面向无人机集群察打场景的PPO算法设计

无人机集群决策问题是智能化战争的重要研究方向。以构建的典型无人机集群侦察打击的任务场景为例,研究复杂不确定条件下的无人机集群任务分配与运动规划问题。针对该问题,从战场环境模型参数化设计与典型集群侦察打击任务角度,阐述任务决策的复杂性与战场环境不确定性。设计通用性较强的状态空间、奖励函数、动作空间和策略网络,其中,为捕捉多元态势信息,设计并处理了多种类型特征作为状态空间,同时设计与察打任务紧密相关的多种类型奖励;动作策略输出采取主谓宾的形式,更好表达复杂操作;策略网络设计了编码器-时序聚合-注意力机制-解码器结构,充分融合特征信息,促进了训练效果。基于近端策略优化算法(proximal policy optimization,PPO)的深度强化学习(deep reinforcement learning,DRL)进行求解。最后,通过仿真环境实验验证了无人机集群在复杂不确定条件下实现察打任务决策的可行性和有效性,展现了集群任务分配与运动规划的智能性。

面向无人装备的智能边缘计算软技术分析

轻量化神经网络模型的设计及其在边缘端的部署是实现无人装备智能化的关键技术。从构造轻量级深度神经网络的角度出发,研究面向无人装备嵌入式平台应用的智能边缘计算软技术,重点分析模型剪枝、知识蒸馏和参数量化等方法,并以目标识别为例进行各类智能边缘计算技术性能分析,结合各类轻量化模型设计方法的优缺点,提出一种边缘计算的处理框架,即通过模型压缩方法来设计轻量化的神经网络模型,通过引入知识蒸馏的方法对轻量化模型进行有效训练,通过参数量化来加速模型推理时间。随着参数量化和知识蒸馏算法的成熟,该框架正逐渐变得有效可行,为智能边缘计算技术在无人化装备上的应用提供了技术参考。