基于统计分析的无人机自主巡航轨迹符合性异常检测方法

技术领域

本发明涉及无人机自动监测领域，具体涉及基于统计分析的无人机自主巡航轨迹符合性异常检测方法。

背景技术

无人飞行器在自主飞行过程中通常需要在飞行控制器的作用下按照预先设定飞行航线飞行。但是受到外界环境的干扰、控制算法的稳定性、传感器的异常等影响，无人飞行器存在偏离预设的航线的风险。对于这种异常状态需要及时检测发现，以防止因此出现意外情况，造成无人飞行器坠毁、人员伤亡等严重后果。其中，如何判断无人飞行器的实际飞行航迹是否符合设定巡航航迹，是实现无人飞行器自主巡航轨迹符合性异常检测的关键。目前，已有航迹异常检测方法主要采用机器学习算法实现无监督或有监督的航迹异常检测，建模过程和模型推理相对复杂，不适合机载在线航迹异常检测。

现有相关的专利如专利号为CN202210350520.X，名为《一种基于迁移学习的无人机实时轨迹集成预测方法》的发明专利，其公开了了一种基于迁移学习的无人机实时轨迹集成预测方法，属于无人机交通管理技术领域。所述方法包括数据采集、数据集划分、数据预处理、模型构建和模型训练五个步骤。其中使用了D-GRU模型和粒子滤波算法融合的集成预测模型，基于历史轨迹数据估计未来时刻的轨迹。

但该方法主要集中于解决轨迹的预测问题，利用相关专利的方法进行轨迹符合性异常检测，在实际应用过程中将带来大量计算量，其中D-GRU模型中包含大量加法与乘法运算，将消耗大量的计算资源和时间，

发明内容

本发明旨在解决现有技术中无人飞行器巡航过程中航迹在线异常检测的需求，提出了基于统计分析的无人飞行器自主巡航轨迹符合性异常检测方法，实现无人飞行器巡航过程中飞行航迹的异常检测与告警。

为了实现上述发明目的，本发明的技术方案如下：

基于统计分析的无人机自主巡航轨迹符合性异常检测方法，其特征在于，包括如下步骤：

步骤S1、获取航迹偏差：根据无人机的飞行状态确定其实际轨迹与理想航迹之间的距离；

步骤S2、基于统计方法求得轨迹偏差的分布特征，并设置最大最小值阈值，建立基于统计方法的轨迹偏差异常检测模型；

步骤S3、将新的航迹偏差输入到异常检测模型中，使用确定的阈值范围进行判断，若输入的航迹偏差超出该阈值范围，则认为轨迹异常。

在某一具体实施例中，步骤S1中，假设某条长度为

；

其中

其最大最小值分别为：

在某一具体实施例中，步骤S2中，阈值的确定使用多标准投票方式，即当该阈值超出最大最小值阈值和拉依达准则阈值时，为异常状态。

在某一具体实施例中，当无人机处于平飞阶段的直线飞行轨迹状态时，直线飞行的理想航迹通常为直线，则实际飞行轨迹与理想轨迹的投影长度即为航迹偏差。

在某一具体实施例中，当无人机处于平飞阶段的转弯飞行阶段时，首先根据进入点和离开点确定圆心，然后从轨迹点到圆心的距离中减去半径即为航迹偏差。

在某一具体实施例中，步骤S2中，为防止样本空间覆盖不全面导致实际异常检测过程中出现虚警问题，在最大最小值的基础上添加一定的裕度，确定正常轨迹偏差

。

在某一具体实施例中，对于拉依达准则阈值，轨迹偏差的均值

；

。

在某一具体实施例中，第

；

为保证实际检测过程中虚警率在可接受范围内，设定正常轨迹偏差

。

综上所述，本发明具有以下优点：

本专利使用了基于统计的方法，针对每一时刻的轨迹，仅需要直接将侧偏距与阈值进行对比即可判断是否存在异常，计算量非常小，更适合应用于对低功耗和实时性要求更苛刻的实飞环境。

附图说明

图1为本发明方法总体结构框图；

图2为平飞阶段直线飞行轨迹偏差确定方法示意图；

图3是平飞阶段转弯飞行轨迹偏差确定方法示意图；

图4是飞行过程中获取的轨迹偏差；

图5是注入侧偏距偏置故障后，最大最小值阈值对轨迹偏差的检测结果；

图6为某次实际飞行中获取的轨迹偏差；

图7为注入侧偏距偏置故障后，拉依达准则阈值对轨迹偏差的检测结果。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。本发明的说明书和权利要求书及上述附图中的属于“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“ 包括”和“ 具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法或设备固有的其他步骤或单元。

实施例1

本发明提供了基于统计分析的无人机自主巡航轨迹符合性异常检测方法，本发明是对无人飞行器轨迹符合性异常进行检测，因此需要根据飞控状态字确定无人飞行器的飞行状态，并根据预设航迹点确定其理想航迹，在此基础上计算不同飞行状态下，实际轨迹与理想航迹之间的偏差。而这些偏差反映了对应飞行状态中轨迹的符合性，因此本发明基于这些偏差分状态建立模型。

