L'interprétation d'images par radar à synthèse d'ouverture (SAR) dans des scénarios dynamiques fait face à des défis critiques, y compris des réponses de planification multi-agents lentes, un appariement tâche-ressource suboptimal et une faible efficacité collaborative sur l'ensemble du pipeline. Pour résoudre ces problèmes, cet article propose un algorithme d'interprétation d'image SAR autonome basé sur un cadre de planification collaborative multi-agents centralisé dirigé par un point de contrôle de mission (MCP). Pour remédier à l'appariement tâche-ressource inefficace, un modèle d'orchestration multi-sources intégrant les états des agents, les caractéristiques des tâches et les dynamiques environnementales est développé pour une allocation initiale optimisée. Pour atténuer la fragmentation de l'information et améliorer l'efficacité de la collaboration à travers le pipeline, une architecture centralisée basée sur le MCP est proposée pour réaliser une planification unifiée et une optimisation globale des agents multi-étapes. De plus, pour améliorer l'adaptabilité dans des environnements dynamiques, un mécanisme d'optimisation continue de politique adaptative dirigé par vérification est introduit, permettant à la politique de planification de s'adapter en continu. Des expériences ont été menées sur le jeu de données public SARCAP, et la méthode proposée a atteint une précision d'appariement tâche-agent de 97,98 %, une latence de planification moyenne de 66,1 ms et une vitesse d'interprétation collaborative de 17,9 fps. Par rapport à MAPPO et à la planification centralisée conventionnelle, l'efficacité de la planification a été améliorée de 12,3 % et 18,7 %, respectivement. Des études d'ablation indiquent en outre que tant le mécanisme de planification centralisée basé sur le MCP que le module d'orchestration d'informations multi-sources ont significativement contribué aux performances, garantissant une haute précision et robustesse.
Lu et al. (Samedi,) ont étudié cette question.