中圖分類號(hào)：G301 文獻(xiàn)標(biāo)志碼：A

0 引言

無人集群通常情況下是由多種較為簡單的無人平臺(tái)組成的，具有大規(guī)模的特性，各平臺(tái)個(gè)體之間通過局部協(xié)作實(shí)現(xiàn)全局協(xié)同行為。但是隨著無人平臺(tái)數(shù)量的增加以及對(duì)數(shù)據(jù)傳輸安全性要求的提高，如何在復(fù)雜情況下實(shí)現(xiàn)數(shù)據(jù)高速且安全的傳輸是當(dāng)下需要考慮的問題。

此外，無人集群協(xié)同感知主要包括系統(tǒng)定位技術(shù)、協(xié)同目標(biāo)跟蹤技術(shù)以及系統(tǒng)目標(biāo)識(shí)別技術(shù)等，將各種技術(shù)要素以合理的方式組織起來才能發(fā)揮集群的更大效能，因此體系架構(gòu)是構(gòu)建無人集群系統(tǒng)的重要方法[]，可以讓集群的任務(wù)執(zhí)行效率得到顯著的提高。但是該體系架構(gòu)面臨著規(guī)模擴(kuò)展性不足、多任務(wù)適應(yīng)性不足以及效能評(píng)估能力缺乏等多種挑戰(zhàn)。

由于無監(jiān)督哈希學(xué)習(xí)算法可以滿足大規(guī)模數(shù)據(jù)檢索對(duì)數(shù)據(jù)存儲(chǔ)空間和檢索精度的特殊要求[2，哈希學(xué)習(xí)算法與無人集群協(xié)同感知技術(shù)結(jié)合將是未來的一大研究方向。

1國內(nèi)外研究現(xiàn)狀

無人集群是指由一定數(shù)量的無人系統(tǒng)組成的集群，具有網(wǎng)絡(luò)化溝通、自適應(yīng)協(xié)同和集群智能3大基本特征，能夠在接到指令后自主完成任務(wù)。無人集群系統(tǒng)是近幾年來國內(nèi)外軍事領(lǐng)域的研究重點(diǎn)[3]，美國高度重視無人集群在城市作戰(zhàn)中的應(yīng)用研究，美國國防先進(jìn)研究計(jì)劃局（DefenseAdvancedResearchProjectsAgency，DARPA）先后安排了多個(gè)典型城市作戰(zhàn)應(yīng)用項(xiàng)目[4]。目前關(guān)于哈希學(xué)習(xí)在無人集群協(xié)同感知領(lǐng)域的實(shí)際應(yīng)用較為缺乏，但是相關(guān)理論研究正在開展[5]

在數(shù)據(jù)處理過程中，張博文等[提出了基于局部敏感哈希的多維海量數(shù)據(jù)處理方法，利用P-stable局部敏感哈希算法對(duì)數(shù)據(jù)進(jìn)行散列化存儲(chǔ)并且實(shí)現(xiàn)了數(shù)據(jù)降維，保證了各存儲(chǔ)節(jié)點(diǎn)內(nèi)數(shù)據(jù)具有一定的近鄰性；龍軍等7提出了基于圖卷積的無監(jiān)督跨模態(tài)的哈希檢索算法，采用分層聚合的方式將各個(gè)模態(tài)的相似性結(jié)構(gòu)編碼到全局相似性矩陣中，從而獲得跨模態(tài)的成對(duì)相似性信息來指導(dǎo)學(xué)習(xí)。

為減少內(nèi)存消耗并加速收斂，Lin等[8]提出以類別為單位劃分?jǐn)?shù)據(jù)并更新哈希函數(shù)，有效地適應(yīng)了數(shù)據(jù)動(dòng)態(tài)更新的需求。Wang等提出了一種數(shù)據(jù)依賴的哈希方法，通過從特定數(shù)據(jù)集中學(xué)習(xí)哈希函數(shù)，將數(shù)據(jù)轉(zhuǎn)換為低維哈希碼，使哈希編碼空間的最近鄰搜索結(jié)果接近原始空間，并降低搜索與空間成本。

