鱼类觅食行为、聚群行为和追尾行为等对问题进行求解,这种算法的优点在于它可以找到解空间内的全局最优解而避免局部最优解,因此非常适合应用在任务分配和无人机指配方案中,在这个过程中,通过对无人机的参数进行收集、聚类,并以此为基础对任务进行自适应的分配和载荷方案的调整,能够提高任务的整体执行效率和准确性。
S3、将最优飞行路径的规划方案转化为执行的指令序列,并将其输入到无人机的飞行控制***中。
需要解释说明的是,在无人机飞行控制中,最优飞行路径规划是至关重要的一环,这不仅涉及到无人机如何快速、准确地达到目标位置,同时也涉及到如何有效避免飞行过程中的障碍物,如建筑物、电线、树木等,最优飞行路径规划方案通常需要考虑多种因素,包括无人机的性能参数、飞行环境、飞行任务等,经过规划后的飞行路径需要转化为一系列的飞行指令,这些指令会被送入无人机的飞行控制***,控制无人机按照预定的路径进行飞行,这一步骤的精准性直接关系到测绘任务的完成质量和无人机的安全性。
S4、无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心。
需要解释说明的是,在无人机测绘***中,无人机会按照预设的飞行路径进行飞行,在飞行过程中,无人机利用其装载的测绘设备采集所需的测绘数据,例如摄像头捕捉地理信息、雷达设备获取地形数据等,这些数据的采集通常会根据预设的载荷方案进行,以保证数据的准确度和完整性,随后,所获取的测绘数据会通过无线网状网络传输回控制中心,值得注意的是,网状网络为异构无人机提供了良好的网络覆盖,保证了数据传输的稳定性和实时性,对于无人机控制及测绘数据分析工作的完成具有重要意义。
S5、在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径。
优选地,在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径包括以下步骤:
S51、在执行任务过程中,实时监测无人机的状态,并将无人机的条件参数输孤立森林模型中进行故障预测;
S52、结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测;
S53、通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型;
S54、将孤立森林模型分析的故障类型结果和贝叶斯网络的预测结果进行对比,若预测结果一致,则确定最终故障类型,否则返回S51的步骤;
S55、根据最终的故障类型,通过参照无人机的属性特征和预先训练出的聚类中心的相似度来挑选备选无人机,同时考虑每架备选无人机当前的电池量和它们与发生故障的无人机的距离,选出最佳的备用无人机来替代故障的无人机;
S56、在备用无人机启动后,利用原有的任务规划和飞行路径信息重新建立任务配置;
S57、在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防。
优选地,结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测包括以下步骤:
S521、收集当前无人机的实时状态信息;
S522、收集历史故障数据;
S523、将实时状态信息和历史故障数据进行结合,作为贝叶斯网络的输入数据;
S524、初始化贝叶斯网络,在网络中的每个节点,预先设置先验概率;
S525、当无人机在执行任务过程中,将收集到的实时状态数据作为观测值输入到网络中,更新网络的状态;
S526、运行贝叶斯推断算法,根据提供的观测数据更新网络中各节点的概率分布;
S527、查看与故障相关的节点的概率值,预测出的故障发生概率。
具体的,无人机在执行飞行任务过程中,可能会遇到各种突发状况,比如设备故障、天气变化、飞行障碍等等,这就需要我们实时监测无人机的状态,并能迅速作出相应调整,在这个过程中,有两个重要的模型被使用到:孤立森林模型和贝叶斯网络,孤立森林模型用于快速检测无人机可能的故障状态,而贝叶斯网络则用于预测故障发生的可能性,结合这两种模型的结果,我们可以尽可能早地发现和确认无人机的故障,然后,根据无人机的属性特征和聚类中心的相似度,快速选出最适合替代的备用无人机,并利用原有的任务规划和飞行路径信息,快速重新进行任务分配和飞行路径规划,这种方法能够实时响应无人机的突发状况,提高无人机测绘的效率和稳定性。
优选地,通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型包括以下步骤:
S531、设定无人机的传感器和雷达,并实时监控飞行状态和周围环境;
S532、当传感器和雷达检测到异常信号或突然变化时,判定突发事件的发生;
S533、收集无人机自身的航行数据、传感器获取的环境数据及出现的突发事件类型的关联数据;
S534、提取关联数据的特征数据,将特征数据输入到孤立森林模型中,得到异常得分;
S535、根据异常得分的大小,判断无人机的故障类型。
