一种地图任务元和状态特征融合的无人机任务识别方法技术

本发明专利技术提供一种地图任务元和状态特征融合的无人机任务识别方法，完成飞行地图的任务元映射，映射结果为每个栅格5类任务的占比；得到无人机飞行状态特征数据；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；对于没有记录任务类型的历史数据，将特征样本进行聚类，对聚类结果进行任务类别的映射；将特征数据和样本数据放到深度学习神经网络进行训练，并优化网络结构和参数；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；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。本发明专利技术将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。客观性和准确性。客观性和准确性。

【技术实现步骤摘要】
一种地图任务元和状态特征融合的无人机任务识别方法


[0001]本专利技术属于无人机
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]上述两个专利技术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。
[0007]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。

技术实现思路

[0008]本专利技术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。
[0009]本专利技术的具体技术方案为：
[0010]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：
[0011]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。
[0012]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。
[0013]识别方法具体步骤如下：
[0014]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
k
＝{m
k1
,m
k2
,m
k3
,m
k4
,m
k5
}，M
k
表示第k个栅格的5类任务分布情况，{m
k1
,...,m
k5
}分别为末端物流、航拍测绘、应急救援、农林植保、工业巡检5类任务在任务栅格的占比；
[0015]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
i
＝{x
i1
,x
i2
,x
i3
,x
i4
,x
i5
}，X
i
表示根据无人机的历史数据构造的某条特征向量，{x
i1
,...,x
i5
}分别表示5个构造特征；
[0016]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
i
；对于没有记录任务类型的历史数据，将特征样本X进行聚类，对聚类结果进行任务类别的映射，保证每条特征数据都有对应的标签值；
[0017]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；
[0018]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
j
＝{o
j1
,o
j2
,o
j3
,o
j4
,o
j5
}，其中O
j
表示无人机j的神经网络预测结果向量，{o
j1
,...,o
j5
}分别表示5类任务的预测概率；
[0019]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：
[0020]FP
jk
＝{αo
j1
+βm
k1
,αo
j2
+βm
k2
,αo
j3
+βm
k3
,αo
j4
+βm
k4
,αo
j5
+βm
k5
}
[0021]FP
jk
表示在栅格k运行的无人机j的各任务融合概率向量，α和β为融合系数，表示环境空间和飞行状态所占的比重。
[0022]其中，5类任务分别为：
[0023]A.末端物流：
[0024]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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
k
＝{m
k1
,m
k2
,m
k3
,m
k4
,m
k5
}，M
k
表示第k个栅格的5类任务分布情况，{m
k1
,...,m
k5
}分别为末端物流、航拍测绘、应急救援、农林植保、工业巡检5类任务在任务栅格的占比；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
i
＝{x
i1
,x
i2
,x
i3
,x
i4
,x
i5
}，X
i
表示根据无人机的历史数据构造的某条特征向量，{x
i1
,...,x
i5
}分别表示5个构造特征；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
i
；对于没有记录任务类型的历史数据，将特征样本X进行聚类，对聚类结果进行任务类别的映射，保证每条特征数据都有对应的标签值；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
j
＝{o
j1
,o
j2
,o
j3
,o
j4
,o
j5
}，其中O
j
表示无人机j的神经网络预测结果向量，{o
j1
,...,o
j5
}分别表示5类任务的预测概率；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
jk
＝{αo
j1
+βm
k1
,αo
j2
+βm
k2
,αo
j3
+βm
k3
,αo
j4
+βm
k4
,αo
j5
+βm

【专利技术属性】
技术研发人员：张祖耀，殷汶鑫，董佳琦，
申请(专利权)人：成都福瑞空天科技有限公司，
类型：发明
国别省市：