在數(shù)據(jù)傳輸方面，無監(jiān)督哈希學(xué)習(xí)可以對(duì)要傳輸?shù)臄?shù)據(jù)進(jìn)行壓縮和編碼，生成哈希碼，減少數(shù)據(jù)的傳輸量和傳輸時(shí)間，提高通信效率和網(wǎng)絡(luò)的帶寬利用率。 Xu 等[提出了聯(lián)合學(xué)習(xí)多模態(tài)哈希函數(shù)與統(tǒng)一編碼，解決了異構(gòu)數(shù)據(jù)對(duì)齊的問題。此外無監(jiān)督哈希學(xué)習(xí)可以幫助對(duì)數(shù)據(jù)進(jìn)行處理和分析，根據(jù)數(shù)據(jù)的重要性和相關(guān)性合理分配資源，提高資源的利用效率和協(xié)同感知的性能。

2 算法應(yīng)用場(chǎng)景

本文主要針對(duì)無人集群系統(tǒng)集成方案以及無人集群的分層架構(gòu)對(duì)無監(jiān)督的哈希學(xué)習(xí)算法進(jìn)行應(yīng)用，著重應(yīng)用于數(shù)據(jù)的處理方面，對(duì)提升系統(tǒng)整體效率具有重要的作用。

2.1基于哈希學(xué)習(xí)算法的無人集群系統(tǒng)集成方案本方案采用基于模型的系統(tǒng)工程（Model-Based SystemsEngineering，MBSE）方法，是對(duì)建模的形式化應(yīng)用，以支持系統(tǒng)要求、設(shè)計(jì)、分析等相關(guān)工作。用該方法對(duì)無人集群協(xié)同感知系統(tǒng)進(jìn)行研究，能實(shí)現(xiàn)邏輯清晰并且可以滿足用戶需求的系統(tǒng)模型、子系統(tǒng)模型以及單元模型及其對(duì)應(yīng)的結(jié)構(gòu)。該框架在數(shù)據(jù)庫管理層上方使用了無監(jiān)督哈希學(xué)習(xí)算法，目的在于提高數(shù)據(jù)庫與分析模塊的數(shù)據(jù)傳輸效率?；诠W(xué)習(xí)的無人集群系統(tǒng)架構(gòu)設(shè)計(jì)如圖1所示。

圖1無人集群系統(tǒng)架構(gòu)

2.2基于哈希學(xué)習(xí)算法的無人集群任務(wù)分層架構(gòu)

此架構(gòu)對(duì)無人集群任務(wù)進(jìn)行進(jìn)一步的分層細(xì)化，重點(diǎn)細(xì)分為任務(wù)層、階段層、戰(zhàn)術(shù)層、行動(dòng)層、集群算法層、哈希算法層以及數(shù)據(jù)層。哈希算法層旨在使集群算法層和數(shù)據(jù)層之間數(shù)據(jù)傳輸變得更加高效，該任務(wù)架構(gòu)如圖2所示。

圖2無人集群系統(tǒng)任務(wù)架構(gòu)

3數(shù)據(jù)處理的技術(shù)方案

3.1數(shù)據(jù)加密與安全存儲(chǔ)

哈希算法是一種具有代表性的最近鄰檢索技術(shù)。用戶檢索時(shí)通過比對(duì)檢索圖片哈希碼與數(shù)據(jù)庫哈希碼之間的漢明距離來判斷圖片之間的相似性，獲得檢索結(jié)果。

哈希算法可以用于對(duì)敏感數(shù)據(jù)進(jìn)行加密存儲(chǔ)，以確保數(shù)據(jù)的安全性。首先，根據(jù)數(shù)據(jù)的重要性、安全性以及應(yīng)用場(chǎng)景等因素選擇合適的哈希算法，由于目前MD5和SHA-512存在一定的安全漏洞，可以選擇SHA-256及以上的哈希算法；其次，要進(jìn)行數(shù)據(jù)的準(zhǔn)備，將要加密存儲(chǔ)的數(shù)據(jù)進(jìn)行預(yù)處理，如將字符串類型的數(shù)據(jù)轉(zhuǎn)換為字節(jié)流等，以方便后期進(jìn)行哈希計(jì)算；再次，使用選定的哈希算法對(duì)準(zhǔn)備好的數(shù)據(jù)進(jìn)行計(jì)算，得到固定長度的哈希值；最后，將計(jì)算得到的哈希值存儲(chǔ)到數(shù)據(jù)庫中，在數(shù)據(jù)庫中可以創(chuàng)建一個(gè)專門的字段來存儲(chǔ)哈希值。值得注意的是，為了進(jìn)一步提高安全性，本文在計(jì)算哈希值之前專門在原始數(shù)據(jù)中添加了一個(gè)隨機(jī)生成的鹽值（Salt），這樣即使原始數(shù)據(jù)相同，添加不同鹽值計(jì)算出的哈希值也會(huì)不同，對(duì)無人集群系統(tǒng)的數(shù)據(jù)安全性具有重要作用。方案流程如圖3所示。

