本發(fā)明屬于自動(dòng)駕駛，具體涉及無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法、存儲介質(zhì)及應(yīng)用。

背景技術(shù)：

1、現(xiàn)有的無人機(jī)姿態(tài)識別技術(shù)多依賴于慣性測量單元imu或視覺傳感器進(jìn)行實(shí)時(shí)姿態(tài)估計(jì)，但這些傳統(tǒng)方法在復(fù)雜環(huán)境中的魯棒性和適應(yīng)性相對較差，尤其是在高動(dòng)態(tài)飛行或環(huán)境干擾較大的情況下，容易出現(xiàn)誤差，進(jìn)而影響飛行安全。因此，如何基于無人機(jī)自身姿態(tài)的實(shí)時(shí)數(shù)據(jù)，進(jìn)行準(zhǔn)確的風(fēng)險(xiǎn)識別并及時(shí)作出反應(yīng)，是提升無人機(jī)飛行安全性的核心技術(shù)問題。

2、目前，針對無人機(jī)姿態(tài)識別的研究主要集中在傳感器數(shù)據(jù)處理和算法優(yōu)化兩方面。傳統(tǒng)的姿態(tài)識別方法基于慣性測量單元數(shù)據(jù)，通過加速度計(jì)、陀螺儀等傳感器對無人機(jī)的姿態(tài)進(jìn)行估計(jì)。然而，這些方法在飛行過程中容易受到傳感器噪聲、漂移誤差、磁場干擾等因素的影響，尤其是在快速飛行和動(dòng)態(tài)變化環(huán)境下，精度難以保證。而基于視覺的姿態(tài)估計(jì)方法，雖然能夠提供較為精確的空間定位信息，但在低光照、遮擋或復(fù)雜背景中，性能明顯下降。因此，傳統(tǒng)方法往往無法全面滿足復(fù)雜環(huán)境下對姿態(tài)識別的高精度要求。

3、隨著深度學(xué)習(xí)技術(shù)的迅速發(fā)展，基于人工智能的姿態(tài)識別算法逐漸成為一種有效的解決方案。尤其是長短期記憶網(wǎng)絡(luò)lstm，因其在處理時(shí)間序列數(shù)據(jù)方面的優(yōu)勢，能夠克服傳統(tǒng)方法在動(dòng)態(tài)環(huán)境中處理長期依賴性數(shù)據(jù)的不足。lstm網(wǎng)絡(luò)能夠分析無人機(jī)歷史飛行數(shù)據(jù)中的時(shí)間模式，識別出飛行過程中姿態(tài)的潛在風(fēng)險(xiǎn)。例如，lstm可以通過分析無人機(jī)在某一時(shí)刻的姿態(tài)數(shù)據(jù)，結(jié)合其歷史飛行狀態(tài)，預(yù)測出未來幾秒鐘內(nèi)可能出現(xiàn)的姿態(tài)異常，從而提前做出反應(yīng)。此外，結(jié)合多傳感器數(shù)據(jù)融合技術(shù)，lstm可以有效地將不同傳感器如imu、視覺傳感器、gps等的數(shù)據(jù)進(jìn)行融合，進(jìn)一步提升姿態(tài)風(fēng)險(xiǎn)識別的準(zhǔn)確性和魯棒性。盡管這些方法在一定程度上提高了姿態(tài)識別的精度，但仍然存在一些問題。首先，深度學(xué)習(xí)模型通常需要大量標(biāo)注數(shù)據(jù)來進(jìn)行訓(xùn)練，而這些數(shù)據(jù)的收集和標(biāo)注既繁瑣又成本高，尤其是在特殊飛行場景下，標(biāo)注數(shù)據(jù)的不足可能會影響模型的訓(xùn)練效果。其次，lstm模型的計(jì)算復(fù)雜度較高，對于實(shí)時(shí)性要求較高的無人機(jī)系統(tǒng)，可能會導(dǎo)致處理延遲，影響飛行決策的及時(shí)性。此外，盡管多傳感器融合技術(shù)能夠減少單一傳感器的誤差，但不同傳感器的誤差特性和數(shù)據(jù)格式差異仍然可能導(dǎo)致數(shù)據(jù)融合過程中的不一致性，從而影響識別結(jié)果的準(zhǔn)確性和魯棒性?？傊F(xiàn)有方法仍面臨著數(shù)據(jù)需求大、實(shí)時(shí)性差以及傳感器融合難度高等挑戰(zhàn)，需要進(jìn)一步優(yōu)化和創(chuàng)新以適應(yīng)復(fù)雜飛行環(huán)境的要求。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法、存儲介質(zhì)及應(yīng)用。

