一種基於邊雲協同決策的目標檢測與追蹤系統及方法

2024-04-15 22:21:05

1.本發明涉及邊雲協同的多無人機智能自組網技術領域，尤其是一種基於邊雲協同決策的目標檢測與追蹤系統及方法。


背景技術：

2.隨著計算機與通信技術的快速發展，促進了人工智慧機器人的研究與應用，無人機行業得以迅速發展，也為社會各行業的發展提供了便利的服務。無人機因為其靈活、快速等特點被迅速應用到越來越多的行業，伴隨著深度學習的快速興起及計算機視覺技術的愈發成熟，對特定物體的類別檢測能力及對特定物體的實時跟蹤的能力有了極大的提升，因此將目標檢測與目標追蹤的技術結合起來，應用於無人機對地面特定物體的識別與追蹤具有很高的實際應用價值，但要實現無人機對地面運動物體精確地識別與追蹤，往往需要算力極強的伺服器才能實現準確的目標檢測，但在無人機系統上無法實現部署算力較大的計算機，因此無人機的小型化與板載計算機的算力及目標檢測的準確度是一組矛盾體，為實現準確度高且實時性好的目標檢測與追蹤對算力要求極高，需要結合邊雲協同，進行算力的遷移，將無人機做為邊緣節點完成算力較小的任務，將大型計算機作為雲伺服器完成目標檢測中算力消耗較大的任務，而邊緣節點與雲伺服器間只進行決策信息及數據處理結果的傳輸，兼顧目標檢測的實時性和準確性可實現低延時邊雲協同的目標檢測與追蹤系統。


技術實現要素：

3.本發明需要解決的技術問題是提供一種基於邊雲協同決策的目標檢測與追蹤系統及方法，實現具有邊緣決策能力的多無人機分布式協同工作，提升系統的容錯性能。
4.為解決上述技術問題，本發明所採用的技術方案是：
5.一種基於邊雲協同決策的目標檢測與追蹤系統，包括雲伺服器端和邊緣節點端；所述雲伺服器端包括深度學習工作站、無人機地面站控制平臺和雲伺服器端無線通信模塊；所述邊緣節點端包括若干個邊緣節點無人機飛行系統，每個所述無人機飛行系統包括無人機飛行控制模塊、無人機無線通信模塊、gps定位模塊、雲臺吊艙和板載計算機。
6.本發明技術方案的進一步改進在於：在邊緣節點端，所述飛行控制模塊搭載氣壓計、陀螺儀、內置羅盤和加速度計傳感器，用於控制無人機的飛行姿態、飛行軌跡、飛行速度、飛行高度、懸停定位動作並記錄相關數據，以及控制雲臺吊艙的拍攝角度；
7.所述無人機無線通信模塊為數傳電臺和高清數字圖傳的發射端，用於將飛行控制模塊採集的實時飛行數據及雲臺吊艙採集的實時圖像畫面傳輸到雲伺服器端的無人機地面站控制平臺進行實時動態顯示；
8.所述gps定位模塊連接飛行控制模塊實現邊緣節點無人機室外環境飛行過程中的實時定位；
9.所述雲臺吊艙為三軸防抖雲臺吊艙，在無人機視角下實時採集偵查區域內的圖像畫面，雲臺吊艙與邊緣節點端無人機無線通信模塊連接，通過無線通信，實現在雲伺服器端
的畫面實時顯示；
10.所述板載計算機為小型嵌入式板載計算機，加載基於yolov4-tiny的輕量化目標檢測模型和基於siamrpn框架的目標追蹤模型；
11.所述三軸防抖雲臺吊艙和小型嵌入式板載計算機通過雙絞線連接，構成邊緣節點的目標檢測與追蹤系統，雲臺吊艙將獲取的視頻流數據通過雙絞線傳輸給板載計算機進行邊緣端的目標檢測和目標追蹤；
12.所述板載計算機和無人機飛行控制模塊連接構成目標追蹤執行系統，板載計算機通過對特定目標的檢測與追蹤實時發布飛行控制指令，飛行控制模塊接收飛行控制指令實時調整無人機的飛行姿態，跟隨特定目標飛行，實現對特定物體的跟蹤。