优选地,在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防包括以下步骤:
S571、使用无人机上的边缘计算功能,同时在无人机上运行孤立森林模型和贝叶斯网络,降低网络延迟;
S572、无人机在执行任务的过程中实时收集任务调度参数和无人机自身的属性特性数据;
S573、通过孤立森林模型和贝叶斯网络对收集到的参数和特性数据进行实时分析,获取无人机的当前状态和出现的风险;
S574、根据数据分析结果,进行任务的动态调度,若模型预测未来会出现的故障,则提前调整调度,避免故障对任务的影响;
S575、根据数据分析结果,实时优化无人机的飞行路径,若模型预测出某个飞行小区域会出现故障或风险,则提前规划飞行路径来避免小区域。
需要解释说明的是,无人机在飞行过程中的状态监测和突发事件处理是关键的一环,实时状态的收集,包括无人机的速度、高度、位置、电量等,能够帮助我们了解无人机的即时情况,历史故障数据,比如过去出现过什么类型的故障,故障发生的环境条件,可以帮助我们预测未来可能出现的故障,这些信息被输入到贝叶斯网络中,可以计算出未来出现故障的概率。
同时,无人机的传感器和雷达检测环境的信息,促使无人机自我感知并作出适当的反应,这些数据在出现突发事件时输入到孤立森林模型,可以分析出无人机当前的故障类型。
最后,通过边缘计算,可以在无人机上运行这些模型,实时分析数据并作出反应,这样可以减少传输延迟,提高实时决策的准确性,在数据分析的指导下,无人机可以实现任务的动态调度,避免故障的出现,以及飞行路径的实时优化,这些操作都是为了提高无人机的工作效率,提高其应对突发事件的能力,从而提升测绘任务的完成质量和安全性。
S6、控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果。
需要解释说明的是,在无人机测绘任务中,控制中心对测绘数据的获取和分析起着至关重要的作用,所有无人机在执行任务过程中,都会将收集到的数据如照片、视频、温湿度以及其他环境信息等实时传输回控制中心,这些数据往往是大量的、高精度的,可以为地图更新、土地测量、环境监测等提供极有价值的信息,控制中心会使用专门的分析软件对这些测绘数据进行处理和分析,此过程可能包括数据清洗、数据融合、数据解析和数据可视化等步骤,以提取出最重要的信息并在地理信息***中生成最终的测绘结果,此结果无疑对于城市规划、灾难应对、科研等领域都有着巨大的应用价值。
S7、根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估。
需要解释说明的是,该步骤体现了智能控制***的自适应和学习能力,这在现代无人机测绘控制中至关重要。根据测绘结果和无人机执行任务情况的反馈,控制***可以对自适应算法参数进行微调,以提高无人机在未来任务中的性能和效率。例如,如果无人机在特定气候条件下测绘表现不佳,***可以调整参数以改善其在类似环境中的性能。另外,控制***也会设定一系列预定指标,比如任务执行时间、数据精确度、设备故障率等,来评估整个测绘过程的性能。这能进一步帮助***理解无人机的性能状况,发现潜在的问题,并持续改进无人机的任务执行能力。
根据本发明的另一个实施例,如图2所示,还提供了一种基于自适应算法的无人机群协同测绘***,该***包括:任务分割模块1、任务分配模块2、指令序列生成模块3、测绘数据传输模块4、故障处理与备用无人机调度模块5、测绘结果生成模块6及评估模块7;
任务分割模块1通过任务分配模块2与指令序列生成模块3连接,指令序列生成模块3通过测绘数据传输模块4与故障处理与备用无人机调度模块5连接,故障处理与备用无人机调度模块5通过测绘结果生成模块6与评估模块7连接;
任务分割模块1,用于对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务;
任务分配模块2,用于获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷;
指令序列生成模块3,用于将最优飞行路径的规划方案转化为可执行的指令序列,并将其输入到无人机的飞行控制***中;
测绘数据传输模块4,用于无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心;
故障处理与备用无人机调度模块5,用于在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径;
测绘结果生成模块6,用于控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果;
评估模块7,用于根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估。
