无人机编队协同学习
利用卷积神经网络直接映射原始图像到航点和所需速度的强鲁棒性生成,使用路径规划和控制系统生成短的、最小时间轨迹段,测试表明该方法能够在动态环境中准确和稳健地实现无人机的自主飞行,不需要昂贵的硬件和昂贵的图像处理,且比专业的人类驾驶员更加高效。
Jun, 2018
本文提出了一种新的数据高效强化学习方法(Adaptive Curriculum Embedded Multi-Stage Learning,ACEMSL)来解决协作目标搜索的挑战,该方法可在可视无人机群中实现协作任务,并通过模拟和实际飞行测试验证了其有效性和泛化能力。
Apr, 2022
本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析,同时,提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率,同时考虑了能量消耗和延迟要求。仿真结果验证了 FL 收敛分析的有效性,并表明联合设计策略可以将收敛所需通信轮数比基准设计减少 35%。
Feb, 2020
智能无人机群体结合充电技术可以在智能城市中提供完整的感知能力,如交通监控和灾害响应。通过分布式优化和深度强化学习(DRL)等现有方法,旨在协调无人机以实现成本效益高、质量高的导航、感知和充电。然而,它们存在明显挑战:短期优化难以提供持续效益,而长期 DRL 缺乏可扩展性、韧性和灵活性。为弥合这一差距,本文介绍了一种新的渐进式方法,包括基于分布式优化的规划和选择,以及基于 DRL 的飞行方向调度。通过对从真实城市流动性生成的数据集进行的广泛实验,与三种基准方法相比,所提出的解决方案在交通监控方面表现出色。
Nov, 2023
研究使用无人机队列跨越一组地理分散、资源受限的设备集来训练机器学习模型;其中,关于设备群集的时间变化数据异构性和计算资源不足性,推动了我们方法的四个关键部分:(i)分层的领导机、工作机和协调机无人机群体、(ii)个性化联合学习 (HN-PFL) 的分层嵌套,一种跨工作 - 领导 - 核心网络层次的分布式机器学习框架,(iii)通过在无人机群体之间进行模型训练,合作无人机资源汇集以解决设备的计算不足问题,(iv)模型 / 概念漂移来对时间变化的数据分布进行建模,同时考虑微观(即无人机级别)和宏观(即群体级别)系统设计,微观水平上,我们提出了网络感知 HN-PFL,在该方案中,我们在群体内分布式地编排无人机,以优化能耗和机器学习模型性能,并具有性能保证。 在宏观水平上,我们关注群体轨迹和学习持续时间设计,将其作为顺序决策问题并通过深度强化学习来解决。通过模拟,证明了我们方法在机器学习性能、网络资源节约和群体轨迹效率方面的改进。
Jun, 2021
在本文中,我们提出了一种旨在将推理请求分配到资源受限的 UAV 群体的策略,该策略可在无人机上对捕获的图像进行分类,并找到最小的决策延迟,其模型被制定为一个最小化获取图像与做出最终决策之间延迟的优化问题,我们提出了一种名为 DistInference 的在线启发式解决方案,以找到最佳延迟的分层策略,可以用于不同的低决策延迟应用程序以及所有 CNN 类型。
Jul, 2021
我们提出了一种名为 “无人机互助” 的新框架,用于解决无人机协同预测中的两个主要挑战,通过地面先验和基于局部特征差异的选择机制来实现更准确的 BEV 生成和满足实时预测需求,相比现有方法,DHD 在 BEV 表示中减少位置偏差超过 20%,仅需要四分之一的传输比率来实现可比较的预测性能,同时还显示出在协同感知 - UAVs 中的协同三维物体检测上有很好的推广能力。
May, 2024
本研究旨在探讨在联邦学习中,一种针对无人机的在线轨迹设计问题,其中多个不同的社区存在,每个社区被唯一的任务定义所学习。在这种情况下,每个社区的空间分布设备通过无人机提供的无线链接协作贡献于对其社区模型的培训。通过引入一种启发式指标,我们提出了使用凸优化技术和图论一起优化无人机轨迹和设备调度的代理目标,以加速所有任务的学习进程,并且通过模拟实验证明了我们的解决方案相对于其他手动选择的静态和移动无人机部署基线的卓越表现。
Jun, 2022
利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别;根据不同相机模块、地域环境等数据的统计异质性问题,提出基于客户端频率的聚合规则来调整对应本地模型的权重。
Jan, 2022