13.本發明技術方案的進一步改進在於：在雲伺服器端，所述深度學習工作站載有基於yolov4的目標檢測模型，實現對邊緣節點無人機傳回至雲伺服器的圖像畫面進行目標檢測；
14.所述無人機地面站控制平臺控制邊緣節點無人機完成各種飛行姿態及飛行航線規劃，並實時顯示無人機相關飛行數據及雲臺吊艙採集的圖像信息；
15.所述雲伺服器端無線通信模塊為數傳電臺和高清數字圖傳的地面接收端，接收邊緣節點無人機無線通信模塊數傳電臺和高清數字圖傳發射端發出的各項無人機飛行數據及雲臺吊艙採集的圖像信息。
16.本發明技術方案的進一步改進在於：所述板載計算機與雲伺服器端，在路由覆蓋範圍內進行mesh組網形成基於發布和訂閱的分布式架構通信模型，實現各邊緣節點之間的互聯互通，以及各邊緣節點與雲伺服器端的互聯互通，實現組網內任意兩節點之間的數據交互。
17.一種基於邊雲協同決策的目標檢測與追蹤方法，包括以下步驟：
18.s1、目標檢測與追蹤模型的構建；
19.s2、基於發布和訂閱的分布式通信模型的構建；
20.s3、通過模糊決策判別機制確定各無人機識別目標物體的準確度權重並進行權重排序，選擇最優權重無人機的檢測結果準確度與設定閾值比較，從而判斷是否啟用雲伺服器進行目標檢測，並通過分布式通信模型實現邊雲協同。
21.本發明技術方案的進一步改進在於：s1中，包括以下步驟：
22.s1.1目標檢測模型優化；
23.目標檢測模型包括邊緣節點輕量化目標檢測模型和雲伺服器深層目標檢測模型；
24.所述邊緣節點目標檢測模型以yolov4-tiny目標檢測模型為框架進行優化訓練，採用無人機視角的航拍圖像作為訓練集對邊緣節點輕量化目標檢測模型進行訓練，得到最優邊緣節點輕量化目標檢測模型，並將最優邊緣節點輕量化目標檢測模型的權重參數部署在邊緣節點無人機的載板載計算機中；
25.以無人機吊艙實時採集的地面偵察範圍內運動物體的視頻圖像數據作為輸入，傳入邊緣節點板載計算機中的輕量化目標檢測模型，進行特定物體的目標檢測，當邊緣節點輕量化目標檢測模型識別到特定物體，將包含特定物體的一幀畫面進行保存傳入邊緣節點目標跟蹤模型中；
26.雲伺服器中深度學習工作站的目標檢測模型基於yolov4目標檢測模型進行優化
訓練，採用無人機視角的航拍圖像作為訓練集對雲伺服器深層目標檢測模型進行訓練，得到最優雲伺服器深層目標檢測模型，並將最優雲伺服器深層目標檢測模型的權重參數部署在雲伺服器中，將邊緣節點無人機吊艙採集的圖像數據作為輸入，實現準確度更高的深層目標檢測，並將檢測結果傳回至邊緣節點的目標跟蹤模型中；
27.s1.2目標跟蹤模型構建及優化；
28.目標跟蹤模型以siamrpn跟蹤模型為基礎進行優化，加入kalman濾波，實現對目標進行位置軌跡預測，提升目標跟蹤的精度及穩定性，並採用無人機視角的航拍視頻進行地面移動物體的目標跟蹤訓練，並將訓練優化後的目標跟蹤模型部署在邊緣節點無人機的板載計算機中；
29.當目標跟蹤模型載入s1.1中目標檢測模型輸出的包含特定物體的圖像，便進行對此物體的目標跟蹤，實現保持吊艙實時瞄準被跟蹤目標，確保被跟蹤目標時刻保持在吊艙視野的中心位置，然後通過定位跟隨模型引導無人機實時跟蹤目標；
30.s1.3定位跟隨模型構建；