综上所述,借助于本发明的上述技术方案,本发明中整个实现方法是自适应的,这意味着它能够根据实际的任务需求和无人机的性能特征灵活调整,这大大提高了无人机的使用效率和任务完成质量,其次,它引入了适应度函数和资料方案的概念,这使得***能够根据各种因素综合评估各个无人机和任务的配对方案,从而选出最优的方案,提高了资源的整体利用率,再者,使用鱼群算法进行迭代搜索,使得其能够在复杂的搜索空间中快速找到满意的解决方案,最后,该方法不仅考虑了执行效率,还考虑了公平性,这对于保证各个无人机的工作压力分布均衡、提高无人机长期使用的可持续性等方面有着重要的意义;本发明的无人机在执行任务过程中,实时监测无人机的状态,如出现故障可以立即进行处理和任务的重新规划,当无人机出现故障,可以根据其属性特征和预训练的聚类中心的相似度快速选出最适合的备用无人机,无需逐一比对,并且还能根据当前的电池量和距离进行综合评估,从而提高了故障处理的效率,通过孤立森林模型和贝叶斯网络两种方式预测故障,可以提高故障预测的精度,在任务执行过程中,根据实时的任务调度参数和飞行路径信息,进行动态的任务调度和飞行路径规划,适应不同的飞行环境,通过边缘计算,无人机可以在本地运行孤立森林模型和贝叶斯网络,降低了网络延迟,提高了对故障的快速响应能力,无人机可以根据当前的飞行环境和实时的无人机状态来动态地调整飞行路径,增强了对各种突发事件的抗干扰能力和适应性。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (8)
1.一种基于自适应算法的无人机群协同测绘方法,其特征在于,该无人机群协同测绘方法包括以下步骤:
S1、对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务;
S2、获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷;
S3、将最优飞行路径的规划方案转化为执行的指令序列,并将其输入到无人机的飞行控制***中;
S4、无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心;
S5、在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径;
S6、控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果;
S7、根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估;
所述获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷包括以下步骤:
S21、获取每个无人机的参数信息数据,所述参数信息数据至少包括飞行速度、飞行高度和续航时间;
S22、根据无人机的属性特征,利用聚类算法将无人机划分为不同类型,并计算每个无人机与聚类中心的相似度;
S23、根据任务参数设定载荷方案,并构建鱼群算法的适应度函数;
S24、将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数;
S25、根据每个无人机与子任务的相似度,将无人机优先分配给与其最匹配的子任务;
S26、获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配;
所述将每个子任务看作一个鱼,根据子任务需求和适应度函数,通过鱼群算法确定每个子任务的初始可分配无人机数包括以下步骤:
S241、生成初始鱼群,其中,每个鱼表示一个子任务与无人机的初始映射方案;
S242、计算每个鱼的适应度值;
S243、通过鱼群算法的聚群和追尾,迭代更新鱼群,使鱼群适应度值不断优化;
S244、当迭代次数达到设定条件时,输出最终适应度值最高的鱼,获取最优任务与无人机的初始映射方案,并确定每个子任务初始可分配的无人机数量;
所述计算每个鱼的适应度值的公式为:
其中,
式中,fitness表示适应度函数的值;
K表示子任务的数量;
Rk表示子任务的速率要求;
θk表示第k个子任务的比例公平性系数;
PT表示子任务中总的功率约束;
k表示子任务;
Nk表示第k个子任务被分配的子载波的功率和;
Pk,i表示第k个子任务在第i子载波上的功率值;
Hk,i表示第k个子任务在第i个子载波上的信道增益。
2.根据权利要求1所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务包括以下步骤:
S11、分析测绘任务的整体内容和目标,确定测绘任务的设定要求;
S12、将整个测绘任务分割为多个分别测绘各个小区域的子任务;
S13、对于每个子任务,定义明确的输入和输出,其中,所述输入至少包含测绘任务中小区域的位置和大小,所述输出包含测绘任务中小区域的测绘数据。
3.根据权利要求1所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述获取分配结果,并根据适应度函数,利用鱼群算法迭代搜索最优的载荷方案分配包括以下步骤:
S261、获取每个子任务初始可分配的无人机数量;
S262、构建载荷方案的适应度函数,同时考虑载荷分配的效能和公平性;
