一种地图任务元和状态特征融合的无人机任务识别方法
文献发布时间:2023-06-19 19:28:50
技术领域
本发明属于无人机技术领域,具体涉及一种一种地图任务元和状态特征融合的无人机任务识别方法。
背景技术
随着无人机产业的愈发成熟,民用无人机融入受控空域是不可阻挡的趋势。而无人机商业化的方兴未艾,带来的是民用无人机种类和数量的爆炸式增长。无人机的不同种类决定了其拥有诸多特定的任务属性,因而对空域内无人机当前执行的任务进行高效精准的识别,可以为无人机行为意图推理,潜在的冲突风险避免提供参考,能够进一步提升我国民用无人机监管能力,为无人机快速融入空域监管体系提供技术支撑。
目前,无人机飞行监测技术相对完善,主要利用雷达、ADS-B等技术手段对合作和非合作无人机的位置坐标、速度、姿态、时间戳等飞行状态特征数据进行探测、接收和采集,为本方案无人机的任务识别提供了可靠的数据支撑。
除了无人机自身的飞行特征以外,无人机周围的环境空间也是很重要的参考。虽然无人机执行不同的任务,但可能在某一时刻具有相似的飞行特征,故只根据飞行数据特征,很难对无人机当前任务有客观准确的判断。
现有公开技术中,公开号为CN114169367A,《基于深度学习的低小慢无人机识别方法和系统》,通过对无线电信号进行探测和处理,基于无人机分类识别算法完成特征提取,利用飞行信号频带特征参数和深度学习卷积神经网络,实现对无人机类型的识别。公开号为CN110958200A,《一种基于无线电特征的无人机识别方法》,通过建立无人机信号特征库,对无人机信号特征进行识别提取,最后利用特征库对无人机信号进行比对,实现对无人机型号的识别。
上述两个发明均通过对无人机通信过程中的信号特征进行处理,实现对无人机类别型号进行分类识别。该类方法虽然基于各型号无人机具有特定无线电信号特征的特点,能够可靠的对无人机进行分类,但对于本方案所提及的无人机任务场识别场景,仍然具有一定局限性。首先,同一型号的无人机根据使用者的不同需求,仍有可能执行不同的任务;同时,随着民用无人机产业的发展,多类型无人机甚至其他电子设备共享同一信号频段愈发常见,这必将导致严重的共信道干扰,对硬件的设计和抗干扰能力提出了很大的挑战。其次,由于需要建立信号特征和机型匹配的数据库,这意味着数据库之外的机型无法被有效识别,限制了识别结果的泛化性能。
论文《基于外观特征的无人机行为意图分类方法研究》(《科技创新与应用》,2021年第11卷第14期,139-142)中,基于无人机载荷外观特点,将民用无人机分为了监视勘察、应急救援、运输、农林植保和航拍测绘五类,基于外观特点建立无人机行为模式判别数据库。上述方法往往需要利用光电探测手段,采集无人机的视频或图像数据,通过对视频图像数据进行处理得到外观特征,以此判断无人机的类别。但光电探测受环境、障碍物、设备探测能力等客观因素影响,识别结果误差较大,很难对空域内的无人机进行全天候的无差别监视,具有明显局限性。
发明内容
本发明针对民用无人机任务识别特征维度局限、缺乏多维度立体化任务识别能力等导致的任务识别泛化性差、精度低的问题,提出基于任务划分的多元特征异质性提取方法和无人机飞行地图任务元划分方法,融合无人机飞行状态和环境空间两个特征维度,实现对无人机在任务层面的有效识别与划分。
本发明的具体技术方案为:
一种地图任务元和状态特征融合的无人机任务识别方法,其特征在于:
首先要求监视区域具有雷达和ADS-B设备,能够有效捕获空域内无人机的位置坐标、速度、时间戳飞行状态特征。
将无人机的任务划分为末端物流、航拍测绘、应急救援、农林植保、工业巡检5类,针对5类任务和飞行状态特征构造特征函数。当5类任务识别概率的最大值<50%时,抛出任务未识别。
识别方法具体步骤如下:
步骤1:根据无人机飞行空域的土地利用性质,完成飞行地图的任务元映射,每个栅格可能同时拥有几个任务属性,映射结果为每个栅格5类任务的占比M
步骤2:采集无人机飞行状态历史数据,预处理后得到特征数据X
步骤3:对于有对应任务的历史数据,直接将任务类型作为样本标签Y
步骤4:将特征数据和样本数据放到一个输入输出神经元均为5的深度学习神经网络进行训练,并优化网络结构和参数;
步骤5:利用训练完成的网络参数,输入新的特征数据,对任务进行预测,预测结果为5类任务的概率O
步骤6:将飞行地图任务元的类别占比与输出类别概率进行融合,得到关联环境空间以及飞行状态特征的融合概率:
FP
FP
其中,5类任务分别为:
A.末端物流:
末端物流场景下,受限于基础设施条件,当前末端物流无人机起讫点为货运仓库或中转站点,中途沿报备的航线计划飞行;
B.航拍测绘:
为视距内飞行;
C.应急救援:
应急救援场景下,无人机起讫点多位于应急响应部门,并且会在居民生活区有悬停动作;D.农林植保:
农林植保场景下,飞行区域基本位于农林业用地区;
E.工业巡检:
工业巡检场景下,无人机根据管线的排布,沿提前规划好的路线和速度进行飞行,飞行区域位于管道线路集中分布的区域。
