基于最大熵拓扑的无人机轻量化神经网络群协同推理方法

本发明涉及无人机智能感知、无人机集群协同、边缘人工智能和神经网络模型协同推理，尤其是涉及基于最大熵拓扑的无人机轻量化神经网络群协同推理方法。

背景技术：

1、随着无人机平台、机载传感器、边缘计算芯片和无线通信技术的发展，无人机已经从传统的遥控飞行平台逐步演进为具备环境感知、目标识别、路径规划、任务决策和集群协同能力的智能体。无人机在农业植保、森林防火、电力巡检、灾害搜救、交通监管、边境巡逻和物流配送等场景中，需要实时处理来自可见光相机、红外相机、多光谱相机、激光雷达、惯性导航单元和定位单元的数据，并在复杂环境中做出快速决策。

2、现有无人机智能推理方式通常采用两类技术路线。第一类是在单架无人机上部署较大规模的深度神经网络模型，以期获得较高的识别精度和决策能力；第二类是将无人机采集的数据上传至地面站、边缘服务器及云端服务器进行推理。上述技术路线在实际应用中存在明显限制：大型模型对算力、显存、功耗和散热要求较高，难以在轻小型无人机上长时间稳定运行；云端和地面站推理依赖稳定通信链路，在山区、灾害现场、农田深处等强干扰环境中容易出现时延过大、链路中断和数据回传失败等问题。

3、近年来，轻量化神经网络模型通过剪枝、量化、蒸馏、低秩适配器和神经架构搜索等方式降低了模型参数量和推理开销，使得在无人机端进行实时推理成为可能。然而，单个轻量化模型通常受到容量限制，在复杂环境、跨视角感知、长尾目标识别、多任务推理和不确定性处理方面难以达到大型模型的综合性能。

4、无人机集群协同为解决上述问题提供了新的方向。多架无人机可以从不同空间位置、不同视角和不同传感模态观测同一任务区域。如果每架无人机搭载的轻量化模型能够在模型层面进行协同，而不仅是简单共享原始图像和地理位置，则多个轻量化模型可以形成互补推理能力：部分模型专注目标检测，部分模型专注语义分割，部分模型专注轨迹预测和异常识别，不同模型的局部优势通过协同融合形成整体优势。

5、但是，现有无人机集群协同方法更多关注飞行编队、任务分配、路径规划及传感器数据共享，较少关注机载神经网络模型之间的协同关系。即使存在模型协同，也多采用固定拓扑、全连接通信及中心节点汇聚方式，容易造成通信冗余、中心节点负载过高、单点失效和能耗不均衡等问题。对于通信受限、能量受限和环境快速变化的无人机集群而言，需要一种能够同时兼顾推理性能、通信效率、能耗均衡和鲁棒性的模型协同拓扑优化方法。

6、小世界网络具有局部高聚类和短平均路径长度的特点，能够在保持局部协作稳定性的同时，通过少量长程连接提高全局信息传播效率。最大熵网络思想能够在约束条件下保持拓扑多样性和不确定性，避免协同关系过度集中于少数节点，从而提升系统对节点失效、链路扰动和任务变化的适应能力。因此，需要一种将小世界拓扑与最大熵拓扑优化相结合的模型协同推理方法，以在通信、能耗和时延受限条件下提高无人机集群的推理效率和鲁棒性。

技术实现思路

1、本发明的目的是基于上述背景技术中存在的缺陷，提出了基于最大熵拓扑的无人机轻量化神经网络群协同推理方法。本发明不再将无人机之间的协同仅理解为飞行平台之间的位置协同和任务协同，而是将无人机所搭载的轻量化神经网络模型作为可协同的智能节点，使多个小模型通过优化后的网络拓扑进行信息交换、互补推理和动态融合，从而在有限算力、有限能量和有限通信条件下获得超过单一大模型的整体推理能力，解决现有技术中单个大模型难以在无人机端长期实时部署、单个轻量化模型表达能力有限、无人机之间直接共享原始数据导致通信开销大、固定协同拓扑难以适应动态环境以及中心化协同容易产生单点瓶颈等问题。

2、本发明为解决上述技术问题采用以下技术方案：

3、基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，其特征在于，所述方法应用于由多架无人机构成的无人机集群，包括如下步骤：

4、步骤s1，获取无人机集群的任务目标、环境感知数据、无人机状态数据以及通信链路数据；

5、步骤s2，在各无人机上分别部署一个轻量化神经网络模型，并为所述轻量化神经网络模型生成模型状态向量；

6、步骤s3，将无人机及其机载轻量化神经网络模型抽象为协同节点，并根据协同节点之间的空间邻近关系、通信可达关系和模型语义相关关系构建候选协同图；

7、步骤s4，在候选协同图上生成小世界初始拓扑，使协同节点保持局部高聚类连接，并通过一部分长程协同边降低协同拓扑的平均路径长度；

8、步骤s5，基于最大熵目标函数对小世界初始拓扑中的协同边进行优化，得到协同邻接矩阵；

9、步骤s6，各协同节点根据所述协同邻接矩阵交换压缩模型消息；

10、步骤s7，对来自多个轻量化神经网络模型的输出进行动态加权融合，生成无人机集群的协同推理结果；

11、步骤s8，根据无人机位置变化、链路质量变化、任务阶段变化、剩余能量变化及模型输出不确定性变化，对协同拓扑进行在线更新。

12、进一步的，所述步骤s2中的轻量化神经网络模型包括目标检测模型、语义分割模型、实例分割模型、目标跟踪模型、场景识别模型、异常检测模型、路径规划模型、行为决策模型、多模态感知模型中的一种；所述轻量化神经网络模型通过知识蒸馏、结构化剪枝、非结构化剪枝、低比特量化、权重共享、低秩适配器、瓶颈适配器、早退分支、神经架构搜索及上述方式的组合获得；所述模型状态向量包括任务相关度、模型置信度、输出不确定性、剩余能量、链路质量、可用带宽和推理时延中的一种；所述模型状态向量表示为：