2、本發(fā)明解決其技術(shù)問題采用的技術(shù)方案如下：無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，步驟如下：

3、s1、數(shù)據(jù)的接收，實(shí)時(shí)接收無人機(jī)飛行過程中的狀態(tài)數(shù)據(jù)；

4、s2、數(shù)據(jù)的預(yù)處理，進(jìn)行數(shù)據(jù)預(yù)處理與標(biāo)準(zhǔn)化后，采用滑動(dòng)時(shí)間窗口重組狀態(tài)數(shù)據(jù)，構(gòu)造出以固定長度窗口劃定狀態(tài)數(shù)據(jù)表示下一時(shí)刻無人機(jī)的狀態(tài)張量格式，作為輸入數(shù)據(jù)；

5、s3、特征提取，先采用來自多個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)的卷積核分別對輸入數(shù)據(jù)進(jìn)行不同空間維度特征提取，再采用bi-lstm網(wǎng)絡(luò)對卷積后的數(shù)據(jù)進(jìn)一步進(jìn)行時(shí)間序列特征提取以捕捉狀態(tài)序列中的長期依賴性信息，并結(jié)合多頭注意力機(jī)制將輸出拼接，得到增強(qiáng)的特征表示；

6、s4、特征整合與最終狀態(tài)預(yù)測，通過長短期記憶網(wǎng)絡(luò)lstm進(jìn)行特征的最終整合，并輸出無人機(jī)下一時(shí)刻的狀態(tài)預(yù)測值或風(fēng)險(xiǎn)分類結(jié)果。

7、優(yōu)選地，步驟s1中，狀態(tài)數(shù)據(jù)包括但不限于航向角、滾轉(zhuǎn)角、偏航角速度、總速度、油門開度和舵角。

8、優(yōu)選地，步驟s2中，先根據(jù)多維狀態(tài)數(shù)據(jù)通過非線性離散映射表示出下一時(shí)刻無人機(jī)的狀態(tài)量，再利用z-score標(biāo)準(zhǔn)化方法進(jìn)行狀態(tài)數(shù)據(jù)的歸一化處理；然后采用滑動(dòng)時(shí)間窗口從頭至尾滑動(dòng)依次形成新樣本的方式處理。

9、優(yōu)選地，步驟s2中，根據(jù)航向角、偏航角速度、滾轉(zhuǎn)角、總速度、油門開度和舵角，將下一時(shí)刻無人機(jī)的狀態(tài)量表示為：

10、；

11、其中，表示時(shí)刻的狀態(tài)量；表示時(shí)刻的輸入量，為其非線性離散映射；

12、考慮無人機(jī)運(yùn)動(dòng)狀態(tài)具有周期規(guī)律，采用滑動(dòng)時(shí)間窗口取樣，無人機(jī)狀態(tài)信息預(yù)測關(guān)系式表示：

13、；

14、即無人機(jī)模型識別以及預(yù)測輸入：；

15、式中：，為經(jīng)過滑動(dòng)時(shí)間窗處理時(shí)刻無人機(jī)的狀態(tài)量；為無人機(jī)預(yù)測模型，能夠基于當(dāng)前狀態(tài)和控制輸入預(yù)測出下一時(shí)刻的狀態(tài)；是滑動(dòng)時(shí)間窗處理后狀態(tài)量；是滑動(dòng)時(shí)間窗處理后輸入量。

