一种面向非结构化环境的无人装备在线建模与自适应推演方法及系统与流程
本发明涉及无人装备智能控制,更具体的说是涉及一种面向非结构化环境的无人装备在线建模与自适应推演方法及系统。
背景技术:
1、随着无人装备在复杂非结构化环境中的自主作业需求日益增长,在线环境建模与自适应推演成为实现安全高效决策的关键技术。非结构化环境下存在地形起伏、植被遮挡、光照变化及沙尘雨雪等恶劣气候条件,无人装备搭载的激光雷达、视觉相机、毫米波雷达等多模态异构传感器的观测数据常出现信噪比骤降、数据缺失及时间戳失准等退化现象,单一传感模态难以在全工况下保持稳定感知能力。同时,在无北斗/无先验地图的区域,传统基于固定模型的环境建模方法无法适应场景的在线动态变化,累积漂移问题严重制约了长航时作业精度。
2、现有技术中,多传感器融合方法通常采用固定加权或简单投票策略,缺乏对传感器实时数据质量的动态感知与自适应选取能力,亦未针对恶劣环境下的退化模态设计恢复增强机制。环境建模方面,主流方法依赖离线构建的先验地图或北斗提供的绝对定位信息,在无外部定位信号的条件下难以建立全局一致的环境表示。推演预测方面,基于纯物理机理的模型难以覆盖复杂环境中的非线性不确定性,而纯数据驱动方法则在样本稀疏场景下泛化性能不足,且推演过程缺乏基于实测反馈的在线校正与参数自学习能力。此外,环境模型更新与推演参数修正通常分离进行,未能形成协同优化闭环,导致模型失配时推演偏差持续累积,最终影响路径规划与决策控制的安全可靠性。
3、因此,如何提供一种能够实现多模态传感器自适应感知、无外部定位信号下全局一致性在线建模、混合驱动推演与实测反馈协同修正的无人装备在线建模与自适应推演方法及系统是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种面向非结构化环境的无人装备在线建模与自适应推演方法及系统,通过构建多模态传感器质量评价与自适应选取机制、基于核方法的高斯过程增量式建模方法以及物理机理与数据驱动融合的混合推演与双时间尺度协同校正策略,实现在无外部定位信号的非结构化环境下无人装备环境模型的全局一致性在线构建与推演参数的闭环自适应更新,确保无人装备在复杂动态场景中自主决策的准确性与可靠性。
2、为了实现上述目的,本发明采用如下技术方案:
3、一方面,本发明提供了一种面向非结构化环境的无人装备在线建模与自适应推演方法,包括:
4、获取无人装备上多模态异构传感器的原始观测数据,并实时计算各传感模态在当前时空窗口下的质量评价指标;
5、将所述质量评价指标映射为各模态的置信度分数,根据所述置信度分数与预设动态阈值的比较结果,自适应选取主感知模态与辅助感知模态组合,并根据比较结果对选出的模态数据执行恶劣环境下的退化恢复增强处理,得到增强后的多源融合数据;
6、将增强后的多源融合数据输入至增量式特征提取器,通过核方法将非结构化的原始观测数据映射至再生核希尔伯特空间,动态构建环境特征的高斯过程先验,递推更新全局一致性的分层环境模型,并将当前时刻更新后的模型参数作为后续推演的初始状态进行存储;
7、以分层环境模型为初始状态,生成多时间尺度环境演化假设路径,构建物理机理项与数据驱动残差项加权组合的混合驱动推演方程,在推演滚动优化过程中,根据实时观测似然度计算当前时刻的状态偏差,利用所述状态偏差对推演方程中的预测状态量进行即时滚动校正;
8、采集推演后的实际反馈数据,计算推演输出轨迹与实际反馈轨迹之间的预测残差;根据所述预测残差的统计特性,分别对所述高斯过程先验的超参数和所述混合驱动推演方程的物理机理项固定偏差系数进行协同在线修正;
9、根据修正后的环境模型参数和混合驱动方程,重新计算各假设路径的期望轨迹及置信区间,并基于更新后的推演结果选取综合代价最小的路径,生成控制决策指令输出至无人装备的执行机构。
10、优选的,所述质量评价指标包括各传感模态的信号信噪比、数据完整率、时间戳对齐偏差以及环境干扰强度中的至少一项。
11、优选的,所述将质量评价指标映射为各模态的置信度分数,包括:
12、基于各模态的历史性能统计分布,建立质量评价指标与置信度分数之间的单调映射函数;
13、当某一模态的置信度分数高于所述预设动态阈值的上界时,将所述模态确定为主感知模态;
14、当置信度分数介于所述动态阈值的下界与上界之间时,将所述模态确定为辅助感知模态;
15、当置信度分数低于所述下界时,将所述模态标记为退化模态并触发所述退化恢复增强处理。
16、优选的,所述通过核方法将非结构化的原始观测数据映射至再生核希尔伯特空间,动态构建环境特征的高斯过程先验,具体包括:
17、采用由径向基核与多项式核加权组合构成的混合核函数,将增强后的多源融合数据映射至高维再生核希尔伯特空间;
18、在映射空间中提取环境的几何结构特征、纹理分布特征与可通行性特征,基于提取的特征构建零均值高斯过程先验,并通过增量式稀疏逼近方法更新高斯过程的超参数与支持向量集,约束模型计算复杂度。
19、优选的,所述递推更新全局一致性的分层环境模型,具体包括:
20、所述分层环境模型由下至上依次为栅格特征层、语义拓扑层与全局约束层;其中栅格特征层存储局部区域的细粒度环境特征参数,语义拓扑层存储场景语义类别与拓扑连接关系,全局约束层存储基于因子图优化的位姿与特征匹配约束;
21、基于相邻帧观测的特征匹配结果构建帧间位姿约束,结合回环检测结果构建全局一致性约束,通过增量式因子图优化递推更新各层级的模型参数,进行无外部定位信号下的环境模型全局一致更新。
22、优选的,所述在推演滚动优化过程中,根据实时观测似然度计算当前时刻的状态偏差,利用状态偏差对推演方程中的预测状态量进行即时滚动校正,具体包括:
23、在每个推演滚动窗口内,将实时观测数据输入更新后的分层环境模型,计算当前观测相对于推演预测状态的似然度;
24、当似然度低于预设校正阈值时,基于卡尔曼滤波框架计算当前时刻状态偏差的最优估计值,并利用所述状态偏差分别生成状态修正项和模型修正项;
25、将所述状态修正项作用于推演方程的当前预测状态量上,进行即时状态重置;
26、同时将所述模型修正项反馈至所述混合驱动推演方程的物理机理项中,对机理模型中的待定参数或状态转移矩阵进行在线微调,使后续推演步长内的预测状态自动逼真实测趋势;
27、当似然度高于预设校正阈值时,保留原推演预测状态量及机理模型参数,不执行校正与微调操作。
28、优选的,所述根据预测残差的统计特性,分别对高斯过程先验的超参数和混合驱动推演方程的物理机理项固定偏差系数进行协同在线修正,具体包括:
29、采用双时间尺度协同修正机制:
30、在慢时间尺度上,基于长滑动窗口内预测残差的统计均值与方差,通过极大似然估计更新所述高斯过程先验的核函数超参数与噪声超参数,以更新无人装备对非结构化环境的基础认知模型;
31、在快时间尺度上,基于短滑动窗口内预测残差的累积均值漂移趋势,通过递推最小二乘法在线估计所述物理机理项中由传感器长期零漂或机构磨损引起的稳态固定偏差系数的最优稳态估计值;将所述稳态估计值作为所述即时微调操作的基准参考零位进行下发,使即时动态补偿围绕修正后的准确基准值执行;
32、根据快慢时间尺度的修正结果,通过共享状态协方差矩阵对所述混合驱动推演方程中物理机理项与数据驱动残差项的融合权重系数进行协同调整。
33、另一方面,本发明提供了一种面向非结构化环境的无人装备在线建模与自适应推演系统,包括:
34、数据采集模块,用于获取无人装备上多模态异构传感器的原始观测数据,并实时计算各传感模态在当前时空窗口下的质量评价指标;
35、增强融合模块,用于将所述质量评价指标映射为各模态的置信度分数,根据所述置信度分数与预设动态阈值的比较结果,自适应选取主感知模态与辅助感知模态组合,并根据比较结果对选出的模态数据执行恶劣环境下的退化恢复增强处理,得到增强后的多源融合数据;
36、环境建模模块,用于将增强后的多源融合数据输入至增量式特征提取器,通过核方法将非结构化的原始观测数据映射至再生核希尔伯特空间,动态构建环境特征的高斯过程先验,在无北斗和其他先验地图条件下递推更新全局一致性的分层环境模型,并将当前时刻更新后的模型参数作为后续推演的初始状态进行存储;
37、推演与校正模块,用于以分层环境模型为初始状态,生成多时间尺度环境演化假设路径,构建物理机理项与数据驱动残差项加权组合的混合驱动推演方程,在推演滚动优化过程中,根据实时观测似然度计算当前时刻的状态偏差,利用所述状态偏差对推演方程中的预测状态量进行即时滚动校正;
38、在线修正模块,用于采集推演后的实际反馈数据,计算推演输出轨迹与实际反馈轨迹之间的预测残差;根据所述预测残差的统计特性,分别对所述高斯过程先验的超参数和所述混合驱动推演方程的物理机理项固定偏差系数进行协同在线修正;
39、决策输出模块,用于根据修正后的环境模型参数和混合驱动方程,重新计算各假设路径的期望轨迹及置信区间,并基于更新后的推演结果选取综合代价最小的路径,生成控制决策指令输出至无人装备的执行机构。
40、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种面向非结构化环境的无人装备在线建模与自适应推演方法及系统,通过构建多模态传感器质量评价指标与置信度分数的动态映射机制,结合预设动态阈值实现主/辅感知模态的自适应选取,并针对退化模态执行恶劣环境下的恢复增强处理,有效克服了单一模态在沙尘、雨雪、低光照等恶劣条件下的感知失效问题,显著提升了复杂环境下多源融合数据的鲁棒性与可用性。利用核方法将非结构化观测数据映射至再生核希尔伯特空间,动态构建环境特征的高斯过程先验,并结合增量式因子图优化递推更新栅格特征层、语义拓扑层与全局约束层构成的分层环境模型,在无北斗、其他先验地图条件下实现了全局一致的环境表示,有效抑制了长航时作业中的累积漂移。进一步,本发明构建物理机理项与数据驱动残差项加权组合的混合驱动推演方程,兼顾了机理模型的可靠性与数据驱动的自适应能力;通过滚动优化过程中的即时状态校正与双时间尺度协同参数修正,实现了环境模型与推演方程的自适应闭环更新,显著提升了长时域推演精度与路径规划的安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com