一种无人机飞行环境实时建模方法

技术领域

本发明涉及无人机飞行建模技术领域，尤其涉及一种无人机飞行环境实时建模方法。

背景技术

随着无人机技术的快速发展，其在农业、物流、测绘、安全监测等多个领域得到了广泛应用。为确保无人机能够在复杂的环境中稳定、安全地飞行，无人机飞行环境实时建模技术显得尤为重要，传统的飞行环境建模方法主要依赖单一或有限种类的传感器，如GPS、激光雷达或可见光摄像头，其对环境的捕捉与理解存在一定局限性，尤其在复杂的飞行环境中，例如多障碍、差异化天气条件或在嘈杂的都市环境，这些局限性可能导致无法及时、准确地感知并规避潜在风险。

此外，传统模型建立方法对于实时性和数据处理复杂性的平衡存在困难，例如，为了获取高分辨率和高准确性的模型，可能需要增加传感器的采样频率和算法的计算复杂度，但这也可能导致显著增加的能源消耗和处理延迟，影响无人机的飞行续航和实时反应能力。

再者，现有技术中的无人机通常依赖预先设定的飞行路径和固定策略进行飞行，难以适应动态变化的环境，同时，地面控制站与无人机之间的数据交互方式相对固定，难以根据网络状况和任务需求动态调整，容易导致数据丢失或传输延迟。

发明内容

基于上述目的，本发明提供了一种无人机飞行环境实时建模方法。

一种无人机飞行环境实时建模方法，包括以下步骤：

S1：搭载多模态传感器组合，用于从不同角度和不同模式下收集环境数据；

S2：通过深度学习算法对收集到的多模态数据进行实时融合，生成对环境的三维动态建模；

S3：将三维动态模型与预先存储的地理信息数据库进行匹配，用于确认无人机的实时位置和周围对象，基于匹配结果，调整无人机的飞行轨迹，以避开障碍物和优化飞行性能；

S4：通过动态权重调整模块，实时监控无人机的能量消耗和传感器数据质量，根据当前飞行条件自动调整各传感器的采样频率和深度学习算法的计算复杂度，以平衡准确性和能耗；

S5：通过无线通信模块，将所有实时数据和模型发送到地面控制站，以供进一步分析和决策。

进一步的，所述多模态传感器组合包括激光雷达、可见光摄像头、红外摄像头、和气象传感器，其中，

激光雷达位于无人机底部中心，用于进行地面扫描和障碍物高度测量；

可见光摄像头和红外摄像头按照预设角度布局，用于全方位捕捉环境视觉信息；

气象传感器位于无人机顶部，以避免受到飞行器自身气流的干扰，用于实时获取温度、湿度、风速气象条件；

传感器数据通过时间戳和地理标签进行同步，以支持高度准确的数据融合和分析。

进一步的，所述S2具体包括：

S21：设置高频率数据采集和传输模块，支持每秒20次的物理球空间扫描，同时利用图形处理单元（GPU）的硬件加速，使其在50毫秒内完成数据处理，对激光雷达、可见光摄像头、红外摄像头和气象传感器收集到的数据分别进行预处理，预处理包括滤波、去噪、标准化和时间戳对齐；

S22：使用多模态融合神经网络，该网络具有多个输入分支，分别对应各个传感器的数据，该网络还具有共享的特征提取层用于生成统一的特征表示；

S23：多模态融合神经网络还包括三维动态环境建模模块，该模块接收来自特征提取层的统一特征表示，并输出一个三维动态模型，该模型用于描述无人机周围环境的几何和动态信息。