16、優(yōu)選地，步驟s3中，采用多組一維卷積神經(jīng)網(wǎng)絡(luò)分別按照狀態(tài)數(shù)據(jù)的不同維度進(jìn)行多維特征提取。

17、優(yōu)選地，步驟s3中，bi-lstm由多個(gè)lstm單元組成，每個(gè)單元包含遺忘門、輸入門和輸出門，以進(jìn)行信息篩選與更新；組合層將前后項(xiàng)lstm單元計(jì)算的輸出狀態(tài)進(jìn)行向量疊加。

18、優(yōu)選地，多頭注意力機(jī)制中，采用縮放點(diǎn)積注意力，使用softmax層將查詢矩陣與鍵矩陣點(diǎn)積運(yùn)算獲得權(quán)重值進(jìn)行歸一化后，與值矩陣進(jìn)行加權(quán)求和獲得注意力結(jié)果。

19、優(yōu)選地，利用基線法設(shè)定安全風(fēng)險(xiǎn)閾值，并計(jì)算和確定各個(gè)狀態(tài)變量的風(fēng)險(xiǎn)包絡(luò)分布用于風(fēng)險(xiǎn)分類。

20、存儲介質(zhì)，存儲有能夠執(zhí)行上述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法的程序。

21、無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法的應(yīng)用，將上述的存儲介質(zhì)以模塊化部署于嵌入式目標(biāo)平臺中或者部署至外掛式計(jì)算模塊中。

22、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

23、1、本發(fā)明明確提出了一種基于增強(qiáng)bi-lstm的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其可有效提取狀態(tài)時(shí)序特征，具有較強(qiáng)的預(yù)測精度與魯棒性，該方法通過實(shí)時(shí)獲取無人機(jī)的狀態(tài)數(shù)據(jù)，確定無人機(jī)運(yùn)動(dòng)狀態(tài)的安全范圍，針對無人機(jī)的多維運(yùn)動(dòng)狀態(tài)信息，利用基線法設(shè)定安全風(fēng)險(xiǎn)閾值，明確風(fēng)險(xiǎn)區(qū)域的邊界，并計(jì)算和確定各個(gè)狀態(tài)變量的風(fēng)險(xiǎn)包絡(luò)分布，以此識別潛在風(fēng)險(xiǎn)；

24、2、采用滑動(dòng)時(shí)間窗口取樣并滑動(dòng)進(jìn)行的方式所構(gòu)建的預(yù)測關(guān)系，可有效捕獲無人機(jī)狀態(tài)數(shù)據(jù)的時(shí)序動(dòng)態(tài)特征，提高預(yù)測的準(zhǔn)確性與穩(wěn)定性；

25、3、使用了一維卷積神經(jīng)網(wǎng)絡(luò)與增強(qiáng)的bi-lstm網(wǎng)絡(luò)聯(lián)合使用的方法進(jìn)行特征提取，一維卷積網(wǎng)絡(luò)用于有效提取不同時(shí)間序列之間的空間特征，增強(qiáng)的bi-lstm則捕獲序列的長期時(shí)間依賴特征，二者協(xié)同工作，形成高效的序列空間與時(shí)間雙維度特征提取機(jī)制的增強(qiáng)雙向長短期記憶網(wǎng)絡(luò)模型iblstm，有效降低了復(fù)雜環(huán)境下無人機(jī)自主駕駛系統(tǒng)的風(fēng)險(xiǎn)，提高了無人機(jī)控制系統(tǒng)的安全性與決策的實(shí)時(shí)準(zhǔn)確性；

26、綜上，本申請中風(fēng)險(xiǎn)識別方法，可有效捕獲無人機(jī)狀態(tài)數(shù)據(jù)的時(shí)序動(dòng)態(tài)特征，提高預(yù)測的準(zhǔn)確性與穩(wěn)定性，有效降低了復(fù)雜環(huán)境下無人機(jī)自主駕駛系統(tǒng)的風(fēng)險(xiǎn)，提高了無人機(jī)控制系統(tǒng)的安全性與決策的實(shí)時(shí)準(zhǔn)確性。