31.定位跟隨模型為多重坐標轉換及相對位置計算模型，通過採集無人機自身飛行位姿信息、雲臺轉角信息以及雷射測距模塊信息，通過齊次坐標轉換法實現被定位目標的坐標系轉換，得到無人機和被追蹤目標之間的相對位置信息，最後根據相對位置信息及無人機本身的gps位置信息推算出目標的gps位置信息，利用被跟蹤目標的位置信息引導無人機進行飛行決策，實現目標追蹤。
32.本發明技術方案的進一步改進在於：s2中，在路由覆蓋範圍內的mesh組網下將系統中若干個邊緣節點無人機上的板載計算機和雲伺服器均設計為整個通信框架中具有決策能力的單獨節點。
33.本發明技術方案的進一步改進在於：s3中，包括以下步驟：
34.s3.1以無人機與目標物體的速度差ve(t)和無人機對地面的高度hf(t)作為輸入，設計二維模糊控制器，通過將兩關鍵物理因素的輸入數據進行模糊化處理，得到模糊控制量
35.無人機與目標物體的速度差ve(t)的函數計算公式如下：
[0036]ve
(t)＝vo(t)-vf(t)
[0037]ve
(t)＝vf(t)-vo(t)
[0038]
其中，vo(t)為目標物體實時速度；vf(t)為跟蹤物體無人機的實時速度；
[0039]
模糊控制量的函數計算公式如下：
[0040][0041][0042]
其中，rv為ve(t)的量化因子，rh為hf(t)的量化因子，ve為無人機與目標物體理想速度差，hf為無人機理想對地高度；
[0043]
s3.2將計算出來的模糊控制量作為輸入，根據模糊控制規則，得到準確度權重的
模糊量輸出lu，再進行清晰化得到準確度權重l
u0
；
[0044]
二維模糊控制器的模糊控制量和模糊輸出lu的語言變量為{nb,ns,ze,ps,pb}；其中，nb表示負大，ns表示負小，ze表示零度，ps表示正小，pb表示正大；
[0045]
採用重心法對lu進行清晰化，得到最終的無人機目標檢測準確度權重，lu清晰化的計算方法如下：
[0046][0047]
其中，l
u0
為準確化權重，ku為比例因子，xi∈論域u，n為論域u中的元素總數，lu(xi)為xi對應的隸屬度；
[0048]
s3.3：根據各邊緣節點模糊控制器輸出的準確度權重l
u0
進行排序決策，選擇準確度權重最大的無人機檢測特定物體的準確度p0與設定閾值λ比較，若p0《λ,則採用雲伺服器的目標檢測模型對特定物體進行目標檢測；若p0》λ,則使用該特定物體的準確度p0作為檢測目標物體的準確度，判斷其是否為目標物體，從而決定是否跟蹤該物體；
[0049]
s3.4每一個邊緣節點經模糊控制器輸出及清晰化後得到的準確度權重l
u0
，並將l
u0
發布到指定話題，該組網內任意節點均能訂閱此話題，並進行準確度權重l
u0
的排序決策，實現每一節點均具備邊緣決策能力，將準確度權重l
u0
最大的邊緣節點輸出的最優檢測結果作為邊雲協同判別機制的輸入，邊緣節點通過s3.3中的判別機制決定採用邊緣節點輕量化目標檢測模型的檢測結果，或丟棄邊緣節點輕量化目標檢測模型的檢測結果，採取雲伺服器深層目標檢測模型進行目標檢測，實現基於模糊決策判別機制的邊雲協同方法。
[0050]
本發明技術方案的進一步改進在於：設定閾值λ取值為0.73。
[0051]
由於採用了上述技術方案，本發明取得的技術進步是：
[0052]
1、本發明通過設計具有邊緣決策能力的分布式通信模型，實現點到點的通信傳輸，降低通信傳輸的延時，該通信架構具有動態配置的特性，可以實現動態增減邊緣節點參與者的數量，且該通信架構的每一邊緣節點均具有決策能力，可實現對邊雲協同的模糊決策輸出的結果進行決策，具有冗餘特性，從而避免工作中某一節點發生故障而對整個系統造成影響，提升系統的整體穩定性。
