一种基于云端的无人设备协同控制方法及系统
本发明涉及协同控制,特别是一种基于云端的无人设备协同控制方法及系统。
背景技术:
1、多无人设备协同控制的技术路径已从早期基于集中式全局规划的方法,逐步演化为融合分布式共识协议、行为基元控制、虚拟结构编队及基于市场机制的任务分配等多元化框架,其理论支撑涵盖多智能体系统理论、图论拓扑分析、模型预测控制以及基于博弈论的交互决策模型。近年来,随着深度学习与强化学习技术的渗透,云端-边缘-末端协同计算架构开始被引入多无人设备控制领域,其中云端控制中心凭借其强大的算力储备与全局态势感知能力,负责执行联合状态估计、大规模轨迹优化及跨设备任务协调,而末端无人设备则主要承担本机状态采集、底层控制执行与局部异常响应等功能,形成“云端集中决策、末端分布执行”的典型协同范式。
2、然而,现有技术存在以下不足:
3、1、缺乏对特征空间中通道语义重要性与空间结构重要性之间动态关系的精细建模,尤其在设备集群规模动态变化、任务角色频繁切换的强不确定环境下,固定融合策略无法根据当前特征分布形态自适应地调整语义通道维度和空间位置维度的注意力资源配置,致使融合特征对关键判别信息的富集效率不足;
4、2、无法响应任务执行进度的阶段性变化和通信链路质量的实时波动,导致系统在面临任务瓶颈期或通信恶化场景时,决策策略缺乏必要的调节弹性,易陷入局部最优或过度探索而影响执行效率。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了一种基于云端的无人设备协同控制方法及系统,解决现有技术无法根据当前特征分布形态自适应地调整语义通道维度和空间位置维度的注意力资源配置及无法响应任务执行进度的阶段性变化和通信链路质量的实时波动的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明提供了一种基于云端的无人设备协同控制方法,其包括,
5、通过云端控制中心接收目标任务区域内各无人设备的状态信息,并对状态信息进行统一时间对齐与结构化转换,生成每个无人设备的标准向量;
6、对标准向量进行投影,生成基础状态特征表示,计算欧式距离、任务相似性及通信可靠性构建动态协同图;
7、基于动态协同图执行聚合,并与基础状态特征表示进行融合,得到融合特征向量执行语义空间重塑操作后,并行计算通道、空间注意力权重;
8、基于通道、空间注意力权重,计算判定因子并执行特征增强策略的自适应选择以生成最终协同表示;
9、构建协同控制动作集合,结合最终协同表示生成策略融合特征后,通过预测模型输出预测参数,再执行控制收益评估与自适应探索策略生成目标协同控制动作并下发。
10、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述对标准向量进行投影,生成基础状态特征表示,计算欧式距离、任务相似性及通信可靠性构建动态协同图,包括:
11、通过云端控制中心将标准向量投影至高维特征空间,生成每个无人设备的基础状态特征表示;
12、将第个无人设备与剩余无人设备进行组合,生成设备对并形成设备对序列后,遍历设备对序列,计算每个设备对中无人设备间的欧式距离、任务相似性和通信可靠性;
13、将每个无人设备作为节点,并对欧式距离、任务相似性和通信可靠性进行加权求和,生成每个设备对的边权值;
14、将边权值与预设的激活阈值进行比较;
15、若边权值小于等于激活阈值,则不为当前无人设备节点间建立边,否则为当前无人设备节点间建立边,并形成动态协同图。
16、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述基于动态协同图执行聚合,并与基础状态特征表示进行融合,得到融合特征向量执行语义空间重塑操作,具体如下:
17、根据动态协同图,利用标准图注意力机制生成协同感知特征向量;
18、通过拼接操作将协同感知特征向量与基础状态特征表示进行拼接后,再执行线性映射,生成融合特征向量;
19、采用可训练的升维全连接层对融合特征向量进行映射后,按照固定顺序进行维度重组,得到重构空间特征图;
20、由云端控制中心对重构空间特征图在空间维度上进行全局平均池化,得到通道描述向量,将通道描述向量输入由两层全连接网络中,得到通道注意力权重;
21、由云端控制中心对重构空间特征图在通道维度上分别执行平均池化与最大池化,得到两组空间描述特征和;表示第个无人设备在空间位置处所有通道响应的均值,表示第个无人设备在空间位置处所有通道响应的最大值,沿通道维度拼接,并执行卷积映射,生成空间注意力权重。
22、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述基于通道、空间注意力权重,计算判定因子,包括:
23、分别对通道注意力权重和空间注意力权重进行归一化,形成通道、空间归一化概率分布;
24、基于归一化概率分布,云端控制中心分别计算通道、空间归一化概率分布的信息熵进行再次归一化,生成通道权重熵和空间权重熵;
25、通过通道权重熵减空间权重熵,生成熵差异值,作为判定因子。
26、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述执行特征增强策略的自适应选择以生成最终协同表示,包括:
27、将判定因子与预设的边界阈值和进行比较,;
28、若判定因子小于边界阈值时,由云端控制中心通过通道注意力权重对融合特征表示进行通道增强处理,生成最终协同表示;
29、若判定因子大于边界阈值时,由云端控制中心通过空间注意力权重对融合特征表示进行空间增强处理,生成最终协同表示;
30、若判定因子小于等于且大于等于时,由云端控制中心分别执行通道增强处理和空间增强处理,生成通道和空间的最终协同表示进行拼接,形成拼接向量输入至两层全连接层的多层感知机后,输出二维逻辑值进行softmax归一化运算,得到两个动态融合系数和,对通道和空间的最终协同表示进行加权和,得到最终协同表示。
31、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述构建协同控制动作集合,结合最终协同表示生成策略融合特征,包括:
32、为最终协同表示定义协同控制动作集合,包括速度矢量调整动作、航向调整动作、高度调整动作、任务推进动作以及通信保持动作;
33、采用one-hot编码对协同控制动作集合中的每个动作进行编码后,通过线性映射生成每个动作的策略编码向量;
34、将最终协同表示与每个策略编码向量进行拼接,生成策略融合特征。
35、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述通过预测模型输出预测参数,包括:
36、采用两层全连接网络构建预测模型,将策略融合特征输入至预测模型,输出预测参数,包括下一时刻速度矢量、下一时刻三维空间位置坐标、预测任务执行进度以及预测通信链路质量。
37、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述执行控制收益评估与自适应探索策略生成目标协同控制动作,具体如下:
38、根据预测参数,分别计算位置协同安全项、速度协同平稳项、任务进度提升项、通信质量保持项,将各项进行加权求和,生成每个动作的控制收益。
39、统计每个动作的执行次数与累计决策次数,计算探索项,结合控制收益,构造每个动作的评分函数后,计算评分并选取评分最大的动作作为目标协同控制动作。
40、作为本发明所述基于云端的无人设备协同控制方法的一种优选方案,其中:所述下发,包括:
41、将所有无人设备的目标协同控制动作进行统一封装,生成全局协同控制指令集合;
42、云端控制中心通过无线通信链路将全局协同控制指令集合下发至对应无人设备,再由各无人设备根据接收到的目标协同控制动作执行速度矢量调整、三维位置调整、任务推进或通信保持控制,实现最终协同控制。
43、第二方面,本发明提供了一种基于云端的无人设备协同控制系统,包括,
44、数据获取模块,用于通过云端控制中心接收目标任务区域内各无人设备的状态信息,并对状态信息进行统一时间对齐与结构化转换,生成每个无人设备的标准向量;
45、投影构建模块,用于对标准向量进行投影,生成基础状态特征表示,计算欧式距离、任务相似性及通信可靠性构建动态协同图;
46、融合重塑模块,用于基于动态协同图执行聚合,并与基础状态特征表示进行融合,得到融合特征向量执行语义空间重塑操作后,并行计算通道、空间注意力权重;
47、策略选择模块,用于基于通道、空间注意力权重,计算判定因子并执行特征增强策略的自适应选择以生成最终协同表示;
48、动作生成模块,用于构建协同控制动作集合,结合最终协同表示生成策略融合特征后,通过预测模型输出预测参数,再执行控制收益评估与自适应探索策略生成目标协同控制动作并下发。
49、本发明有益效果为:通过构建融合物理距离、任务语义相似性及通信可靠性的多维动态协同图,配置任务相似性权重优先于通信可靠性、通信可靠性优先于欧式距离的差异化策略,使语义相近的设备对即便相距较远仍能被纳入同一协同子图,同时过滤弱链路连接,从而保障信息交互充分性与全局协同一致性,并且基于信息熵差异判定的通道-空间双维度注意力自适应融合机制,克服固定融合策略无法根据特征分布集中性调整注意力资源配置的缺陷,其次,基于广义加权平均的评分函数,可在保障收敛速度的同时增强环境响应灵敏度,因此,本发明可显著提升多无人设备在复杂动态环境下的协同控制效能与系统鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com