3.2數(shù)據(jù)庫索引建立

哈希學(xué)習(xí)可以用于創(chuàng)建哈希索引，提高數(shù)據(jù)的查找效率。通過將數(shù)據(jù)的關(guān)鍵字段進(jìn)行哈希計(jì)算從而得到固定長度的哈希值，然后將哈希值對(duì)應(yīng)的數(shù)據(jù)塊地址存儲(chǔ)在哈希表中，在查詢過程中只須對(duì)查詢條件進(jìn)行哈希計(jì)算，然后在哈希表中查找到對(duì)應(yīng)的哈希值，即可快速定位到數(shù)據(jù)塊，實(shí)現(xiàn)0（1）的平均查找時(shí)間復(fù)雜度。系統(tǒng)思想如圖4所示。

圖3數(shù)據(jù)加密存儲(chǔ)步驟

3.3 總體設(shè)計(jì)

為了實(shí)現(xiàn)海量集群數(shù)據(jù)背景下基于字節(jié)相似性的近似聚類分組，本文主要采用基于字節(jié)相似性的高效數(shù)據(jù)塊分組壓縮方法。該方法是無人集群數(shù)據(jù)庫檢索的項(xiàng)目架構(gòu)，包括端到端的具體解決方案。無監(jiān)督的相似度自適應(yīng)的哈希算法和面向海量集群系統(tǒng)中檢索數(shù)據(jù)塊的分布式近似聚類算法是本項(xiàng)目的重要技術(shù)，分別從基于相似性的哈希降維和海量檢索數(shù)據(jù)的高效聚類2個(gè)角度解決海量數(shù)據(jù)塊相似性壓縮。

首先，使用無監(jiān)督的相似度自適應(yīng)的哈希（SimilarityAdaptiveHashing，SAH）算法對(duì)需要檢索的集群數(shù)據(jù)塊進(jìn)行哈希降維，SAH對(duì)原始數(shù)據(jù)塊首先通過可學(xué)習(xí)的哈希函數(shù)生成近似度保留的哈希碼，利用哈希碼生成相似圖并構(gòu)建無監(jiān)督的目標(biāo)函數(shù)，通過目標(biāo)函數(shù)迭代優(yōu)化更新哈希函數(shù)參數(shù)，以訓(xùn)練模型生成相似度自適應(yīng)的哈希碼。SAH生成的高質(zhì)量哈希碼將高維數(shù)據(jù)塊映射到低維空間，以顯著減少數(shù)據(jù)的存儲(chǔ)空間，提高數(shù)據(jù)塊分簇效率。

其次，使用面向無人集群檢索數(shù)據(jù)塊的分布式近似聚類算法，對(duì)海量哈希碼進(jìn)行隨機(jī)樣本劃分，以生成隨機(jī)樣本數(shù)據(jù)塊，隨機(jī)樣本數(shù)據(jù)塊作為總檢索數(shù)據(jù)的隨機(jī)樣本，分布保持統(tǒng)計(jì)意義的一致性。同時(shí)選擇隨機(jī)樣本數(shù)據(jù)塊子集執(zhí)行大數(shù)據(jù)的近似聚類集成方法（ApproximateClusteringEnsembleMethod，ACEM），以分布式方式對(duì)隨機(jī)樣本數(shù)據(jù)塊子集進(jìn)行聚類操作并傳輸?shù)街鞴?jié)點(diǎn)，用聚類集成的方法形成最終優(yōu)化的近似聚類中心，從而高效完成了對(duì)海量哈希碼的近似聚類并實(shí)現(xiàn)對(duì)數(shù)據(jù)的高效檢索。

圖4系統(tǒng)思想

最后，使用性能優(yōu)異的DBSCAN算法，使用最近鄰查找方法，在漢明空間以迭代的方式快速形成分組并控制分組中集群數(shù)據(jù)塊哈希碼的數(shù)量，最終完成海量檢索數(shù)據(jù)塊的分簇分組。數(shù)據(jù)組中的數(shù)據(jù)塊大概率具有很強(qiáng)的字節(jié)相似度，有利于在隨后的LZ4壓縮算法取得更大的壓縮比，從而獲得優(yōu)秀的檢索結(jié)果。整體算法流程如圖5所示。

