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了一个研究难题。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。在此背景下，本文提出面向无人机协同定位的机载深度计算编译优化方法。具体地，我们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%。
文章目录
1 研究背景
2 相关工作
2.1 图神经网络
2.2 深度学习模型轻量化相关技术
3 基于轻量化T-GCN的无人机群坐标预测与定位
3.1 无人机协同定位场景分析
3.2 T-GCN模型基准结构与特性分析
3.3 轻量化T-GCN模型设计
4 基于RCM图重排的图神经网络编译加速
4.1 基于度排序图重排算法
4.2 基于RCM的图重排算法原理
5 基于双DDPG的全局自适应剪枝
5.1 基于双DDPG的全局自适应剪枝方法设计
5.2 基于深度确定性策略梯度的强化学习算法
6 实验验证
6.1 模型参数选择
6.2 图重排优化效果对比
6.3 基于双DDPG的全局自适应剪枝优化效果对比
6.4 实验结果与分析
7 结语