进一步的,所述的5类任务场景中无人机的飞行特点,构造如下特征函数:
(1)偏航度
偏航度指无人机实际飞行航迹与报备的计划航迹的偏离程度,根据报备的计划航线节点的坐标与当前无人机实际坐标计算两点的距离d
d
R为地球半径,均值为6370km,无人机实际节点i坐标经纬度为(x
则无人机飞行航程整体偏航度计算方法为:
(2)水平累计航程
水平累计航程是指无人机航迹的累计飞行距离,是无人机工作区域的重要参考,反映了当前任务的覆盖范围:
(3)平均悬停时间比
平均悬停时间比是指无人机平均每段航程中悬停时间与总时间的比值,表示无人机飞行中悬停状态所占的时间比重,用来反映无人机的悬停状态:
th
(4)水平距离变化率
水平距离变化率是指无人机在水平维度上空间位置变化的快慢,用来反映无人机在水平方向上的速度分量;第i段航程的水平距离变化率计算方法如下:
(5)垂直距离变化率
垂直距离变化率是指无人机在垂直维度上空间位置变化的快慢,用来反映无人机在垂直方向的速度分量,第i段航程的垂直距离变化率计算方法如下:
h
本发明针对任务识别场景下特征不完善,识别方法复杂,效率低等问题,开创性的提出了将无人机飞行状态和环境空间作为任务识别参考因素,计算融合概率,提升了对空域内无人机任务识别的全面性、客观性和准确性。
附图说明
图1是实施例的飞行地图栅格任务元映射;
图2是本发明的流程图。
具体实施方式
结合附图说明本发明的具体技术方案。
本发明提供一种一种地图任务元和状态特征融合的无人机任务识别方法,包括以下步骤:
首先要求监视区域具有雷达和ADS-B设备,能够有效捕获空域内无人机的位置坐标、速度、时间戳等飞行状态特征。
本发明将无人机的任务划分为末端物流、航拍测绘、应急救援、农林植保、工业巡检5类,针对5类任务和飞行状态特征构造特征函数。当5类任务识别概率的最大值<50%时,抛出任务未识别。
A.末端物流:
末端物流场景下,无人机覆盖范围大多为5公里以内,一般不超过20公里。受限于基础设施条件,当前末端物流无人机起讫点为货运仓库或中转站点,中途沿报备的航线计划飞行。B.航拍测绘:
航拍测绘场景下,为了保证拍摄的角度、清晰度以及连贯性,无人机需要以较小的姿态变化完成爬升、下降、移动、甚至悬停等动作,主要在公园、广场、道路等公共性质的场景飞行。同时,由于该类无人机对视频图传实时性要求较高,因此大多为视距内飞行。
C.应急救援:
应急救援场景下,无人机起讫点多位于医院、消防等应急响应部门,并且会在居民生活区有悬停动作。
D.农林植保:
农林植保场景下,无人机为保证喷洒物的均匀喷洒,往往提前设计好飞行高度和航线,飞行区域基本位于农林业用地区。
E.工业巡检:
工业巡检场景下,无人机根据管线的排布,沿提前规划好的路线和速度进行飞行,飞行区域大多位于管道线路集中分布的区域。
根据上述5类任务场景中无人机的飞行特点,构造如下特征函数:
(1)偏航度
偏航度指无人机实际飞行航迹与报备的计划航迹的偏离程度,根据报备的计划航线节点的坐标与当前无人机实际坐标计算两点的距离d:
d
R为地球半径,均值为6370km,无人机实际节点i坐标经纬度为(x
则无人机飞行航程整体偏航度计算方法为:
(2)水平累计航程
水平累计航程是指无人机航迹的累计飞行距离,是无人机工作区域的重要参考,反映了当前任务的覆盖范围:
(3)平均悬停时间比
平均悬停时间比是指无人机平均每段航程中悬停时间与总时间的比值,可以表示无人机飞行中悬停状态所占的时间比重,用来反映无人机的悬停状态:
th
(4)水平距离变化率
水平距离变化率是指无人机在水平维度上空间位置变化的快慢,用来反映无人机在水平方向上的速度分量。第i段航程的水平距离变化率计算方法如下:
(5)垂直距离变化率
垂直距离变化率是指无人机在垂直维度上空间位置变化的快慢,用来反映无人机在垂直方向的速度分量,第i段航程的垂直距离变化率计算方法如下:
h
图2为整个技术方案的流程图。本技术方案具体步骤如下:
步骤1:根据无人机飞行空域的土地利用性质,完成飞行地图的任务元映射,每个栅格可能同时拥有几个任务属性,映射结果为每个栅格5类任务的占比M
步骤2:采集无人机飞行状态历史数据,预处理后得到特征数据X
步骤3:对于有对应任务的历史数据,直接将任务类型作为样本标签Y
步骤4:将特征数据和样本数据放到一个输入输出神经元均为5的深度学习神经网络进行训练,并优化网络结构和参数;
步骤5:利用训练完成的网络参数,输入新的特征数据,对任务进行预测,预测结果为5类任务的概率O
步骤6:将飞行地图任务元的类别占比与输出类别概率进行融合,得到关联环境空间以及飞行状态特征的融合概率:
FP
FP
- 一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法
- 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法
- 融合多任务软生物特征的深度网络掌纹识别方法及系统