3.4無監(jiān)督的自適應(yīng)的哈希算法

傳統(tǒng)的哈希方法如MinHash和SimHash等將原始數(shù)據(jù)映射到多個(gè)哈希碼，哈希碼在漢明空間的相似性反映出數(shù)據(jù)特征空間的相似性，這些方法通常須構(gòu)建許多不同的哈希表，且難以在保持相似度的前提下有效壓縮哈希碼的長度。針對(duì)上述缺點(diǎn)，本文提出無監(jiān)督的相似度自適應(yīng)的哈希SAH算法對(duì)數(shù)據(jù)塊進(jìn)行哈希降維。SAH對(duì)原始數(shù)據(jù)塊使用可學(xué)習(xí)的哈希函數(shù)生成近似度保留的哈希碼，利用哈希碼生成相似圖并構(gòu)建無監(jiān)督的目標(biāo)函數(shù)，通過目標(biāo)函數(shù)的迭代優(yōu)化更新哈希函數(shù)參數(shù)，以訓(xùn)練模型生成相似度自適應(yīng)的哈希碼，將高維數(shù)據(jù)塊映射到低維漢明空間，顯著減少數(shù)據(jù)的存儲(chǔ)空間，提高數(shù)據(jù)塊分簇效率。

將本方法運(yùn)用于數(shù)據(jù)檢索的哈希算法中，首先進(jìn)行可學(xué)習(xí)的哈希函數(shù)訓(xùn)練，使用歐幾里得損失層來訓(xùn)練哈希模型，該損失層測(cè)量哈希函數(shù)的輸出與上次迭代中學(xué)習(xí)到的哈希碼之間的差異，表達(dá)如下：

其中 W={W_l} 表示可學(xué)習(xí)的哈希函數(shù)的參數(shù)集合 W_l 表示權(quán)值參數(shù)， B_cd 是目標(biāo)哈希碼。接著通過不同數(shù)據(jù)集的哈希問題對(duì)其進(jìn)行微調(diào)，通過標(biāo)準(zhǔn)反向傳播和隨機(jī)梯度下降（Stochastic GradientDescent，SGD）對(duì)模型的參數(shù)進(jìn)行優(yōu)化。

圖5整體檢索算法流程

然后進(jìn)行檢索數(shù)據(jù)相似度更新，一旦哈希模型訓(xùn)練結(jié)束，系統(tǒng)就會(huì)得到一個(gè)哈希函數(shù)以及特征表示模型，更新相似圖的公式如下：

其中， 是特征表示模型， σ 是帶寬參數(shù)。最后讓更新后的相似圖來生成優(yōu)化的哈希碼，這里采用了通用的優(yōu)化思想：

其中，圖拉普拉斯由 L=diag（A1_n）-A 定義， μ_?1 和 μ₂ 表示正則化參數(shù)， 表示單位矩陣， B 表示需要優(yōu)化的哈希矩陣。關(guān)聯(lián)矩陣的元素 A_ij 表示在輸入特征空間中數(shù)據(jù)對(duì) （x_i，x_j） 之間的相似性。在實(shí)際應(yīng)用中，為了避免計(jì)算維度為 n×n 的矩陣 A 和 L ，本文采用錨圖方案，公式如下：

其中， Z∈R^n×m 為錨點(diǎn)圖矩陣，該矩陣由所有數(shù)據(jù)與 m 個(gè)錨點(diǎn)之間的相似度以及 Λ=diag（Z^T1_n） 計(jì)算得到，從而減少了優(yōu)化的計(jì)算開銷。

3.5面向海量集群數(shù)據(jù)塊的分布式近似聚類算法

該算法對(duì)海量哈希碼進(jìn)行隨機(jī)樣本劃分，以生成隨機(jī)樣本檢索數(shù)據(jù)塊，隨機(jī)樣本檢索數(shù)據(jù)塊作為總檢索數(shù)據(jù)的隨機(jī)樣本，分布保持統(tǒng)計(jì)意義的一致性，選擇隨機(jī)樣本檢索數(shù)據(jù)塊子集執(zhí)行檢索數(shù)據(jù)的ACEM，以分布式方式對(duì)隨機(jī)樣本數(shù)據(jù)塊子集進(jìn)行聚類操作并傳輸?shù)街鞴?jié)點(diǎn)，算法原理如圖6所示。其中 c^* 為聚類中心點(diǎn)，從上往下依次為集群數(shù)據(jù)集層、子樣本層、并行處理節(jié)點(diǎn)層、聚類中心組層、并行節(jié)點(diǎn)層、聚類結(jié)果層。最后，對(duì)每個(gè)聚類使用改進(jìn)的基于最近鄰查找的DBSCAN算法，形成待壓縮的數(shù)據(jù)分組，每個(gè)分組包含一定數(shù)量的相似檢索數(shù)據(jù)塊。