S263、初始化载荷鱼群,每个载荷鱼表示一个载荷方案;
S264、计算每个载荷鱼的适应度值,根据适应度函数评估载荷方案的优劣;
S265、通过鱼群算法的聚群、追尾的操作,迭代更新载荷鱼群,使载荷鱼群适应度值不断优化,当达到迭代终止条件时,输出适应度值最高的载荷鱼,获得最优的载荷方案分配。
4.根据权利要求1所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径包括以下步骤:
S51、在执行任务过程中,实时监测无人机的状态,并将无人机的条件参数输孤立森林模型中进行故障预测;
S52、结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测;
S53、通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型;
S54、将孤立森林模型分析的故障类型结果和贝叶斯网络的预测结果进行对比,若预测结果一致,则确定最终故障类型,否则返回S51的步骤;
S55、根据最终的故障类型,通过参照无人机的属性特征和预先训练出的聚类中心的相似度来挑选备选无人机,同时考虑每架备选无人机当前的电池量和它们与发生故障的无人机的距离,选出最佳的备用无人机来替代故障的无人机;
S56、在备用无人机启动后,利用原有的任务规划和飞行路径信息重新建立任务配置;
S57、在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防。
5.根据权利要求4所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述结合无人机的实时状态和历史故障数据,通过利用贝叶斯网络进行故障发生的概率预测包括以下步骤:
S521、收集当前无人机的实时状态信息;
S522、收集历史故障数据;
S523、将实时状态信息和历史故障数据进行结合,作为贝叶斯网络的输入数据;
S524、初始化贝叶斯网络,在网络中的每个节点,预先设置先验概率;
S525、当无人机在执行任务过程中,将收集到的实时状态数据作为观测值输入到网络中,更新网络的状态;
S526、运行贝叶斯推断算法,根据提供的观测数据更新网络中各节点的概率分布;
S527、查看与故障相关的节点的概率值,预测出的故障发生概率。
6.根据权利要求5所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述通过传感器和雷达检测突发事件的发生,并利用孤立森林模型分析当前无人机的故障类型包括以下步骤:
S531、设定无人机的传感器和雷达,并实时监控飞行状态和周围环境;
S532、当传感器和雷达检测到异常信号或突然变化时,判定突发事件的发生;
S533、收集无人机自身的航行数据、传感器获取的环境数据及出现的突发事件类型的关联数据;
S534、提取关联数据的特征数据,将特征数据输入到孤立森林模型中,得到异常得分;
S535、根据异常得分的大小,判断无人机的故障类型。
7.根据权利要求6所述的一种基于自适应算法的无人机群协同测绘方法,其特征在于,所述在任务继续执行的过程中,利用边缘计算在无人机上运行孤立森林模型和贝叶斯网络,并根据无人机的任务调度参数和无人机自身的属性特征,实时优化任务分配和飞行路径规划,从而实现动态调度和故障预防包括以下步骤:
S571、使用无人机上的边缘计算功能,同时在无人机上运行孤立森林模型和贝叶斯网络,降低网络延迟;
S572、无人机在执行任务的过程中实时收集任务调度参数和无人机自身的属性特性数据;
S573、通过孤立森林模型和贝叶斯网络对收集到的参数和特性数据进行实时分析,获取无人机的当前状态和出现的风险;
S574、根据数据分析结果,进行任务的动态调度,若模型预测未来会出现的故障,则提前调整调度,避免故障对任务的影响;
S575、根据数据分析结果,实时优化无人机的飞行路径,若模型预测出某个飞行小区域会出现故障或风险,则提前规划飞行路径来避免小区域。
8.一种基于自适应算法的无人机群协同测绘***,用于实现权利要求1-7中任一项所述的基于自适应算法的无人机群协同测绘方法,其特征在于,该***包括:任务分割模块、任务分配模块、指令序列生成模块、测绘数据传输模块、故障处理与备用无人机调度模块、测绘结果生成模块及评估模块;
任务分割模块通过任务分配模块与指令序列生成模块连接,指令序列生成模块通过测绘数据传输模块与故障处理与备用无人机调度模块连接,故障处理与备用无人机调度模块通过测绘结果生成模块与评估模块连接;
所述任务分割模块,用于对测绘任务进行任务分割,得到具有明确输入和输出要求的子任务;
所述任务分配模块,用于获取无人机的参数信息数据,并结合无人机的属性特征和聚类中心相似度及根据任务调度参数设定的载荷方案,输入到自适应算法中,从而为每个子任务分配最合适的无人机和载荷;
所述指令序列生成模块,用于将最优飞行路径的规划方案转化为可执行的指令序列,并将其输入到无人机的飞行控制***中;