[0053]
2、本發明通過制定一種邊雲協同的模糊決策判別機制實現多無人機邊緣節點的淺層目標檢測算法協同雲伺服器的深層目標檢測算法對地面偵查範圍內特定物體的檢測與追蹤，該方法與傳統無人機採集圖像信息傳回工作站進行目標檢測再將檢測結果和跟蹤控制指令傳回無人機相比，有效的降低了傳輸延時，提升了對特定目標進行檢測與追蹤的實時性，減少了傳輸圖像信息所佔用的無線帶寬，節約了無線通信資源；該方法與傳統邊緣計算，即僅在邊緣端進行算力受限的淺層目標檢測算法對特定物體進行檢測相比，又提升了目標檢測的準確性。
附圖說明
[0054]
圖1是本發明的系統結構部署示意圖；
[0055]
圖2是本發明的分布式通信結構示意圖；
[0056]
圖3是本發明的目標檢測與追蹤算法邏輯流程圖；
[0057]
圖4是本發明的模糊控制系統結構模型圖；
[0058]
圖5是本發明的模糊控制量的隸屬度函數圖；
[0059]
圖6是本發明的模糊控制量的隸屬度函數圖。
具體實施方式
[0060]
下面結合附圖及實施例對本發明做進一步詳細說明：
[0061]
如圖1所示，一種基於邊雲協同決策的目標檢測與追蹤系統，包括雲伺服器端和邊緣節點端；
[0062]
所述雲伺服器端包括深度學習工作站、無人機地面站控制平臺和雲伺服器端無線通信模塊；
[0063]
所述邊緣節點端包括若干個邊緣節點無人機飛行系統，每個所述無人機飛行系統包括無人機飛行控制模塊、無人機無線通信模塊、gps定位模塊、雲臺吊艙和板載計算機。
[0064]
邊緣節點端中，飛行控制模塊搭載氣壓計、陀螺儀、內置羅盤、加速度計等多種傳感器，實現用於控制無人機的飛行姿態、飛行軌跡、飛行速度、飛行高度、懸停定位動作並記錄相關數據，以及控制吊艙的拍攝角度，對一定範圍內的物體進行圖像採集；
[0065]
無人機無線通信模塊為數傳電臺和高清數字圖傳的發射端，用於將飛行控制模塊採集的實時飛行數據等傳感器信息及雲臺吊艙採集的實時圖像畫面傳輸到雲伺服器端的無人機地面站控制平臺進行實時動態顯示；
[0066]
gps定位模塊能夠實現邊緣節點無人機室外環境飛行中的實時定位，gps定位模塊連接飛行控制模塊可實現雲伺服器端的無人機地面站控制平臺在室外對邊緣節點無人機進行飛行航線的準確規劃；
[0067]
雲臺吊艙為三軸防抖雲臺吊艙，能夠實現無人機視角下實時採集偵查區域內的圖像畫面，雲臺吊艙與邊緣節點端無人機無線通信模塊連接，通過無線通信，實現在雲伺服器端雲臺吊艙採集畫面的實時顯示和無人機地面站控制平臺對雲臺吊艙的實時控制，達到控制雲臺吊艙拍攝角度、拍照、錄像等功能；
[0068]
板載計算機為擁有一定ai算力的gpu小型嵌入式板載計算機，加載基於yolov4-tiny的輕量化目標檢測模型和基於siamrpn框架的目標追蹤模型，實現邊緣節點的目標檢測與追蹤。
[0069]
所述三軸防抖雲臺吊艙和小型嵌入式板載計算機通過雙絞線連接，構成邊緣節點的目標檢測與追蹤系統，三軸防抖雲臺吊艙將獲取的視頻流數據通過雙絞線傳輸給小型嵌入式板載計算機進行邊緣端的目標檢測和目標追蹤；
[0070]
所述小型嵌入式板載計算機和無人機飛行控制模塊連接構成目標追蹤執行系統，小型嵌入式板載計算機通過對特定目標的檢測與追蹤實時發布飛行控制指令，飛行控制模塊接收飛行控制指令實時調整無人機的飛行姿態，跟隨特定目標飛行，實現對特定物體的跟蹤；
