我国土地利用类型复杂,为解决依靠单一遥感图像或POI(point of interest)数据而难以准确识别城市土地利用类型的困境,提出一种遥感图像和POI数据相结合的精细识别方法.首先,为精细识别城市地块功能,选取500 m栅格为研究单位;其次,提取PO...
详细信息
我国土地利用类型复杂,为解决依靠单一遥感图像或POI(point of interest)数据而难以准确识别城市土地利用类型的困境,提出一种遥感图像和POI数据相结合的精细识别方法.首先,为精细识别城市地块功能,选取500 m栅格为研究单位;其次,提取POI数据并生成各类土地利用的核密度分布图,对遥感、POI图像数据进行数据预处理、数据切分、数据增强以提取有效信息;最后,将POI核密度分布图和高分遥感影像数据融合,以现状土地利用数据为标签,构建UNet++网络对城市地块分类,并运用CA算法对模型参数进行优化.以深圳市为实例开展实验,并在罗湖区和南山区进行迁移验证,结果表明:融合POI数据的城市土地利用精确识别模型平均精度为70.6%,比仅使用遥感数据识别模型精度高6.7%;使用CA算法后,模型精度提高1.5%;对模型进行迁移验证,模型平均精度为72.6%,表明模型具有较高的稳健性;此外,POI数据弥补了遥感影像仅涉及光谱、纹理和地物结构物理属性的不足,能较好识别商服用地、公共管理与公共服务用地,相较于单一数据识别模型精度分别高了7.5%、6.0%.
在复杂动态环境下,针对无人机执行协同数据采集任务时,出现的航迹规划问题求解不确定性高、多机协同难度大、机间碰撞严重等挑战,提出了一种面向多无人机辅助数据采集的强化学习协同航迹规划(reinforcement learning-based cooperative trajectory planning for UAV aided data collection,RL-DC)算法.该算法通过集中式训练分布式执行框架,实现多无人机安全高效协同数据采集和航迹优化.通过设计竞争候选节点队列机制,避免多架无人机同时服务一个节点导致的信号干扰和飞行安全问题,并通过奖励重塑优化规划轨迹,提高数据采集效率;同时采用网络结构优化和混合优先经验回放,提高无人机在复杂环境下的学习效率,提升决策能力.实验结果表明,所提出的RL-DC算法在各种任务环境中的成功率均能达到90%以上,节点服务率均大于98%,性能优于其他同类算法.
随着感知技术的不断发展以及智能交通基础设施的完善,智能网联汽车应用在自动驾驶领域的地位逐渐提升.自动驾驶感知从单车智能向车路协同迈进,近年来涌现出一批新的协同感知技术与方法.本文旨在全面阐述面向智能网联汽车的车路协同感知技术,并总结相关可利用数据及该方向的发展趋势.首先对智能网联汽车的协同感知策略进行划分,并总结了不同感知策略具备的优势与不足;其次,对智能网联汽车协同感知的关键技术进行阐述,包括车路协同感知过程中的感知技术与通信技术;然后对车路协同感知方法进行归纳,总结了近年来解决协同感知中感知融合(Perception fusion,PF)、感知信息选择与压缩(Perception selection and compression,SC)等问题的相关研究;最后对车路协同感知的大规模数据集进行整理,并对智能网联汽车协同感知的发展趋势进行分析.
暂无评论