13、，

14、其中表示第个模型在当前任务上的任务相关度，表示模型输出置信度，表示输出不确定性，表示链路质量，表示可用带宽，表示剩余能量，表示推理时延。

15、进一步的，所述步骤s4中，小世界初始拓扑通过如下方式生成：

16、先按照无人机空间邻近关系及任务区域邻近关系将每个协同节点连接至个邻近节点，形成局部规则网络；再按照重连概率将部分局部协同边替换为远程协同边，使生成的协同拓扑满足聚类系数大于预设聚类阈值且平均路径长度小于预设路径阈值。

17、进一步的，步骤s5中，所述最大熵目标函数包括拓扑熵项、协同效用项、通信开销项、能耗项和时延项，表示为：

18、

19、

20、其中为协同边概率矩阵，为第个协同节点与第个协同节点之间存在协同边的概率，h(p)为拓扑熵，为协同效用，为通信开销，为能耗开销，为协同时延，、、、和为权重系数；所述拓扑熵为协同边概率的伯努利熵，表示为：

21、

22、其中为防止对数运算奇异的常数。

23、进一步的，所述协同边概率基于边评分计算得到，所述边评分由模型输出相似度、模型功能互补性、任务相关度、链路质量、历史协同增益、节点信任度、空间距离、能量开销和时延开销共同确定；所述协同边概率通过softmax函数计算得到：，其中为温度系数；当增大时协同边分布更均匀，当减小时协同拓扑更偏向高评分协同边；所述最大熵拓扑优化受到最大连接度约束、最小连接度约束、总通信带宽约束、单节点能耗约束、端到端时延约束、链路可达性约束、任务安全区域约束和无人机飞行稳定性约束中的一种约束。

24、进一步的，步骤s6中，所述压缩模型消息包括中间语义特征、类别概率、检测框、分割掩膜摘要、轨迹状态、置信度、不确定性和时间戳中的一种；所述压缩模型消息通过特征投影、低秩映射、哈希编码、标量量化、向量量化、稀疏化及增量传输进行压缩，且不直接传输原始图像、原始视频及完整传感器数据。

25、进一步的，步骤s7中，动态加权融合的权重由模型置信度、输出不确定性、节点信任度、任务相关度、模型互补性和消息时效性共同确定；所述动态加权融合包括特征级融合、概率级融合、决策级融合及其组合；当多个模型输出存在冲突时，通过一致性校验、置信度抑制、不确定性惩罚及历史轨迹约束对冲突结果进行修正；所述协同推理结果包括目标类别、目标位置、目标边界框、语义分割结果、实例分割结果、目标轨迹、异常告警、路径规划结果、任务分配结果及集群决策指令中的一种。

26、进一步的，步骤s8中，当任一无人机的剩余能量低于能量阈值、链路质量低于链路阈值、模型不确定性高于不确定性阈值、任务区域发生变化及无人机节点加入和退出集群时，触发协同拓扑重构；所述无人机集群包括农业巡检无人机集群、森林防火无人机集群、灾害搜救无人机集群、边境巡逻无人机集群、物流巡检无人机集群、电力巡检无人机集群及海洋监测无人机集群；所述无人机集群设备包括多架无人机，每架无人机包括飞控单元、传感器单元、边缘计算单元、无线通信单元和存储单元。

27、进一步的，一种计算机设备，包括处理器和存储器；所述处理器执行存储器中保存的计算机程序时实现如权利要求1-8任一项中所述基于最大熵拓扑的无人机轻量化神经网络群协同推理方法的步骤。

28、进一步的，一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的方法。

29、与现有技术相比，本发明的技术方案具有以下有益效果：

30、1.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，将无人机协同从传统的平台级协同扩展到模型级协同，使无人机之间不仅共享位置和任务信息，还能够共享机载轻量化模型的语义推理结果，从而提高集群智能水平。

31、2.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，采用多个轻量化模型协同的方式替代单个大模型在单架无人机上的集中部署，降低单机算力、显存、功耗和散热压力，更适合轻小型无人机的实时任务。

32、3.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，利用小世界拓扑的局部高聚类和短平均路径特性，使模型消息能够在较少通信连接下快速传播，降低全连接通信带来的带宽浪费。

33、4.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，通过最大熵拓扑优化避免协同关系过度集中于少数中心节点，能够提高系统对节点故障、链路中断、局部遮挡和模型误判的鲁棒性。

34、5.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，通过传输低维语义消息、模型置信度和不确定性等压缩模型消息，避免直接传输原始图像和完整视频，从而降低通信带宽占用；能够根据无人机剩余能量、通信质量、任务阶段和模型输出不确定性动态更新协同拓扑，提高无人机集群在复杂动态场景下的适应能力。

35、6.本发明提供的基于最大熵拓扑的无人机轻量化神经网络群协同推理方法，通过模型互补性、动态加权融合和不确定性抑制机制，使多个小模型形成协同增强效应，在多视角、多任务和跨环境场景下获得超过单一大模型的综合推理效果。