一种无人机飞行环境实时建模方法技术

本发明专利技术涉及无人机飞行建模技术领域，具体涉及一种无人机飞行环境实时建模方法，包括以下步骤：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；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；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；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

【技术实现步骤摘要】
一种无人机飞行环境实时建模方法


[0001]本专利技术涉及无人机飞行建模
，尤其涉及一种无人机飞行环境实时建模方法
。

技术介绍

[0002]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
。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种无人机飞行环境实时建模方法，其特征在于，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
。2.
根据权利要求1所述的一种无人机飞行环境实时建模方法，其特征在于，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
。3.
根据权利要求2所述的一种无人机飞行环境实时建模方法，其特征在于，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
。4.
根据权利要求3所述的一种无人机飞行环境实时建模方法，其特征在于，所述
S22
中的多模态融合神经网络具体包括：
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，在复杂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包括：
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；
S233
：三维卷积神经网络通过多层卷积
、
池化和全连接层，生成包含物体几何形状
、<...

【专利技术属性】
技术研发人员：叶茂林，朱文耀，陈恳，陈建伟，
申请(专利权)人：浙江容祺科技有限公司，
类型：发明
国别省市：