技術(shù)特征：

1.無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟如下：

2.根據(jù)權(quán)利要求1所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟s1中，狀態(tài)數(shù)據(jù)包括但不限于航向角、滾轉(zhuǎn)角、偏航角速度、總速度、油門開度和舵角。

3.根據(jù)權(quán)利要求2所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟s2中，先根據(jù)多維狀態(tài)數(shù)據(jù)通過非線性離散映射表示出下一時(shí)刻無人機(jī)的狀態(tài)量，再利用z-score標(biāo)準(zhǔn)化方法進(jìn)行狀態(tài)數(shù)據(jù)的歸一化處理；然后采用滑動(dòng)時(shí)間窗口從頭至尾滑動(dòng)依次形成新樣本的方式處理。

4.根據(jù)權(quán)利要求3所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟s2中，

5.根據(jù)權(quán)利要求4所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟s3中，采用多組一維卷積神經(jīng)網(wǎng)絡(luò)分別按照狀態(tài)數(shù)據(jù)的不同維度進(jìn)行多維特征提取。

6.根據(jù)權(quán)利要求5所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，步驟s3中，bi-lstm由多個(gè)lstm單元組成，每個(gè)單元包含遺忘門、輸入門和輸出門，以進(jìn)行信息篩選與更新；組合層將前后項(xiàng)lstm單元計(jì)算的輸出狀態(tài)進(jìn)行向量疊加。

7.根據(jù)權(quán)利要求6所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，多頭注意力機(jī)制中，采用縮放點(diǎn)積注意力，使用softmax層將查詢矩陣與鍵矩陣點(diǎn)積運(yùn)算獲得權(quán)重值進(jìn)行歸一化后，與值矩陣進(jìn)行加權(quán)求和獲得注意力結(jié)果。

8.根據(jù)權(quán)利要求7所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法，其特征在于，利用基線法設(shè)定安全風(fēng)險(xiǎn)閾值，并計(jì)算和確定各個(gè)狀態(tài)變量的風(fēng)險(xiǎn)包絡(luò)分布用于風(fēng)險(xiǎn)分類。

9.存儲介質(zhì)，其特征在于，存儲有能夠執(zhí)行如權(quán)利要求1-8任一所述的無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法的程序。

10.無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法的應(yīng)用，其特征在于，如權(quán)利要求9所述的存儲介質(zhì)以模塊化部署于嵌入式目標(biāo)平臺中或者部署至外掛式計(jì)算模塊中。

技術(shù)總結(jié)
本發(fā)明屬于自動(dòng)駕駛技術(shù)領(lǐng)域，具體涉及無人機(jī)定位跟蹤風(fēng)險(xiǎn)識別方法、存儲介質(zhì)及應(yīng)用。實(shí)時(shí)接收無人機(jī)飛行過程中的狀態(tài)數(shù)據(jù)；數(shù)據(jù)預(yù)處理與標(biāo)準(zhǔn)化后，采用滑動(dòng)時(shí)間窗口重組狀態(tài)數(shù)據(jù)，構(gòu)造出下一時(shí)刻無人機(jī)的狀態(tài)張量格式；采用一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合雙向長短期記憶網(wǎng)絡(luò)進(jìn)行特征提取；特征整合與最終狀態(tài)預(yù)測。該方法針對無人機(jī)的多維運(yùn)動(dòng)狀態(tài)信息，采用滑動(dòng)時(shí)間窗口取樣并滑動(dòng)進(jìn)行的方式構(gòu)建預(yù)測關(guān)系，結(jié)合高效的序列空間與時(shí)間雙維度特征提取機(jī)制，提高預(yù)測的準(zhǔn)確性與穩(wěn)定性，提高了無人機(jī)控制系統(tǒng)的安全性與決策的實(shí)時(shí)準(zhǔn)確性。

技術(shù)研發(fā)人員：楊智博,孫繼一,張浩晢,呂成興,王素珍,陳健,王言前,朱澤華
受保護(hù)的技術(shù)使用者：青島理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15