基于硬件能力感知的无人机任务动态风险矩阵生成方法与流程
本发明涉及低空风险管理,尤其涉及一种基于硬件能力感知的无人机任务动态风险矩阵生成方法。
背景技术:
1、低空经济规模化发展背景下,无人机作业场景日趋复杂,空域气象、地形、电磁、人口、法规约束实时动态变化,无人机机载硬件(动力、感知、导航、通信、计算单元)健康状态、硬件极限承载能力直接决定任务耐受风险阈值。现有无人机低空风险评估方案以地理环境、任务规则、人员管理风险为核心建模,未将无人机自身硬件实时性能、硬件故障衰减、硬件极限耐受能力作为风险矩阵核心维度,风险评估模型与飞行器本体硬件能力脱节,评估结果失真。
2、现有方法中依托静态gis栅格、ahp+熵权固定基础权重完成空域风险计算,仅简单引入无人机电池、姿态少量状态数据,存在以下技术缺陷:
3、风险矩阵静态固化,无硬件能力联动动态更新逻辑传统风险矩阵为预设二维固定表格,风险因子权重、风险分级阈值人工固定,仅随环境微调,不随无人机硬件实时能力自适应调整。
4、硬件能力与地球空间网格风险解耦,无耦合映射关系现有地球空间网格风险评估体系仅录入地理、气象静态属性,未将网格风险特征与无人机硬件极限耐受指标建立动态匹配关系;同一网格下,不同硬件状态无人机风险值完全一致,无法实现“一机一格一风险”精细化评估。
5、缺乏硬件能力智能体协同解析,多维风险割裂现有多智能体仅覆盖气象、法规、飞行状态,未独立设置硬件能力分析智能体,无法量化硬件故障、硬件极限短板对碰撞、失联、失控、载荷失效等风险的耦合放大效应,多维风险协同分析完整性缺失。
6、综上,现有技术未建立以无人机硬件实时能力感知为核心的动态风险矩阵生成逻辑,风险评估与飞行器本体硬件承载能力脱节,难以满足复杂低空动态任务下精准、实时、自适应的风险管控需求。
技术实现思路
1、本发明的目的在于提供一种基于硬件能力感知的无人机任务动态风险矩阵生成方法,旨在解决现有技术中的难以满足复杂低空动态任务下精准、实时、自适应的风险管控需求的技术问题。
2、为实现上述目的,本发明采用的一种基于硬件能力感知的无人机任务动态风险矩阵生成方法,包括如下步骤:
3、构建机载全硬件多维感知体系,采集八大机载硬件模块实时数据流,归一化量化得到无人机硬件能力特征向量,并构建包含各机型硬件极限耐受阈值的标准库;
4、对任务空域划分三维标准网格,建立网格静态/动态风险特征库,将网格环境参数与本机的硬件极限耐受阈值匹配计算硬件适配偏差系数,建立网格编码与硬件能力的双向耦合映射;
5、搭建六维风险ahp基础指标体系,构建带硬件时序风险标签的xgboost修正模型,融合网格环境数据、硬件特征向量、硬件适配偏差系数实时推理动态修正系数,对ahp基础权重进行哈达玛积修正与归一化,得到硬件适配动态风险权重;
6、构建包含独立硬件能力智能体的多智能体协同分析系统,各智能体共享风险数据池完成多维风险解析,以风险维度为行、空间网格为列,结合动态权重、网格风险特征、硬件适配偏差系数实时计算单元格风险分值,生成标准化无人机任务动态风险矩阵;
7、基于动态风险矩阵分别完成单点网格风险查询、航线分段综合风险评估、全域空域风险统计,映射生成三维网格风险热力图,并根据矩阵风险等级输出分级预警与航线动态优化指令。
8、其中,在构建机载全硬件多维感知体系,采集八大机载硬件模块实时数据流,归一化量化得到无人机硬件能力特征向量,并构建包含各机型硬件极限耐受阈值的标准库的步骤中:
9、对目标无人机平台的八大机载硬件模块进行建模,并为每个模块定义核心性能参数集合;其中,所述八大机载硬件模块包括:动力系统模块、能源系统模块、飞控与导航模块、通信模块、感知传感器模块、执行机构模块、机载计算模块、机体结构模块;
10、通过机载数据采集接口与传感器网络,以预设采样频率持续采集各硬件模块的实时运行数据流,输出多源异构实时数据流;其中,多源异构实时数据流包括电机转速与电流、电池电压与温度、imu姿态角与角速度、gnss信号强度与定位精度、通信链路信噪比与丢包率、雷达与视觉传感器的点云及图像数据、舵面偏转角与响应延迟、处理器负载与温度;
11、将多源异构实时数据流进行时间戳对齐与数据清洗,剔除异常值与噪声,并将各维度的原始物理量统一量化为0至1区间内的无量纲特征值,组合构成无人机硬件能力特征向量;
12、面向不同机型构建硬件极限耐受阈值的标准库,存储各机型在各硬件维度上的设计极限值与安全运行边界;其中设计极限值与安全运行边界包括最大抗风等级、最高工作海拔、极限过载能力、最大通信距离、电池安全温度区间、最大有效载荷。
13、其中,在对任务空域划分三维标准网格,建立网格静态/动态风险特征库,将网格环境参数与本机的硬件极限耐受阈值匹配计算硬件适配偏差系数,建立网格编码与硬件能力的双向耦合映射的步骤中:
14、将无人机任务空域划分为多个三维标准空间网格单元,为每个网格单元分配唯一的网格编码,建立空域空间索引体系;
15、对每个网格单元构建静态与动态风险特征库;其中,静态特征包括地形高程、建筑物高度与分布、人口密度、生态敏感区域、固定障碍物位置、空域分类等级,动态特征包括实时气象数据、风速风向、能见度、降水强度、临时限飞通告、动态障碍物轨迹;
