【技术实现步骤摘要】
城市环境中车载无人机群体感知方法
[0001]本专利技术属于物联网
,具体涉及一种城市环境中车载无人机群体感知方法。
技术介绍
[0002]群体感知是物联网和人工智能相结合的前沿研究方向,为智慧城市领域中的大数据应用场景提供了高效计算模式,它利用城市中普通用户使用的移动设备作为基本感知单元,通过物联网和移动互联网进行协作,实现感知任务分发和感知数据收集利用,最终完成大规模、复杂的城市和社会感知任务,在这类群体感知任务中,人们在特定空间内收集,分析和传播地理和社会信息,群体感知相关技术近年来催生了许多成功的商业案例,如滴滴打车和美团外卖,得益于移动网络以及无人设备的飞速发展,使用搭载高速网络传感器的移动无人设备在城市环境中采集并传播感知数据正在成为现实,相比于人类参与者,以无人车与无人机为代表的移动无人设备具有更高的灵活性以及更低的信息传输延迟,能够更好应对复杂城市环境下的群体感知任务。
[0003]在现有的应用中,无人车具有大装载容量以及长距离运输能力,但是只能在特定道路上进行移动,无人机具有在环境中灵活移动的能力,但是受电池容量的影响,移动范围受限。如果将二者结合构建车载无人机群,利用无人车的装载运输能力,由无人车将无人机运送到适合采集数据的区域,然后在无人车停靠站释放无人机来完成局部环境的数据采集任务,这样二者的优势都得到了充分发挥,有效提升了数据采集效率。
[0004]但是,在实际的应用过程中,城市环境车载无人机群体感知存在着两大挑战:
[0005]挑战一:环境空间广阔,空间状态变 ...
【技术保护点】
【技术特征摘要】
1.一种城市环境中车载无人机群体感知方法,其特征在于,包括:步骤1,车机协同仿真平台设立无人车与无人机的轨迹共享缓存,初始化无人车与无人机的基准探索策略;步骤2,车机协同仿真平台创建模拟环境子进程,开始车载无人机群协同感知交互过程,环境子进程创建一个新的交互回合,清空轨迹共享缓存,并且设置时间步t=0;步骤3,环境中的各个无人车基于无人车停靠站网络图建模机制,提取无人车对于全部停靠站的整体感知信息;步骤4,各无人车利用自身的感知信息,基于多智能体通信机制在无人车通信图上与其他无人车进行信息交换与整合,获取环境全局感知信息;步骤5,各无人车利用环境感知信息,决策是否要释放无人机,如释放,转入步骤6;如不释放,转入步骤7;步骤6,无人车在当前停靠站等待无人机返回,各无人机在环境中飞行,采集传感器数据以及途经的无人车停靠站数据,采集完毕后返回无人车,此时无人车使用无人机获取的停靠站信息更新自身感知,转入步骤8;步骤7,无人车行驶到下一目标停靠站点;步骤8,判断交互回合是否达到预定的时间步T,如达到则回合结束,转入步骤9;否则进入到下一个模拟时间步,转入步骤3;步骤9,无人车将行驶轨迹存入无人车轨迹共享缓存,无人机将飞行轨迹存入无人机轨迹共享缓存;步骤10,车机协同仿真平台根据无人车与无人机轨迹共享缓存,利用近端策略算法优化无人车与无人机的探索策略;步骤11,重复步骤2
‑
10,直到预定的策略优化轮次M;步骤12,车机协同仿真平台向无人车群发送无人车优化探索策略,向无人机群发送无人机优化探索策略,车载无人机群利用相应的探索策略在环境中运动,协同采集传感器数据。2.根据权利要求1所述的城市环境中车载无人机群体感知方法,其特征在于,步骤2中,无人车与无人机共同在环境中采集传感器数据与移动轨迹数据,其中:传感器p的初始数据量与t时刻的剩余数据量无人车停靠站b于t时刻具有的特征向量(x
b
,y
b
)代表站点的空间坐标,代表t时刻,无人车于站点b释放无人机可收集到的传感器数据量;无人车u于t时刻,对环境中所有无人车停靠站b构成的集合的观察向量其中观察向量为无人车的局部观察观察代表无人车u的某一个无人机最近一次到达该站点时所感知到的可收集数据量如尚未有无人机到达过该站点,则设置为一常数值;无人机v的局部观察是一张以为中心,2t为边长的正方形图像,其中,表示无人机v在t时刻的位置坐标,t为无人机的感知距离,s
t
表示整个车机协同仿真平台当前的状态。
3.根据权利要求1所述的城市环境中车载无人机群体感知方法,其特征在于,步骤3包括:步骤31、计算无人车所在停靠站到其他各个停靠站b的q
‑
阈值最短路径距离:对路径距离大于q的两个停靠站,则认为两站不可通达,距离记为无穷大;步骤32、利用距离计算无人车u所感知的全局结构相关性度量计算无人车u所感知的全局结构相关性度量计算无人车u所感知的全局结构相关性度量计算无人车u所感知的全局结构相关性度量其中:代表除去无人车u之外的所有无人车构成的集合,U是所有无人车的总数,停靠站间的结构相关性度量与距离成反比;步骤33、使用全局结构相关性度量,结合注意力机制计算无人车对每个停靠点的关注程度,反映为注意力权重C,在图卷积算法中引入注意力权重,逐层更新特征矩阵在图卷积的第0层,在图卷积的第l层,计算注意力权重过程如下,其中W代表参数矩阵:在图卷积的第l层,计算注意力权重过程如下,其中W代表参数矩阵:在图卷积的第l层,计算注意力权重过程如下,其中W代表参数矩阵:在图卷积的第l层,计算注意力权重过程如下,其中W代表参数矩阵:为注意力输出,综合全局结构相关性度量与停靠站点注意力度量共同计算第l层的注意力权重并引入图卷积计算过程,获取下一层的感知信息:其中σ是Sigmoid激活函数,L是图卷积操作中的拉普拉斯邻接矩...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。