[0071]
在雲伺服器端，所述深度學習工作站載有基於yolov4的目標檢測模型，實現對邊緣節點無人機傳回至雲伺服器的圖像畫面進行目標檢測；
[0072]
無人機地面站控制平臺主要實現控制邊緣節點無人機完成各種飛行姿態及飛行航線規劃等，實時顯示無人機相關飛行數據及雲臺吊艙採集的圖像信息；
[0073]
雲伺服器端無線通信模塊為數傳電臺和高清數字圖傳的地面接收端，實現接收邊緣節點無人機無線通信模塊數傳電臺和高清數字圖傳發射端發出的各項無人機飛行數據及雲臺吊艙採集的圖像信息。
[0074]
所述板載計算機與雲伺服器端，在路由覆蓋範圍內進行mesh組網形成基於發布和訂閱的分布式架構通信模型，如圖2所示，實現各邊緣節點之間的互聯互通，以及各邊緣節點與雲伺服器端的互聯互通，實現組網內任意兩節點之間的數據交互。
[0075]
一種基於邊雲協同決策的目標檢測與追蹤方法，包括以下步驟：
[0076]
s1、目標檢測與追蹤模型的構建，如圖3所示，其包括以下步驟：
[0077]
s1.1目標檢測模型優化；
[0078]
目標檢測模型包括邊緣節點輕量化目標檢測模型和雲伺服器深層目標檢測模型；
[0079]
所述邊緣節點目標檢測模型以yolov4-tiny目標檢測模型為框架進行優化訓練，採用無人機視角的航拍圖像作為訓練集對邊緣節點輕量化目標檢測模型進行訓練，得到最優邊緣節點輕量化目標檢測模型，並將最優邊緣節點輕量化目標檢測模型的權重參數部署在邊緣節點無人機的載板載計算機中；
[0080]
以無人機吊艙實時採集的地面偵察範圍內運動物體的視頻圖像數據作為輸入，傳入邊緣節點板載計算機中的輕量化目標檢測模型，進行特定物體的目標檢測，當邊緣節點輕量化目標檢測模型識別到特定物體，將包含特定物體的一幀畫面進行保存傳入邊緣節點目標跟蹤模型中；
[0081]
其中，輕量化目標檢測模型檢測的特定物體通常為特定工作環境下違規的移動目標，例如建築工地中未佩戴安全頭盔的作業人員，限行區域內違規進入的非工作人員等。
[0082]
雲伺服器中深度學習工作站的目標檢測模型基於yolov4目標檢測模型進行優化訓練，並採用無人機視角的航拍圖像作為訓練集對雲伺服器深層目標檢測模型進行訓練，得到最優雲伺服器深層目標檢測模型，並將最優雲伺服器深層目標檢測模型部署在雲伺服器中，將邊緣節點無人機吊艙採集的圖像數據作為輸入，實現準確度更高的深層目標檢測，並將檢測結果傳回至邊緣節點的目標跟蹤模型中。
[0083]
s1.2目標跟蹤模型構建及優化；
[0084]
目標跟蹤模型以siamrpn跟蹤模型為基礎進行優化，加入kalman濾波，實現對目標進行位置軌跡預測，提升目標跟蹤的精度及穩定性，並採用無人機視角的航拍圖像視頻進行移動物體的目標跟蹤模型訓練，並將優化後的目標跟蹤模型部署在邊緣節點無人機的板載計算機中；
[0085]
當目標跟蹤模型載入s1.1中目標檢測模型輸出的包含特定物體的圖像，便進行對此物體的目標跟蹤，實現保持吊艙實時瞄準被追蹤目標，確保被跟蹤目標時刻保持在吊艙視野的中心位置，然後通過定位跟隨模型引導無人機跟蹤目標。
[0086]
s1.3定位跟隨模型構建；
[0087]
定位跟隨模型為多重坐標轉換及相對位置計算模型，通過採集無人機自身飛行位姿信息、雲臺轉角信息以及雷射測距模塊信息，通過齊次坐標轉換法實現被定位目標的坐標系轉換，得到無人機和被追蹤目標之間的相對位置信息，最後根據相對位置信息及無人
