一种基于无人机集群的分布式卷积神经网络分层匹配方法转让专利
申请号 : CN202110093115.X
文献号 : CN112818788B
文献日 : 2022-05-03
发明人 : 冷甦鹏 , 李天扬 , 成泽坤 , 黄晓燕
申请人 : 电子科技大学
摘要 :
权利要求 :
1.一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,包括:A1、感知无人机计算单张图片的处理完成时间,其中包含该单张图片完成对应的整个卷积神经网络所需要的计算时间、传输时间以及等待时间;
A2、针对感知无人机一次拍摄的多张图片,记任务完成时间为这多张图片各自的处理完成时间中的最大值,感知无人机以任务完成时间最小为目标,采用深度强化学习算法得到各张图片对应的卷积神经网络的分层匹配策略;步骤A2所述采用深度强化学习算法得到各张图片对应的卷积神经网络的分层匹配策略,具体包括以下分步骤:S411、感知无人机以每架无人机的当前位置(xi,yi,h)和计算无人机的CPU频率fi作为深度强化学习算法的状态集合;
S412、动作集合为分布式卷积神经网络匹配策略,定义为:其中, 表示对于图片k无人机i上完成第l层卷积层的计算过程,表示对于图片k无人机i上不完成第l层卷积层的计算过程;
S413、奖励定义为本次任务的任务完成时间的负值,即为 用于评判分布式卷积神经网络策略的优劣程度,任务完成时间越少,则奖励越高,说明在该状态下选用该分布式卷积神经网络策略越好;
S414、感知无人机根据当前任务的状态,使用深度强化学习算法中的Deep Q‑Network,确定最大Q值对应的动作,将该动作作为本次任务的分布式卷积神经网络分层匹配策略;
A3、感知无人机根据分层匹配策略,下发图片及对应分层匹配策略到具体的计算无人机;所述计算无人机按照卷积神经网络的层顺序进行先后计算;当某个计算无人机完成计算后,按照卷积神经网络的层顺序将计算结果传输至下一层对应的计算无人机;最后一层对应的计算无人机计算完成后,将结果返回对应的感知无人机;
A4、如果感知无人机不再发现需要识别的位置并不再拍摄图像,则结束,否则感知无人机确定奖励函数,完成本次深度强化学习算法迭代过程,然后转入步骤A2,进入下一轮任务。
2.根据权利要求1所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,针对某一张图片,在卷积神经网络的分层时,按照该卷积神经网络的卷积层数量进行划分,每架匹配到卷积层的计算无人机至少匹配一层卷积层,即匹配到卷积层的计算无人机数量小于或等于该卷积神经网络的卷积层数量;该卷积神经网络的池化层和全连接层放置在匹配有该卷积神经网络卷积层的计算无人机上。
3.根据权利要求2所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,步骤A1所述的感知无人机计算单张图片完成其对应的整个卷积神经网络所需要的计算时间,具体为该图片对应的卷积神经网络被分层划分到多个计算无人机上,这多个计算无人机执行各自匹配的卷积神经网络层的时间之和。
4.根据权利要求3所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,单个计算无人机计算所分配的卷积神经网络层所需要的计算时间根据该计算无人机执行一次所分配的卷积神经网络层所需的CPU运转周期与该计算无人机的CPU频率确定。
5.根据权利要求4所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,根据卷积层的时间复杂度,确定计算无人机执行一次所分配的卷积层所需要的CPU运转周期。
6.根据权利要求5所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,步骤A1所述的感知无人机计算单张图片完成对应的整个卷积神经网络所需要的传输时间,具体为包括:感知无人机将单张图片的原始图片传输至匹配第一层卷积层的计算无人机所需要的时间、匹配卷积神经网络某层的计算无人机将输出结果传输到匹配卷积神经网络下一层的计算无人机的传输时延。
7.根据权利要求5所述的一种基于无人机集群的分布式卷积神经网络分层匹配方法,其特征在于,步骤A1所述的感知无人机计算单张图片完成其对应的整个卷积神经网络计算过程所需要的等待时间,具体包括:计算无人机上计算某层卷积神经网络需要的计算等待时间、计算无人机完成某层卷积神经网络的计算后将结果传输出去的传输等待时间。
说明书 :
一种基于无人机集群的分布式卷积神经网络分层匹配方法
技术领域
背景技术
和处理的情况。为了保证感知视野的开阔,一架感知无人机上携带多个摄像头同时从不同
角度完成可疑任务点的拍摄工作,将多张感知图片交由计算无人机进行处理。
一架计算无人机在本地完成多张图片的卷积神经网络的计算过程需要很长的时间,因此采
用多架计算无人机协同的方式共同完成多张图片卷积神经网络的计算过程。另外,无人机