本发明方法相比于已有的机器学习方法，计算量低、计算速度快并且针对同一机型具有较好的鲁棒性，适合在线异常检测场景使用。最后，在实际部署阶段，根据传感器采集到的实时数据，可以计算出轨迹偏差，根据无人飞行器当前的飞行状态，自动调用对应的模型对轨迹偏差进行分析，给出轨迹是否存在异常。

本发明方法具体的实施步骤如下：

1）轨迹偏差计算

轨迹的偏差是指无人飞行器的实际轨迹与理想航迹之间的距离，本发明使用实际航迹向理想航迹投影的方式获取并计算轨迹偏差。

无人飞行器平飞阶段的飞行状态可以分为直线飞行和转弯飞行，该状态可以通过读取飞控中的飞行状态字确定，针对不同飞行阶段其理想航迹的确定方法是不一致的，且直线飞行的理想航迹通常是直线，而转弯飞行的理想航迹通常是弧线，因此其轨迹偏差的确定方法也不一致。

如图2、图3所示是针对直飞飞行和转弯飞行轨迹偏差确定方法的示意图。在图2中，针对直线飞行阶段，可以从实际轨迹上的每一个点分别做航点A与航点B连线的垂线，并计算这一段垂线段的长度作为这个点的轨迹偏差；在图3中，针对转弯飞行阶段，需要先确定该段弧线的圆心（D点是转弯起点，针对某型无人飞行器其转弯起点到航点为固定距离，即DB为固定值，E点是转弯终点。过D点做AB的垂线，在垂线上截取

上述过程中半径R由以下公式确定：

； (1)

其中

结合状态字，并通过以上方法即可实现飞行状态自适应的实际轨迹与理想航迹的偏差获取。

2）基于统计方法的轨迹偏差异常检测建模

当内外界因素不会导致无人飞行器发生故障但发生了轨迹偏离时，由于大部分无人飞行器的控制算法会对航迹进行调整使其尽可能回到预设轨迹上。在这种情况下可以使用基于统计的方法求得轨迹偏差的分布特征，并设置最大最小值阈值，以对数据是否正常进行评估，从而建立一种基于统计方法的轨迹偏差异常检测模型。该阈值的确定使用多标准投票方式，即当该阈值超出最大最小值阈值和拉依达准则阈值时，为异常状态。

假设某条长度为

； (2)

其中

； (3)

； (4)

为防止样本空间覆盖不全面导致实际异常检测过程中出现虚警问题，本发明在最大最小值的基础上添加了一定裕度，因此确定正常轨迹偏差

。 (5)

对于拉依达准则阈值，轨迹偏差的均值

； (6)

。 (7)

在此情况下，第

； (8)

为保证实际检测过程中虚警率在可接受范围内，设定正常轨迹偏差

。 (9)

上述方法为航迹偏差设定了两个范围，当新的航迹偏差

实施例2

下面通过具体实施例来说明本发明方法，主要针对无人飞行器平飞轨迹符合性异常检测问题。

在轨迹偏差计算方面，本实例使用了一种分段定义轨迹偏差的方法，针对直飞阶段，轨迹到预设航迹的投影长度即为航迹偏差；针对转弯阶段需要先根据进入点和离开点确定圆心，然后从轨迹点到圆心的距离中减掉半径即为航迹偏差。在异常检测建模方面，使用了两种阈值（最大最小值阈值和拉依达准则阈值）投票的思路，当距离同时大于两种阈值时，则认为该点的轨迹偏差是异常的。

如图2中所示，线段AB中A点坐标为(0,20)，B点坐标为(20,20)，实现轨迹为飞控控制下无人飞行器的飞行轨迹，从轨迹向AB投影，并求得投影长度。

如图3所示，A点坐标为(0,20)，B点坐标为(20,20)，C点坐标为(20,0)。设转弯进入点距离为5，则D点坐标为(15,20)。过D点做AB的垂线OD的解析式为得到

(10)

如图4所示为某次实际飞行中获取的轨迹偏差，则使用数据的最大最小值获取阈值的参数如下表1所示。

表1 阈值确定参数

如图5所示，它是注入侧偏距偏置故障后，异常检测模型对轨迹偏差的检测结果，可以看到，所有的异常点都被准确地检测出来了。证明本发明的方法可以有效检测无人飞行器自主巡航轨迹符合性异常。

如图6所示，为某次实际飞行中获取的轨迹偏差，则使用数据的最大最小值获取阈值的参数如表2所示。

表2 阈值确定参数

如图7所示，它是注入侧偏距偏置故障后（与图5注入故障相同），拉依达准则阈值对轨迹偏差的检测结果。

由图5和图7可以看出，所有的异常点都被准确地检测出来了，故两者的都票结果认为所有故障注入点都是异常点，该结论是正确的。同时部分在拉依达准则阈值中超限的正常数据都未被最大最小值阈值检测为异常点，故被标记为正常数据，该结论也是正确的。证明本发明的方法可以有效检测无人飞行器自主巡航轨迹符合性异常，且虚警率较低。

虽然结合附图对本发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。