機本身的gps位置信息推算出目標的gps位置信息，引導無人機進行飛行決策，實現目標追蹤。
[0088]
s2、基於發布和訂閱的分布式通信模型的構建；
[0089]
在路由覆蓋範圍內的mesh組網下將系統中若干個邊緣節點無人機上的板載計算機和雲伺服器均設計為整個通信框架中具有決策能力的單獨節點，即每一個節點都是數據發布與訂閱的通信參與者，每一位參與者連接固定數量的數據寫入器，實現多種主題消息的發布；每一位參與者連接固定數量的數據讀取器，實現多種主題消息的訂閱；實現分布式的通信結構如圖3所示；每一位通信參與者都要滿足質量服務原則的標準，實現對實時性、可靠性、持續性等方面的配置，同時質量服務原則也控制著通信參與者與底層的通信機制；
[0090]
所述數據寫入器是為發布者更新數據的對象；所述數據讀取器是為訂閱者讀取數據的對象；
[0091]
所述質量服務原則為控制各方面與底層的通信機制，主要從時間限制、可靠性、持續性、歷史記錄等方面，實現滿足用戶針對不同場景的數據應用需求，制定的服務規則。
[0092]
s3、通過模糊決策判別機制確定各無人機識別目標物體的準確度權重並進行權重排序，選擇最優權重無人機的檢測結果準確度與設定閾值比較，從而判斷是否啟用雲伺服器進行目標檢測，並通過分布式通信模型實現邊雲協同，具體包括以下步驟：
[0093]
s3.1根據模糊控制系統結構模型，如圖4所示，以及分析影響無人機目標檢測準確度的關鍵物理因素，確定以無人機與目標物體的速度差ve(t)和無人機對地面的高度hf(t)作為輸入，設計二維模糊控制器，通過將兩關鍵物理因素的輸入數據進行模糊化處理，得到模糊控制量
[0094]
無人機與目標物體的速度差ve(t)的函數計算公式如下：
[0095]ve
(t)＝vo(t)-vf(t)
[0096]ve
(t)＝vf(t)-vo(t)
[0097]
其中，vo(t)為目標物體實時速度；vf(t)為跟蹤物體無人機的實時速度；
[0098]
由於受實驗物理環境及實驗器材標準的限制，無人機與目標物體的速度差ve(t)、無人機對地面的高度hf(t)和準確度權重的模糊輸出量lu的論域無法統一，這裡均用u表示；
[0099]
模糊控制量的函數計算公式如下：
[0100][0101][0102]
其中，rv為ve(t)的量化因子，rh為hf(t)的量化因子，ve為無人機與目標物體理想速度差，hf為無人機理想對地高度；
[0103]
模糊控制量的隸屬度函數如圖5所示，模糊控制量的隸屬度函數如圖6所示，圖5、圖6中的縱坐標「degree of membership」即為隸屬度。
[0104]
s3.2將計算出來的模糊控制量作為輸入，根據模糊控制規則，得到準確度權重的模糊量輸出lu，再進行清晰化得到準確度權重l
u0
；
[0105]
所述模糊控制規則為：
[0106]
若hf(t)為nb,且ve(t)為nb,輸出lu為nb；
[0107]
若hf(t)為nb,且ve(t)為ns,輸出lu為ns；
[0108]
若hf(t)為nb,且ve(t)為ze,輸出lu為ze；
[0109]
若hf(t)為nb,且ve(t)為ps,輸出lu為ns；
[0110]
若hf(t)為nb,且ve(t)為pb,輸出lu為nb；
[0111]
若hf(t)為ns,且ve(t)為nb,輸出lu為ns；
