买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京信息工程大学申请的专利一种自主式智能物联网驱动的无人机集群自组织方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120523232B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510997261.3，技术领域涉及：G05D1/695；该发明授权一种自主式智能物联网驱动的无人机集群自组织方法是由龚宇城;李斌设计研发完成，并于2025-07-18向国家知识产权局提交的专利申请。

本一种自主式智能物联网驱动的无人机集群自组织方法在说明书摘要公布了：本发明公开了一种自主式智能物联网驱动的无人机集群自组织方法，属于无人机群协同控制与无线网络通信技术领域，将随机博弈理论与边缘‑云协同框架深度融合，提出了一种大规模无人机集群的自组织组网与动态轨迹优化方案；该方案采用深度强化学习算法，旨在最小化全局任务完成总时延与无人机集群总能耗，并实现复杂动态通信场景下的自主决策；相较于其他发明，本发明引入了任务驱动的语义通信，通过提取任务相关特征，进一步压缩数据，有效降低传输负载，提高通信系统的整体效率。

本发明授权一种自主式智能物联网驱动的无人机集群自组织方法在权利要求书中公布了：1.一种自主式智能物联网驱动的无人机集群自组织方法，其特征在于：包含无人机集群辅助无线通信系统，所述无人机集群辅助无线通信系统包含地面用户层、无人机边缘层与云平台层；其中， 地面用户层包括M个单天线用户设备，每个单天线用户设备配备有语义编码器以及解码器，用于产生计算任务，提取任务语义特征并传输至就近无人机； 无人机边缘层包括N架搭载移动边缘服务器的UAV，每架UAV兼具计算、通信以及感知能力，部署分布式MASAC智能体，协同处理用户任务； 云平台层，用于负责离线预训练MASAC模型，周期性下发全局权重参数； 包括以下三个步骤： 步骤1，初始化与语义提取：云平台在任务开始前完成MASAC模型的离线预训练，并将Critic和Actor网络参数周期性或事件触发地下发给各UAV；地面用户在产生计算任务后，仅提取任务的关键语义特征，并通过本地语义编码器压缩后传输至最近的无人机； 步骤2，每架UAV基于自身当前状态与接受到的任务语义，在本地运行MASAC智能体，结合随机博弈框架优化无人机之间的关联，生成邻居集合，形成鲁棒分布式通信拓扑； 步骤3，边缘任务执行与事件触发策略同步：各UAV在本地边缘服务器上执行收集到的任务子集，并将执行结果实时反馈至本机MASAC智能体，用于下一代决策迭代，当本机网络参数增量超过阈值时，向邻居广播参数差异，减少通信开销； UAV的整个飞行周期为T，将总飞行时间T等间隔划分为L个时隙，每个时隙的长度为δ＝TL；采用三维笛卡尔坐标系对UAV的飞行状态进行建模，设UAV的飞行高度为固定值H；在第t个时隙下，UAV的位置坐标表示为Pt＝xt,yt,H；无人机的位置更新遵循特定的公式 其中，mut是无人机在t时刻的移动距离，量化了无人机在该时间步长内的移动幅度；是无人机在t时刻的飞行方向即偏航角； 同时引入安全距离约束，规定任意两个无人机a和b之间的欧式距离需满足 ||Pat-Pbt||≥dmin 其中，dmin为预先设定的安全距离阈值； 通信模型： 每个用户都配备了一个任务编码处理单元，用于提取任务的语义作为任务表示；在第t个时隙下，地面用户g产生的原始任务大小为Dgt，任务编码比为εgt，表示为任务编码过程中优化的传输内容大小和原始任务大小之间的比率；对于用户g，从原始任务中提取任务表示所需的时间为 其中，CDnt,εnt是任务编码比的函数，表示用户g在任务编码过程中提取轻量级任务表示所需的额外计算负载；表示用户g在任务编码过程中的可用计算能力； 记pgt为t时刻用户g的发射功率，Bu,gt为用户g与UAVu的信道带宽，hu,gt为用户g与UAVu的信道增益；用户g与UAVu之间的传输速率表示为： 其中，I为其他无人机与地面用户产生的同频干扰，σ为噪声功率； 进一步地，用户g与UAVu的数据传输延时表示为 