圖6分布式近似聚類算法

3.6數(shù)據(jù)檢索的近似聚類集成方法

該算法采用分布式計(jì)算框架，將龐大的檢索數(shù)據(jù)集分割成多個(gè)隨機(jī)樣本數(shù)據(jù)塊，對(duì)多個(gè)隨機(jī)樣本數(shù)據(jù)塊進(jìn)行并行聚類處理，最終在中心處理單元把多個(gè)數(shù)據(jù)塊對(duì)應(yīng)的聚類中心執(zhí)行聚類集成算法，形成最終優(yōu)化的聚類中心，有效降低了內(nèi)存使用并提高了計(jì)算效率。

3.7DBSCAN聚類算法

DBSCAN是一種基于密度的聚類算法，其原理是假定類別可以通過樣本分布的緊密程度決定。將緊密相連的樣本劃為一類，就得到了一個(gè)聚類類別。將所有集群數(shù)據(jù)樣本劃為各個(gè)不同的類別，就得到了最終的所有聚類結(jié)果。算法流程如圖7所示。

3.8系統(tǒng)優(yōu)化與指標(biāo)評(píng)估

考慮到無人集群數(shù)據(jù)庫的特點(diǎn)，包括自動(dòng)節(jié)點(diǎn)發(fā)現(xiàn)、動(dòng)態(tài)擴(kuò)縮容、數(shù)據(jù)自平衡、故障自愈、去中心化協(xié)調(diào)，本算法將會(huì)實(shí)現(xiàn)節(jié)點(diǎn)動(dòng)態(tài)注冊(cè)與哈希環(huán)構(gòu)建、數(shù)據(jù)分片定位、動(dòng)態(tài)擴(kuò)縮容遷移以及故障自愈機(jī)制并對(duì)結(jié)果進(jìn)行指標(biāo)評(píng)估。值得注意的是，本部分哈希算法與上述部分不同。

首先，進(jìn)行系統(tǒng)定義：集群節(jié)點(diǎn)集合為Nodes σ=σ ，數(shù)據(jù)對(duì)象為 D_kv={key，value} ，哈?？臻g為 M ，虛擬節(jié)點(diǎn)數(shù)為 V. ，每個(gè)物理節(jié)點(diǎn)對(duì)應(yīng) V 個(gè)虛擬節(jié)點(diǎn)。節(jié)點(diǎn)動(dòng)態(tài)注冊(cè)與哈希環(huán)的構(gòu)建公式如下：

VNodes（n_p）=∣H（n_p∣∣q）bmodM∣q=1，2，…，

圖7 DBSCAN算法

其中， VNodes（n_p） 代表虛擬節(jié)點(diǎn)集，Ring代表按哈希值排序的哈希環(huán)。

其次，定義數(shù)據(jù)定位函數(shù)為Locate（key），數(shù)據(jù)分片定位算法核心公式如下：

h=H（key） bmodM

vnode

pyhsical_node =?vnode/V?

repli cas={vnodes，vnode+Δ，vnode+2Δ} bmodM

Δ=M/3

其中，該算法是按順時(shí)針查找的，replicas代表副本放置;動(dòng)態(tài)縮擴(kuò)容遷移公式如下：

其中， n_new 為新增節(jié)點(diǎn)，可得遷移率為：

以上的關(guān)鍵設(shè)計(jì)指標(biāo)包括數(shù)據(jù)分布均勻性、擴(kuò)容遷移效率以及故障恢復(fù)時(shí)間。其中數(shù)據(jù)分布均勻性計(jì)算公式如下：

其中， C_u 表示第 Ω_u 個(gè)節(jié)點(diǎn)上的數(shù)據(jù)量， 表示所有節(jié)點(diǎn)數(shù)據(jù)量的平均值，當(dāng) 時(shí)數(shù)據(jù)分布符合要求，擴(kuò)容遷移效率公式如下：

