面向无人机协同定位的机载深度计算编译优化.pdfVIP

计算机科学与探索1673-9418/2025/19(01)-0141-17

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2404077

面向无人机协同定位的机载深度计算编译优化

11+2111,3

熊康，刘思聪，王宏涛，高元，郭斌，於志文

1.西北工业大学计算机学院，西安710072

2.中国电子科技集团公司第十五研究所，北京100083

3.哈尔滨工程大学，哈尔滨150009

+通信作者E-mail:scliu@

摘要：随着无人机技术快速发展，在定位信号缺失的情况下进行无人机定位成为一个研究难题。而近几年图神经

网络的出现与发展，为解决这一难题提供了一种新的解决思路。然而在资源受限的无人机端侧部署图神经网络面

临着无人机算储资源受限及实时性难以满足等挑战。提出面向无人机协同定位的机载深度计算编译优化方法。采

用了一种轻量化的时间图卷积神经网络模型，该时间图卷积网络由图卷积网络和门控递归单元组成，将无人机群的

空间依赖性和无人机位置变化的时间依赖性同时加以考虑，对无人机群位置进行精确的预测；针对该模型在时间图

卷积网络上的冗余特性，提出了基于逆向Cuthill-McKee图重排和基于双深度确定性策略梯度的全局自适应剪枝算

法。在保证无人机群坐标精确预测的同时，不仅能提高数据在主存的空间局部性，加速模型的运算速度，而且能够

对模型进行自适应的非结构化剪枝，降低模型的存储复杂度。实验结果表明，相对于已有的时间图卷积神经网络模

型，编译优化后的轻量化时间图卷积神经网络模型在保留78.8%准确率的同时，模型计算时间降低37.9%，模型的平

均剪枝率达到90.3%。

关键词：时间图卷积网络；协同定位；通道剪枝；图重排算法；深度确定性策略梯度

文献标志码：A中图分类号：TP301.6

CompilerOptimizationforOn-deviceDeepLearninginUAVCooperativeLocal-

ization

11+2111,3

XIONGKang,LIUSicong,WANGHongtao,GAOYuan,GUOBin,YUZhiwen

1.CollegeofComputerScience,NorthwesternPolytechnicalUniversity,Xi’an710072,China

2.The15thResearchInstitute,ChinaElectronicsTechnologyGroupCorporation,Beijing100083,China

3.HarbinEngineeringUniversity,Harbin150009,China

Abstract:WiththerapiddevelopmentofUAVtechnology,ithasbecomeadifficultresearchproblemtolocateUAVin

theabsenceofpositioningsignal.Inrecentyears,theemergenceanddevelopmentofgraphneuralnetworkprovidesanew

waytosolvethisproblem.However,thedeploymentofimageneuralnetworksinresource-constrainedUAVsfaceschal-

lengessuchaslimitedstorageresourcesanddifficultiesinmeetingreal-timerequirements.Underthisbackground,ana