马尔可夫决策过程：在深度强化学习应用中，定义马尔可夫决策过程，在随机环境下解决序列决策问题的基础框架；一个马尔可夫决策过程通常包括五个部分：状态空间S，动作空间A，状态转移概率函数，奖励函数，折扣因子γ；在每个决策时刻，智能体基于策略选择一个动作，该策略定义了在给定状态下选择动作的概率分布为： 每次动作执行后，根据状态转移概率函数转换到下一个状态，并给予智能体即时奖励；这种状态转移和奖励反馈过程引导策略优化，智能体通过与环境的迭代交互来调整策略，以逐步逼近最优策略； 随机博弈框架：基于马尔可夫决策过程模型，将其扩展到多智能体随机博弈；通过将随机博弈框架与MASAC融合，在博弈层面自适应地建立可靠连接的同时，使无人机自主优化轨迹与边缘计算； 所述的随机博弈模型表示为五元组G＝N,S,{Ai}i∈N,P,{ui}i∈N；其中N＝{1,...,N}表示为无人机的集合，S表示为所有状态的集合，Ai表示第i架无人机的动作空间，记联合动作空间为A＝A1×A2×…×AN，P:S×A→[0,1]表示状态概率转移函数，由飞行动态与链路随机失效概率∈ijt组成，ui表示第i架无人机的即时收益； 全局状态st为所有局部状态的向量拼接：st＝s1t,...,sNt∈S，局部状态sit定义为三元组sit＝pit,Eit,{hijt}j∈N，其中表示第i架UAV的空间位置，Eit表示第i架UAV的剩余电量，hijt∈[0,1]为结合大尺度路径损耗与小尺度衰落归一化后的链路i→j的质量指标； 在本发明的随机博弈模型中，第i架UAV在时隙t的复合动作应包含四部分决策 其中，Δpit表示UAV在当前时隙t内的位移向量，邻居子集表示该时隙内UAVi选择的通信协作对象，功率分配pi→jt∈[0,pmax]为每条i→j链路的发射功率，带宽分配Bi→jt≥0为每条i→j链路的带宽资源； 在MASAC算法里，每个智能体的策略函数同时输出这四类决策，令邻居集的选择与无人机轨迹、通信延迟等目标协同最优； 第i架UAV对所选邻居集Si的即时收益由通信容量收益、功率成本和带宽成本组成 其中，Rij为链路i→j的链路容量，即该链路的最大传输速率； 将此博弈收益与MASAC的轨迹与计算即时奖励叠加，可形成完整综合奖励，驱动Critic和Actor网络完成决策； MASAC算法：在MASAC算法框架下，针对上述复合状态与动作，MASAC智能体i的即时奖励rit由博弈收益、任务延时与总能耗三部分组成；其中，延时包括任务提取延时Tir、传输延时Titran以及计算延时Ticomp；能耗由飞行能耗计算能耗以及通信能耗组成；将智能体i的即时奖励rit定义为如下形式： rit＝uist,at-[ω1Tir+ω2Ticomm+ω3Ticomp]-[λ1Eifly+λ2Eicomm+λ3Eicomp] 其中，ω1,2,3和λ1,2,3分别为延时类与能耗类权重，可根据系统需求进行调整； 为了提升采样率，MASAC算法采用双网络结构，包括一个演员网络和两个评论家网络，θi为Critic网络参数，为目标Critic网络参数，φi为Actor网络参数；评论家网络通过最小化时间差分损失来估计Q值，损失函数表示为 其中yi为目标Q值，Di为经验回放缓存，si′为当前状态si执行动作ai后转移到的下一状态；在目标Q值yi中，熵正则项通过引入温度参数α来控制熵在优化过程中的权重，平衡探索与利用之间的关系；表示为 其中，ai′为在下一状态si′中根据策略函数采样的下一动作； 在策略改进阶段，MASAC算法使用策略梯度方法来优化策略，更新目标是最小化策略网络损失函数： 该损失兼顾最大熵与最大化价值，鼓励随机探索与高回报动作，从而更新Actor网络参数φ 为了在分布式部署中节省通信开销，引入事件触发同步机制：在每次Critic或Actor网络更新后，UAVi计算参数与决策增量 仅当δ超过阈值η时，认为本地网络或位置变化足够显著，需要向邻居j∈S广播Δθ和Δφ，广播仅包含增量向量，因此消息体积远小于完整参数，更加轻量；其他UAVj在收到任意邻居i的增量后，会将其与自身保留的老参数进行加权融合： 其中，hji为信道增益；wji为归一化后的权重；λ∈0,1]为融合速率，控制新旧信息的比例。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：210032 江苏省南京市江北新区宁六路219号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。