當(dāng) Tlt;1h/TB 時(shí)遷移效率符合要求；故障恢復(fù)時(shí)間公式如下：

當(dāng) Tlt;5min 時(shí)符合要求。

4結(jié)語

面向高動(dòng)態(tài)、資源受限大、不確定因素高的大環(huán)境，無人集群的協(xié)同感知面臨著巨大的數(shù)據(jù)傳輸處理挑戰(zhàn)，數(shù)據(jù)傳輸?shù)母咝砸约皵?shù)據(jù)傳輸?shù)陌踩允遣蝗莺鲆暤膯栴}。因此，本文采用了無監(jiān)督的哈希學(xué)習(xí)算法應(yīng)用于無人集群系統(tǒng)中的數(shù)據(jù)傳輸與處理，從一定程度上可以提高無人集群系統(tǒng)的任務(wù)執(zhí)行效率。哈希算法在無人集群數(shù)據(jù)庫管理中時(shí)，可以負(fù)責(zé)構(gòu)建高效的索引結(jié)構(gòu)，當(dāng)新的數(shù)據(jù)（系統(tǒng)功能需求等）進(jìn)入系統(tǒng)后，通過哈希算法計(jì)算其哈希值并存入哈希表，等需要查詢時(shí)就可以迅速定位；此外哈希學(xué)習(xí)也可以保障數(shù)據(jù)的完整性驗(yàn)證以及任務(wù)分配與負(fù)載均衡。但是該方案也面臨著計(jì)算資源的限制、對(duì)環(huán)境動(dòng)態(tài)的適應(yīng)性等方面的挑戰(zhàn)。在未來，該方案會(huì)朝著輕量級(jí)哈希算法以及面向多源數(shù)據(jù)的哈希技術(shù)發(fā)展。

參考文獻(xiàn)

[1]鄒立巖，張明智，武劍.面向體系仿真的智能無人機(jī)集群作戰(zhàn)建?？傮w框架研究［J].軍事運(yùn)籌與系統(tǒng)工程，2021（1）：64-72.

[2]孫猛，鄧志成，丁剛.基于哈希算法的數(shù)據(jù)中臺(tái)在智慧電站中的檢索應(yīng)用[J].新型工業(yè)化，2021（4）：196-198.

[3]宋怡然，申超，李東兵.美國分布式低成本無人機(jī)集群研究進(jìn)展[J].飛航導(dǎo)彈，2016（8）：17-22.

[4]呂震華，高亢.美國無人集群城市作戰(zhàn)應(yīng)用發(fā)展綜述[J].中國電子科學(xué)研究院學(xué)報(bào)，2020（8）：738-745.

[5]張婷婷，藍(lán)羽石，丁剛，宋愛國.無人集群系統(tǒng)自主協(xié)同技術(shù)綜述[J].指揮與控制學(xué)報(bào)，2021（2）：127-136.

[6]張博文，張淑麗，郝昕，等.基于局部敏感哈希的多維海量數(shù)據(jù)處理[J].科技創(chuàng)新與應(yīng)用，2019（2）：54-55.

[7]龍軍，鄧茜尹，陳云飛，等.基于圖卷積的無監(jiān)督跨模態(tài)哈希檢索算法［J].計(jì)算機(jī)工程與設(shè)計(jì)，2024（8）：2393-2399.

[8]LIN M，JI R，ZHANG B，et al.Fast class-wise updating foronline hashing[J].IEEE Transactions on Pattern Analysisand Machine Intelligence，2O22（5）： 2453-2467.

[9]WANG T， ZHANG T， SONG J，et al. A survey on learning to Hash[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2018，4O（4）：769-

790.

[10]XU X，SHEN F，YANG Y，et al.Learning discriminative binary codes for large-scale cross-modal retrieval[ J]. IEEE Transactions on Image Processing， 2017（5）： 2494-2507.

（編輯戴啟潤）

Unsupervised hash learning based collaborative perception algorithm for unmanned clusters

GENG Kaipin （Nanjing Yaxingwei Information Technology Co.，Ltd.，Nanjing 21OO16，China）

Abstract： The layered unmanned cluster system that combines distributed and centralized approaches faces multiple challnges indiferentscenarios.Thecoreofutilizingunmanned clusterdevices foreficient environmentalsituational awarenesslies in how to effciently compress and map various types of modal perception data，thereby achieving effcient andreliable transmision.This article aims touseunsupervised hash learning algorithms to improve data processing efficiency，collaborativeperception accuracy，and resource utilization eficiency in unmanned cluster systems， providing effective solutions for collaborative perception technology in unmanned clusters.

Key words： unmanned cluster; hash learning; collaborative perception