所述测绘数据传输模块,用于无人机根据分配的任务和飞行路径进行飞行,并在飞行过程中,根据设定的载荷方案,无人机利用装载的测绘设备来采集测绘数据,然后通过无线网状网络将测绘数据传输回控制中心;
所述故障处理与备用无人机调度模块,用于在执行任务过程中,若无人机遇到突发事件,则根据无人机属性特征和聚类中心的相似度,通过自适应算法调动备用无人机,重新规划任务和飞行路径;
所述测绘结果生成模块,用于控制中心获取所有无人机传输回的测绘数据,对测绘数据进行分析,生成最终的测绘结果;
所述评估模块,用于根据测绘结果和无人机的执行情况进行反馈,自适应调整自适应算法的参数,并在测绘任务完成后,利用预设指标对整个过程进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623442.7A CN117348424B (zh) | 2023-11-30 | 2023-11-30 | 一种基于自适应算法的无人机群协同测绘方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623442.7A CN117348424B (zh) | 2023-11-30 | 2023-11-30 | 一种基于自适应算法的无人机群协同测绘方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117348424A CN117348424A (zh) | 2024-01-05 |
CN117348424B true CN117348424B (zh) | 2024-03-08 |
Family
ID=89357849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311623442.7A Active CN117348424B (zh) | 2023-11-30 | 2023-11-30 | 一种基于自适应算法的无人机群协同测绘方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117348424B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118012110B (zh) * | 2024-04-10 | 2024-06-21 | 山东省国土测绘院 | 一种基于无人机航测的智能测绘方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819037A (zh) * | 2019-01-29 | 2019-05-28 | 武汉鸿瑞达信息技术有限公司 | 一种自适应计算与通信的方法和*** |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110703802A (zh) * | 2019-11-04 | 2020-01-17 | 中国科学院自动化研究所 | 基于多无人机协同作业的桥梁自动检测方法及*** |
CN111126770A (zh) * | 2019-11-26 | 2020-05-08 | 浙江工业大学 | 一种跨层穿梭车仓储***的任务调度方法 |
CN111199360A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 无人机任务分配规划方法 |
CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服***故障诊断方法 |
CN112270488A (zh) * | 2020-11-09 | 2021-01-26 | 中国电子技术标准化研究院 | 无人机集群任务分配方法、装置及无人机集群*** |
CN116384436A (zh) * | 2023-01-10 | 2023-07-04 | 中国人民解放军陆军工程大学 | 一种无人机“蜂群”对抗方法 |
KR20230111405A (ko) * | 2022-01-18 | 2023-07-25 | 국방과학연구소 | 임무 할당 장치 및 그의 동작 방법 |
CN116595864A (zh) * | 2023-04-23 | 2023-08-15 | 南昌航空大学 | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 |
-
2023
- 2023-11-30 CN CN202311623442.7A patent/CN117348424B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819037A (zh) * | 2019-01-29 | 2019-05-28 | 武汉鸿瑞达信息技术有限公司 | 一种自适应计算与通信的方法和*** |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110703802A (zh) * | 2019-11-04 | 2020-01-17 | 中国科学院自动化研究所 | 基于多无人机协同作业的桥梁自动检测方法及*** |