[0112]
若hf(t)為ns,且ve(t)為ns,輸出lu為ze；
[0113]
若hf(t)為ns,且ve(t)為ze,輸出lu為ps；
[0114]
若hf(t)為ns,且ve(t)為ps,輸出lu為ze；
[0115]
若hf(t)為ns,且ve(t)為pb,輸出lu為ns；
[0116]
若hf(t)為ze,且ve(t)為nb,輸出lu為ze；
[0117]
若hf(t)為ze,且ve(t)為ns,輸出lu為ps；
[0118]
若hf(t)為ze,且ve(t)為ze,輸出lu為pb；
[0119]
若hf(t)為ze,且ve(t)為ps,輸出lu為ps；
[0120]
若hf(t)為ze,且ve(t)為pb,輸出lu為ze；
[0121]
若hf(t)為ps,且ve(t)為nb,輸出lu為ns；
[0122]
若hf(t)為ps,且ve(t)為ns,輸出lu為ze；
[0123]
若hf(t)為ps,且ve(t)為ze,輸出lu為ps；
[0124]
若hf(t)為ps,且ve(t)為ps,輸出lu為ze；
[0125]
若hf(t)為ps,且ve(t)為pb,輸出lu為ns；
[0126]
若hf(t)為pb,且ve(t)為nb,輸出lu為nb；
[0127]
若hf(t)為pb,且ve(t)為ns,輸出lu為ns；
[0128]
若hf(t)為pb,且ve(t)為ze,輸出lu為ze；
[0129]
若hf(t)為pb,且ve(t)為ps,輸出lu為ns；
[0130]
若hf(t)為pb,且ve(t)為pb,輸出lu為nb。
[0131]
其模糊控制規則表如下：
[0132]
表1模糊控制規則表
[0133][0134]
二維模糊控制器的模糊控制量和模糊輸出lu的語言變量為{nb,ns,ze,ps,pb}；其中，nb表示負大，ns表示負小，ze表示零度，ps表示正小，pb表示正大；
[0135]
採用重心法對lu進行清晰化，得到最終的無人機目標檢測準確度權重，lu清晰化的
計算方法如下：
[0136][0137]
其中，l
u0
為準確化權重，ku為比例因子，xi∈論域u，n為論域u中的元素總數，lu(xi)為xi對應的隸屬度；
[0138]
s3.3：根據各邊緣節點模糊控制器輸出的準確度權重l
u0
進行排序決策，選擇準確度權重最大的無人機檢測特定物體的準確度p0與設定閾值λ比較，若p0《λ,則採用雲伺服器的目標檢測模型對特定物體進行目標檢測；若p0》λ,則使用該特定物體的準確度p0作為檢測目標物體的準確度，判斷其是否為目標物體，從而決定是否跟蹤該物體；設定閾值λ根據經驗一般取值為0.73。
[0139]
s3.4每一個邊緣節點經模糊控制器輸出及清晰化後得到的準確度權重l
u0
，並將l
u0
發布到指定話題，該組網內任意節點均可訂閱此話題，並進行準確度權重l
u0
的排序決策，實現每一節點均具備邊緣決策能力，將準確化權重l
u0
最大的邊緣節點輸出的最優檢測結果作為邊雲協同判別機制的輸入，邊緣節點通過s3.3中的判別機制決定採用邊緣節點輕量化目標檢測模型的檢測結果，或丟棄邊緣節點輕量化目標檢測模型的檢測結果，採取雲伺服器深層目標檢測模型進行目標檢測，實現基於模糊決策判別機制的邊雲協同方法。
[0140]
綜上所述，本發明能夠實現具有邊緣決策能力的多無人機分布式協同工作，提升系統的容錯性能。