一种面向异构群智感知的多参与者选择方法技术

本发明专利技术涉及一种面向异构群智感知的多参与者选择方法，具体过程为：对于异构群智感知背景下的异构参与者：人类参与者、无人车和固定传感器，首先给出统一的感知能力及成本的定义和量化方法。对于感知区域，根据其中待收集感知数据的POI、障碍物以及充电站等分布情况，综合考虑时间和空间特征，提出了基于GraphSAGE的子区域划分方法。最后结合子区域的时空特性和异构参与者的属性，提出了一种基于深度强化学习中近端策略优化算法的异构参与者选择算法来解决子区域的协作调度问题，以最大化感知数据收集率和感知数据平衡性，最小化感知数据成本为目标，实现异构群智感知下异构参与者的有效协同。构参与者的有效协同。构参与者的有效协同。

【技术实现步骤摘要】
一种面向异构群智感知的多参与者选择方法


[0001]本专利技术涉及移动群智感知和基于深度学习的强化学习领域，尤其涉及异构群智感知中多参与者选择方法。

技术介绍

[0002]近年来，随着互联网和移动设备的快速发展，智能设备具备的感知计算能力大大富余，移动群智感知(Mobile Crowd Sensing)成为一种流行的感知模式，其利用移动设备富余的传感器感知能力和计算能力，利用人类的移动性通过移动互联网进行有意识或无意识的协作，实现感知任务分发与感知数据收集，以相对较低的成本完成大规模的、复杂的社会感知任务。
[0003]尽管移动群智感知有其许多优点，但由于人类活动模式的限制，不同时空区域上的数据质量总是不平衡的，在很少有人到达的地方以及很少有人活动的夜晚时间段夜间往往会出现较大的感知盲区。随着智慧城市的发展，大量的异构感知任务涉及到生活中的各个领域，如环境监测、智慧交通、城市管理、公共安全等等，这些任务在时空维度上存在差异性，而行人执行群智感知任务的参与者携带的移动设备内置的一些传感器可能无法满足大量新型异构任务的感知需求。(这个地方要提一下城市感知环境)
[0004]随着技术的发展，城市中实现高质量感知的主力不仅仅是携带智能移动设备的人，还有无人机车及海量的部署于城市区域内的异构传感器。於志文教授等人通过整合这些功能，提出了下一代MCS(MCS 2.0)——异构群智感知(HCS)。通过整合人类参与者、无人机和固定传感器群以实现具有更庞大的部署规模，更广泛的感知范围，更全面的感知能力，更持续的感知周期的群智感知。
[0005]尽管有着诱人的优势，异构群智感知仍面临两大挑战。首先，由于参与者的种类不同，异构参与者具有不同的感知能力，感知成本。因此如何将它们进行统一建模是进行选择异构参与者完成感知任务选择的前提。其次，相比于移动传统群智感知，异构群智感知中包含更大的参与者规模和更复杂的感知环境，因此如何根据异构参与者的能力成本差异以及感知环境特征进行协作调度，实现人机物融合异构参与者感知优势互补，这不同于MCS下的参与者选择问题，MCS下参与者选择问题是面向单一类型参与者及简单感知环境进行参与者选择决策优化。
[0006]尽管一些工作提到了将移动众感知与无人机或传感器相结合的想法，但他们只关注如何单方面调度这些节点以协助传感数据收集，而没有考虑如何调度具有不同传感范式的人类参与者，以及无人车节点和固定传感器的协作以完成传感任务。并且它们不考虑真实城市场景中的感测环境的时空特征，例如，人类活动模式在时间域中是时间依赖的。在空间域上，中心城区的道路交通复杂且密集，而郊区的道路较宽，建筑物较少。因此，缺乏一个统一的基于时空特征的异构参与者选择和协作调度框架来解决移动众感知中的感知不平衡或盲区问题。