CN111126770A (zh) * | 2019-11-26 | 2020-05-08 | 浙江工业大学 | 一种跨层穿梭车仓储***的任务调度方法 |
CN111199360A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 无人机任务分配规划方法 |
CN111488946A (zh) * | 2020-04-28 | 2020-08-04 | 东南大学 | 基于信息融合的雷达伺服***故障诊断方法 |
CN112270488A (zh) * | 2020-11-09 | 2021-01-26 | 中国电子技术标准化研究院 | 无人机集群任务分配方法、装置及无人机集群*** |
KR20230111405A (ko) * | 2022-01-18 | 2023-07-25 | 국방과학연구소 | 임무 할당 장치 및 그의 동작 방법 |
CN116384436A (zh) * | 2023-01-10 | 2023-07-04 | 中国人民解放军陆军工程大学 | 一种无人机“蜂群”对抗方法 |
CN116595864A (zh) * | 2023-04-23 | 2023-08-15 | 南昌航空大学 | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 |
Non-Patent Citations (1)
Title |
---|
基于鱼群算法的OFDMA自适应资源分配;汪照 等;物理学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117348424A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117348424B (zh) | 一种基于自适应算法的无人机群协同测绘方法及*** | |
CN109102101B (zh) | 风电场风速的预测方法和*** | |
KR102089564B1 (ko) | 테더 자이로글라이더 제어 시스템 | |
US11396825B2 (en) | Turbine diagnostic feature selection system | |
CN115167408A (zh) | 一种基于光伏电站的巡检路线规划*** | |
CN117806355A (zh) | 一种电力巡线无人机控制方法及*** | |
CN113779267B (zh) | 一种基于意图的星上智能任务决策方法 | |
CN118095869B (zh) | 一种高陡边坡地质灾害预警*** | |
CN117411115A (zh) | 储能电源状态的检测控制方法、装置、电子设备及介质 | |
CN117270569A (zh) | 一种基于动态路径规划的山火识别巡检方法 | |
CN108805427B (zh) | 一种基于大数据的配电网运行状态风险预警*** | |
CN117666367A (zh) | 煤矿井下机械远程控制方法及*** | |
CN110825112A (zh) | 基于多无人机的油田动态侵入目标追踪***与方法 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN117995027A (zh) | 一种飞行计划备降场推荐方法、***、设备及介质 | |
CN117251825A (zh) | 一种新能源电站多传感器数据融合平台 | |
CN116880555A (zh) | 一种基于边缘计算的无人机机群调度*** | |
CN104301388A (zh) | 大运行体系监控分析管理*** | |
EP4113095A1 (en) | Wear state prediction method, wear state prediction device and wear state prediction program | |
CN111371484B (zh) | 无人机基站控制方法、装置、***和计算机可读存储介质 | |
CN116112947A (zh) | 数字孪生***构建方法、建模方法、网络优化方法及装置 | |
CN113407945A (zh) | 一种基于人机协同的规模化Fuzzing优化***及方法 | |
JPWO2020189607A1 (ja) | 情報処理装置 | |
CN117557929B (zh) | 基于多应用场景的机组协同优化方法 | |
CN117146831B (zh) | 基于机器学习和无人机的果树生长状态评估方法及*** |
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 |