排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
基于深度强化学习的农田节点数据无人机采集方法 总被引：1，自引：1，他引：0
利用无人机采集农田传感器节点数据,可避免网络节点间多次转发数据造成节点电量耗尽,近网关节点过早死亡及网络生命周期缩短等问题。由于相邻传感器数据可能存在冗余、无人机可同时覆盖多个节点进行采集等特点,该研究针对冗余覆盖下部分节点数据采集和全节点数据采集,对无人机数据采集的路线及方案进行优化,以减轻无人机能耗,缩短任务完成时间。在冗余覆盖下部分节点数据采集场景中,通过竞争双重深度Q网络算法（Dueling Double Deep Q Network,DDDQN）优化无人机节点选择及采集顺序,使采集的数据满足覆盖率要求的同时无人机能效最优。仿真结果表明,该算法在满足相同感知覆盖率要求下,较深度Q网络（Deep Q Network,DQN）算法的飞行距离缩短了1.21 km,能耗减少27.9%。在全节点数据采集场景中,采用两级深度强化学习联合（Double Deep Reinforcement Learning,DDRL）方法对无人机的悬停位置和顺序进行优化,使无人机完成数据采集任务时的总能耗最小。仿真结果表明,单节点数据量在160kB以下时,在不同节点个数及无人机飞行速度下,该方法比经典基于粒子群优化的旅行商问题（Particle Swarm Optimization-Traveling Salesman Problem,PSO-TSP）算法和最小化能量飞行控制（Minimized Energy Flight Control,MEFC）算法的总能耗最少节约6.3%。田间试验结果表明,相比PSO-TSP算法,基于DDRL的数据采集方法的无人机总能耗降低11.5%。研究结构可为无人机大田无线传感器节点数据采集提供参考。 相似文献
2.
为了减少因能量有限而导致无人机飞行时间有限的问题，研究农用无人机在飞行时的作业能耗是十分必要的。本研究以农用多旋翼无人机为研究对象，采用白盒建模的方法，依照动力系统各部件原理，构建了农用无人机的飞行总效率模型，再根据农用无人机的飞行特点，建立了一种针对农用无人机的作业能耗模型，并通过对农用无人机的速度、载荷和航程这3个动态参数分组试验得到的数据进行了验证。结果表明，模型具有较高的精度，最大平均误差约为6.582%,最大绝对误差中位数约为7.654%。最后对模型的各个参数进行分析，引入模型修正系数对模型进行修正，修正后的模型精度相比修正前的最大平均误差减少约3.092个百分点，误差中位数减少约3.612个百分点，修正后效果显著。本研究构建的理论模型可以用于农用无人机作业能耗的计算和预测，在规划无人机任务前就可以得到相应的作业能耗并进行优化，也可以适配不同控制器的其他旋翼机型，具有一定的应用价值。 相似文献
1