进一步的，所述S22具体包括：

S221：每个输入分支配有独立的特征学习层，用于处理来自各自传感器的数据；

S222：包括一个数据对齐层，用于对来自不同传感器的数据在时间和空间上进行正确对齐，减少数据不一致带来的误差；

S223：共享特征提取层后进入预设的注意力机制，该机制权衡各个输入分支的重要性，以便在复杂或不确定的环境下生成统一的特征表示；

所述S23中的三维动态模型具体：

S231：接收来自共享特征提取层的统一特征表示；

S232：将统一特征表示输入到预训练的三维卷积神经网络中，该网络专门设计用于分析和解释三维数据结构；

S233：三维卷积神经网络（3D-CNN）通过多层卷积、池化和全连接层，生成包含物体几何形状、位置、动态状态和环境条件信息的三维动态模型。

进一步的，所述S3具体包括：

S31：将三维动态模型与一个预先存储的地理信息数据库进行匹配；

S32：使用地理信息匹配算法，该算法接收地理信息数据库和地理信息数据库作为输入，并输出一个匹配分数以及无人机的预测地理坐标；

S33：基于匹配分数，判断匹配的准确性，并在匹配分数低于预设阈值时触发警报或重新计算模型；

S34：通过匹配过程，识别无人机周围的关键地标或对象，并据此调整无人机的飞行轨迹或操作参数，以避开障碍物和优化飞行性能。

进一步的，所述地理信息匹配算法具体如下：

设

特征转换：

其中/>

匹配分数计算：

其中/>

位置预测和阈值判断：

，则输出d的预测坐标s，否则将触发警报或重新计算；

其中

进一步的，所述S34具体包括：

S341：计算无人机与周围对象

S342：若

S343：基于

S344：实时地将

S345：记录紧急避障程序触发的次数和情况，用于后续的飞行数据分析和模型优化。

进一步的，所述S4具体包括：

S41：实时监控无人机的能量消耗

S42：根据当前飞行条件

S43：遗传算法根据权重参数

该权重参数根据飞行条件/>

S44：根据计算出的

S45：将

进一步的，所述S5中的无线通信模块基于5G高速无线通信协议，将无人机上的多模态传感器组合收集的实时数据，以及动态权重调整模块处理后得到的三维动态模型实时发送到地面控制站。

进一步的，所述无线通信模块内嵌AES-256加密算法，以确保数据的安全性和完整性。

本发明的有益效果：

本发明，通过集成多模态传感器（包括激光雷达、可见光摄像头、红外摄像头和气象传感器等）和实时深度学习数据融合算法，实现了无人机对环境的全方位、高精度感知，不仅提高了无人机环境模型的准确性，还通过构建三维动态环境模型，提供了一种全新的方式来理解和互动环境。

本方法，通过动态权重调整模块，能够实时监控无人机的能量消耗和传感器数据质量，这一设计允许系统自动调整传感器的采样频率和算法的计算复杂度，平衡模型的准确性与能耗，同时，通过与地理信息数据库的高级匹配算法，无人机能够动态地调整飞行路径和操作参数，实现了对飞行性能和安全性的双重优化。

本发明，通过高速无线通信模块，使无人机能够将所有实时数据和模型实时传输到地面控制站，不仅提供了对无人机状态的实时远程监控，还允许地面控制站进行更进一步的数据分析和决策，增强了整个系统的灵活性和响应能力。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的实时建模方法示意图；

图2为本发明实施例的数据匹配流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如图1所示，一种无人机飞行环境实时建模方法，包括以下步骤：

S1：搭载多模态传感器组合，用于从不同角度和不同模式下收集环境数据；

S2：通过深度学习算法对收集到的多模态数据进行实时融合，生成对环境的三维动态建模；

S3：将三维动态模型与预先存储的地理信息数据库进行匹配，用于确认无人机的实时位置和周围对象，基于匹配结果，调整无人机的飞行轨迹，以避开障碍物和优化飞行性能；

S4：通过动态权重调整模块，实时监控无人机的能量消耗和传感器数据质量，根据当前飞行条件自动调整各传感器的采样频率和深度学习算法的计算复杂度，以平衡准确性和能耗；

S5：通过无线通信模块，将所有实时数据和模型发送到地面控制站，以供进一步分析和决策；

其中，每一步骤都通过无人机上的嵌入式处理单元完成，以确保低延迟和高准确性。

多模态传感器组合包括激光雷达、可见光摄像头、红外摄像头、和气象传感器，其中，

激光雷达位于无人机底部中心，用于进行地面扫描和障碍物高度测量；

可见光摄像头和红外摄像头按照预设角度布局，例如，前方45度、左侧45度和右侧45度，用于全方位捕捉环境视觉信息；

气象传感器位于无人机顶部，以避免受到飞行器自身气流的干扰，用于实时获取温度、湿度、风速气象条件；

传感器数据通过时间戳和地理标签进行同步，以支持高度准确的数据融合和分析；

具体展开了多模态传感器组合是如何从不同角度和不同模式下收集环境数据的。这样的传感器布局不仅提供了全方位、多角度的环境感知能力，还解决了数据同步和准确性的问题，从而进一步提高了无人机飞行环境的实时建模准确性。