集群执行监测任务要求无人机发现可疑任务点之后,尽快完成可疑任务点的确认和排除,
因此要求无人机集群尽快完成感知无人机拍摄的多张图片的计算处理工作。现阶段,无人
机网络中许多技术还不能够恰当解决由于无人机计算能力不足,单一计算无人机处理多张
图片的卷积神经网络计算过程需要很长时间,如何采用无人机集群来协同完成一架感知无
人机一次性拍摄的多张图片的卷积神经网络计算过程以最小化任务完成时间的问题。
发明内容
处理流水线,感知无人机一次性拍摄的多张图片形成的处理流水线相互交错,提高了图像
识别计算的效率。
成计算后,按照卷积神经网络的层顺序将计算结果传输至下一层对应的计算无人机;最后
一层对应的计算无人机计算完成后,将结果返回对应的感知无人机;
任务。
无人机数量小于或等于该卷积神经网络的卷积层数量;该卷积神经网络的池化层和全连接
层放置在匹配有该卷积神经网络卷积层的计算无人机上。
计算无人机执行各自匹配的卷积神经网络层的时间之和。
定。
算无人机所需要的传输时延、匹配卷积神经网络某层的计算无人机将输出结果传输到匹配
卷积神经网络下一层的计算无人机的传输时延。
间、计算无人机完成某层卷积神经网络的计算后,将结果传输出去的传输等待时间。
匹配到多架无人机上,以流水线方式无人机集群协同完成单张图片的处理工作,针对多张
图片的卷积神经网络匹配方式相互关联,不同图片的形成的流水线在不同无人机上相互交
错,相互影响处理时间的问题,采用深度强化学习算法确定多张图片的分布式卷积神经网
络分层匹配策略,使得不同图片的处理流水线相互交错,有效减少无人机集群的整体任务
完成时间。
附图说明
具体实施方式
和信息过滤,一般而言每一层卷积层后都会跟随一层池化层(除最后一层卷积层);全连接
层位于卷积神经网络的最后部分,一般跟随在最后一层卷积层之后。
被计算的时间,与计算完成后等待被传输出去的时间。
在无人机集群中依照卷积神经网络各层的顺序执行,有效降低了单张图片在单架无人机上
的计算时间;第二,针对感知无人机一次性拍摄多张图片的特性,考虑到各张图片神经网络
的匹配方式相互关联,相互影响处理时间,通过深度强化学习算法,为一次性拍摄的多张图
片确定分布式卷积神经网络匹配策略,使得多张图片在多架无人机上形成不同的处理流水
线,不同处理流水线在不同无人机上相互交错,有效降低了处理多张图片所需要的任务完
成时间。
深度强化学习算法迭代过程,转入S3,进入下一轮任务。
池化层和全连接层所需要的计算时间,并将池化层和全连接层放置在匹配卷积层的无人机
上,卷积神经网络的拆解只考虑卷积层的拆解。一共包含L层卷积层,使用序号{1,2,…,L}
表示。第l层卷积层的时间复杂度为 确定执行一次第l层卷积神
经网络所需的CPU运转周期,表示为
(正方形),CPU执行一次计算需要μ个周期,k为常数系数。其中输出特征图长度ml由输入特
征图大小il,填充 和步长 共同决定。i1为感知无人机传输到计算无人机的原始特征图
尺寸。
图片,用序号{1,2,…,K}表示。 表示对于图片k无人机i上完成第l层卷
积层的计算过程, 表示对于图片k无人机i上不完成第l层卷积层的计算过程。由于
一 层 必 须 放 置 在 一 架 无 人 机 上 且 只能 放 置 在 一 个 无 人 机 上 ,因 此
后再输出到下一层卷积神经网络,输入到下一层卷积神经网络的输入特征图片尺寸为
2
径损失,κ是路径损耗指数,σ是噪声功率,d为无人机i和无人机j之间的距离。注意,对于当
连续的两层卷积神经网络被匹配到同一架无人机时,不需要传输,因此所需要的传输时延
为0。
传播的时间。对于第k张图片,完整传输时延可以表示为
机的输出通道数。 表示计算无人机之间的传输时间,由于匹配最后一
层卷积层的计算无人机不需要再将图片传输至匹配下一层的神经网络的计算无人机,因此
匹配最后一层卷积层的计算无人机不含传输时间;
为
执行计算过程而不需要再被传输至下一层,因此不包含最后一层卷积层匹配无人机上的传
输等待时间。
模型:
积神经网络交由无人机i计算。
表征。
布式卷积神经网络匹配策略,计算无人机按照策略执行计算过程,主要包括三个阶段:阶段
一,感知无人机确定分布式卷积神经网络匹配策略;阶段二,感知无人机下发控制命令;阶
段三,计算无人机执行计算过程。
的步骤S41包括以下分步骤:
态下选用该分布式卷积神经网络策略越好;
层匹配策略;
行对应图片的卷积神经网络计算过程,不同图片的流水线在不同无人机上相互交错。
务完成时间作为奖励来训练DQN中的神经网络参数,来完成迭代过程
种情况下选取该策略越好。通过不断探索学习,深度强化学习算法会找到一个比较好的策
略使得任务完成时间小。
DQN中的参数更新方法,完成本轮DQN的迭代过程,并返回S3,进入下一轮任务的执行。
收敛,参数收敛为现有已知技术,本发明中不展开说明。
域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的
任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。