技术实现思路

[0007]要解决的技术问题
[0008]为了避免现有技术的不足之处，本专利技术提出一种面向异构群智感知的多参与者选择方法。
[0009]技术方案
[0010]一种面向异构群智感知的多参与者选择方法，其特征在于步骤如下：
[0011]步骤1：定义异构群智感知中包含人类参与者节点(U＝{u1,u2,...,u
N
})、无人车节点(V＝{v1,v2,...,v
M
})和固定传感器节点(S＝{s1,s2,...,s
K
})，其中人类参与者节点包含属性其中，表示人类参与者在时隙t时的位置，表示人类参与者的感知能力，表示人类参与者的感知成本；无人车节点包含属性其中，表示无人车节点在时隙t时的位置，表示无人车节点的感知能力，表示无人车节点的感知成本；固定传感器节点包含属性其中，表示固定传感器节点在时隙t时的位置，表示固定传感器节点的感知能力，表示固定传感器节点的感知成本；针对人类参与者、无人车和固定传感器这三类异构参与者节点，考虑他们在执行感知任务时的区别，将感知能力定义为感知范围和移动能力；给出三类异构参与者感知能力的定义：
[0012][0013][0014][0015]其中，分别表示人类参与者、无人车节点和固定传感器节点的感知半径，分别表示人类参与者、无人车节点和固定传感器节点在时隙t时最大移动距离；定义在异构参与者感知半径内的POI数据可以被收集到，将时间段划分为一组等长的感知时隙通过设计调度策略在每个时隙内选择合适的异构参与者完成感知任务；
[0016]步骤2：定义区域内包含着一组待采集数据的POI：P＝{p1,p2,...,p
I
}；计算时隙t时POI的数据收集率、数据收集公平性和数据收集成本；给定异构参与者选择策略π，时隙t时POI的数据收集率定义如下：
[0017][0018]其中，d
t
(π；p
i
)表示在策略π下时隙t时p
i
的累积数据收集率；
[0019]为避免数据收集过程中的感知不平衡或盲区，使用Jain的公平性指数来评估时隙t处POI集的数据收集公平性；时隙t时POI的数据收集公平性定义如下：
[0020][0021]将异构参与者的感知成本定义为移动成本和数据采集成本，对于人类参与者、无人车节点和固定传感器节点，定义他们的成本如下：
[0022][0023][0024][0025]其中，为移动成本计算的权重，为数据的采集成本，为无人车节点撞到障碍物后的惩罚；
[0026]步骤3：基于时空特征的感知区域划分方法，对于每个时隙t的感知区域定义为G
t
＝(V
t
,ε
t
,X
t
)；其中V
t
表示感知区域内POI点集合，ε
t
为邻接矩阵，表示节点间可达性；X
t
表示节点特征；将图G
t
中的所有节点按度降序排序，并选择前C个节点作为每个子区域的中心节点；使用广度优先搜索算法BFS提取子区域h跳节点，每个子区域中有s个节点；C和s用于最大化原始图形G
t
的覆盖率；得到了一组子区域的覆盖率；得到了一组子区域
[0027]步骤4：使用GraphSAGE算法，提取子区域中节点的特征；第一层的输入是在神经网络的每一层中，对于每个节点首先对的相邻节点的嵌入向量进行非线性变换；使用max
‑
pooling计算节点在第k层的所有相邻节点的特征表示，如下所示：
[0028][0029]其中，表示节点表示节点的相邻节点u在k层的嵌入，表示节点在k层的所有相邻节点的特征表示；和顶点在k
‑
1层的表示向量进行非线性变换，并串联结果以获得第k层中心节点的表示向量：
[0030][0031]在上述GraphSAGE层操作之后，输入子区域的每个节点聚合其所有h
‑
hop邻居节点的特征；然后将特征向量输入多层感知器MLP，将其映射为标量，并与STPPO中观察的其他属性串联；
[0032本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向异构群智感知的多参与者选择方法，其特征在于步骤如下：步骤1：定义异构群智感知中包含人类参与者节点(U＝{u1，u2，...，u
N
})、无人车节点(V＝{v1，v2，...，v
M
})和固定传感器节点(S＝{s1，s2，...，s
K
})，其中人类参与者节点包含属性其中，表示人类参与者在时隙t时的位置，表示人类参与者的感知能力，表示人类参与者的感知成本；无人车节点包含属性其中，表示无人车节点在时隙t时的位置，表示无人车节点的感知能力，表示无人车节点的感知成本；固定传感器节点包含属性其中，表示固定传感器节点在时隙t时的位置，表示固定传感器节点的感知能力，表示固定传感器节点的感知成本；针对人类参与者、无人车和固定传感器这三类异构参与者节点，考虑他们在执行感知任务时的区别，将感知能力定义为感知范围和移动能力；给出三类异构参与者感知能力的定义：义为感知范围和移动能力；给出三类异构参与者感知能力的定义：义为感知范围和移动能力；给出三类异构参与者感知能力的定义：其中，分别表示人类参与者、无人车节点和固定传感器节点的感知半径，分别表示人类参与者、无人车节点和固定传感器节点在时隙t时最大移动距离；定义在异构参与者感知半径内的POI数据可以被收集到，将时间段划分为一组等长的感知时隙通过设计调度策略在每个时隙内选择合适的异构参与者完成感知任务；步骤2：定义区域内包含着一组待采集数据的POI：P＝{p1，p2，...，p
I
}；计算时隙t时POI的数据收集率、数据收集公平性和数据收集成本；给定异构参与者选择策略π，时隙t时POI的数据收集率定义如下：其中，d
t
(π；p
i
)表示在策略π下时隙t时p
i
的累积数据收集率；为避免数据收集过程中的感知不平衡或盲区，使用Jain的公平性指数来评估时隙t处POI集的数据收集公平性；时隙t时POI的数据收集公平性定义如下：将异构参与者的感知成本定义为移动成本和数据采集成本，对于人类参与者、无人车节点和固定传感器节点，定义他们的成本如下：他们的成本如下：
其中，为移动成本计算的权重，为数据的采集成本，为无人车节点撞到障碍物后的惩罚；步骤3：基于时空特征的感知区域划分方法，对于每个时隙t的感知区域定义为G
t
＝(V
t
，ε
t
，X
t
)；其中V
t
表示感知区域内POI点集合，ε
t
为邻接矩阵，表示节点间可达性；X
t
表示节点特征；将图G
t
中的所有节点按度降序排序，并选择前C个节点作为每个子区域的中心节点；使用广度优先搜索算...

【专利技术属性】
技术研发人员：於志文，张逢源，刘一萌，崔禾磊，郭斌，张璇，徐铁牛，宋勇博，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：