S2具体包括：

S21：设置高频率数据采集和传输模块，支持每秒20次的物理球空间扫描，同时利用图形处理单元（GPU）的硬件加速，使其在50毫秒内完成数据处理，对激光雷达、可见光摄像头、红外摄像头和气象传感器收集到的数据分别进行预处理，预处理包括滤波、去噪、标准化和时间戳对齐；

S22：使用多模态融合神经网络，该网络具有多个输入分支，分别对应各个传感器的数据，该网络还具有共享的特征提取层用于生成统一的特征表示；

S23：多模态融合神经网络还包括三维动态环境建模模块，该模块接收来自特征提取层的统一特征表示，并输出一个三维动态模型，该模型用于描述无人机周围环境的几何和动态信息；

通过这样的深度学习算法设计，实现了对多模态数据的高效、实时融合，并成功构建了一个环境三维动态模型。这不仅提高了模型的准确性，也增加了系统的适应性，使无人机能够在多种复杂环境下进行有效和安全的飞行。

S22具体包括：

S221：每个输入分支配有独立的特征学习层，用于处理来自各自传感器的数据；

S222：包括一个数据对齐层，用于对来自不同传感器的数据在时间和空间上进行正确对齐，减少数据不一致带来的误差；

S223：共享特征提取层后进入预设的注意力机制，该机制权衡各个输入分支的重要性，以便在复杂或不确定的环境下生成统一的特征表示；

S23中的三维动态模型具体：

S231：接收来自共享特征提取层的统一特征表示；

S232：将统一特征表示输入到预训练的三维卷积神经网络（3D-CNN）中，该网络专门设计用于分析和解释三维数据结构；

三维卷积神经网络（3D-CNN）基本模型表示如下：

设

三维卷积层：

其中/>

三维池化层：

其中MaxPooling是二维最大池化操作；

全连接层：

其中/>

最终，三维动态模型

其中Decoder是一个解码函数，用于从

S233：三维卷积神经网络（3D-CNN）通过多层卷积、池化和全连接层，生成包含物体几何形状、位置、动态状态和环境条件信息的三维动态模型。

如图2所示，S3具体包括：

S31：将三维动态模型与一个预先存储的地理信息数据库进行匹配；

S32：使用地理信息匹配算法，该算法接收地理信息数据库和地理信息数据库作为输入，并输出一个匹配分数以及无人机的预测地理坐标；

S33：基于匹配分数，判断匹配的准确性，并在匹配分数低于预设阈值时触发警报或重新计算模型；

S34：通过匹配过程，识别无人机周围的关键地标或对象，并据此调整无人机的飞行轨迹或操作参数，以避开障碍物和优化飞行性能。

以上明确了如何将生成的三维动态模型与预先存储的地理信息数据库进行精确匹配，以确认无人机的实时位置和周围对象，这不仅增加了系统对无人机位置的精确度，还提供了一种机制，用于在复杂或不明确的环境条件下进一步验证和优化无人机的飞行路径，通过地理信息匹配算法和匹配分数的应用，系统能够自适应地调整并提高其性能和安全性。

地理信息匹配算法具体如下：

设

特征转换：

其中/>

匹配分数计算：

其中/>

位置预测和阈值判断：

，则输出d的预测坐标s，否则将触发警报或重新计算；

其中

S34具体包括：

S341：计算无人机与周围对象

S342：若

S343：基于

S344：实时地将

S345：记录紧急避障程序触发的次数和情况，用于后续的飞行数据分析和模型优化；

以上给出了如何在发现障碍物太近的情况下，实时地调整无人机的飞行路径和参数，从而避开障㖊物，这是通过使用

S4具体包括：

S41：实时监控无人机的能量消耗

S42：根据当前飞行条件

S43：遗传算法根据权重参数

该权重参数根据飞行条件/>

S44：根据计算出的

S45：将

通过实时地监控和调整传感器的采样频率以及深度学习算法的计算复杂度，实现了在保证飞行安全性和数据准确性的同时，有效地管理和节约能量消耗。这进一步提升了无人机在长时段、复杂环境下的可行性和可靠性。

S5中的无线通信模块基于5G高速无线通信协议，将无人机上的多模态传感器组合收集的实时数据，以及动态权重调整模块处理后得到的三维动态模型实时发送到地面控制站。

无线通信模块内嵌AES-256加密算法，以确保数据的安全性和完整性。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。