16、针对当前无人机平台的硬件极限耐受阈值的标准库,逐一提取各硬件维度的极限能力值,并从对应网格单元的静态与动态风险特征库中读取该网格的环境参数值,计算各维度环境参数与硬件极限阈值之间的偏差程度,综合得到该网格单元的硬件适配偏差系数。
17、其中,在针对当前无人机平台的硬件极限耐受阈值的标准库,逐一提取各硬件维度的极限能力值,并从对应网格单元的静态与动态风险特征库中读取该网格的环境参数值,计算各维度环境参数与硬件极限阈值之间的偏差程度,综合得到该网格单元的硬件适配偏差系数的步骤之后:
18、将各网格单元的硬件适配偏差系数与网格编码关联存储,建立网格编码-硬件能力特征-硬件适配偏差系数的双向耦合映射关系。
19、其中,在搭建六维风险ahp基础指标体系,构建带硬件时序风险标签的xgboost修正模型,融合网格环境数据、硬件特征向量、硬件适配偏差系数实时推理动态修正系数,对ahp基础权重进行哈达玛积修正与归一化,得到硬件适配动态风险权重的步骤中:
20、基于行业专家经验与历史事故分析,搭建无人机低空飞行六维风险ahp基础指标体系,并建立任意两个风险维度的比较判断矩阵,进行一致性检验后计算得到各维度的基础权重向量;其中,六维风险包括:气象环境风险、飞行器硬件状态风险、地理碰撞风险、地面人口安全风险、通信链路风险、空域法规限制风险;
21、构建带硬件时序风险标签的xgboost动态权重修正模型,以历史飞行任务中采集的网格环境数据序列、硬件能力特征向量时间序列、硬件适配偏差系数演变序列为输入特征,以对应时刻的实际风险事件标签为监督信号,训练xgboost模型学习从多源输入到各风险维度权重修正系数的映射关系;
22、在实时风险评估过程中,将当前网格单元的环境数据、当前无人机平台的硬件能力特征向量及该网格的硬件适配偏差系数共同输入预训练的xgboost修正模型,采用xgboost修正模型实时推理输出各风险维度对应的动态修正系数向量。
23、其中,在实时风险评估过程中,将当前网格单元的环境数据、当前无人机平台的硬件能力特征向量及该网格的硬件适配偏差系数共同输入预训练的xgboost修正模型,采用xgboost修正模型实时推理输出各风险维度对应的动态修正系数向量的步骤之后:
24、将ahp基础权重向量与xgboost输出的动态修正系数向量执行哈达玛积运算,即各维度权重与对应修正系数逐元素相乘,再对乘积结果进行归一化处理,使各维度权重之和为1,最终得到面向当前无人机平台与当前网格单元的硬件适配动态风险权重。
25、其中,在构建包含独立硬件能力智能体的多智能体协同分析系统,各智能体共享风险数据池完成多维风险解析,以风险维度为行、空间网格为列,结合动态权重、网格风险特征、硬件适配偏差系数实时计算单元格风险分值,生成标准化无人机任务动态风险矩阵的步骤中:
26、构建多智能体协同风险评估系统,各智能体通过数据接口持续接入实时数据源,并共享统一的风险数据池进行风险状态同步;其中,多智能体包括气象风险分析智能体、飞行状态分析智能体、硬件能力专用分析智能体、空域法规分析智能体、地理碰撞分析智能体、综合决策智能体;
27、采用各智能体分别对各自负责的风险维度进行解析,并根据解析结果构成各维度风险特征值;其中,气象风险分析智能体分析网格实时气象环境风险状态,飞行状态分析智能体解析无人机实时飞行参数与传感器健康状态,硬件能力专用分析智能体根据硬件特征向量与适配偏差系数评估硬件任务胜任度,空域法规分析智能体解析临时限飞与空域限制规则,地理碰撞分析智能体分析地形障碍与人口暴露风险;
28、采用综合决策智能体以风险维度为矩阵行索引,以网格编码为矩阵列索引,构建标准化风险矩阵框架,从共享的风险数据池读取各智能体输出的各维度风险特征值,并结合硬件适配动态风险权重,对每个单元格计算加权综合风险分值。
29、其中,在采用综合决策智能体以风险维度为矩阵行索引,以网格编码为矩阵列索引,构建标准化风险矩阵框架,从共享的风险数据池读取各智能体输出的各维度风险特征值,并结合硬件适配动态风险权重,对每个单元格计算加权综合风险分值的步骤之后:
30、将各维度风险特征值、动态风险权重及加权计算结果进行整合,生成行索引为风险维度、列索引为空间网格的无人机任务动态风险矩阵,该矩阵记录每个网格单元在各风险维度上的原始分值与加权综合分值。
31、其中,在基于动态风险矩阵分别完成单点网格风险查询、航线分段综合风险评估、全域空域风险统计,映射生成三维网格风险热力图,并根据矩阵风险等级输出分级预警与航线动态优化指令的步骤中:
32、获取单点网格风险查询请求,根据输入的目标的网格编码,从无人机任务动态风险矩阵中提取对应列向量,解析该网格各风险维度的分值与综合风险等级,并返回查询结果;
33、执行航线分段综合风险评估,提取任务规划航线所经过的所有网格单元序列,根据各网格单元在风险矩阵中的综合风险分值,按照航线段落逐段累计计算航线的平均风险、最大风险点位置及风险分布方差,输出航线综合风险评估报告;
34、执行全域空域风险统计,扫描动态风险矩阵中全部网格列向量,统计整个任务空域的风险分布特征,并识别高风险聚集区域;其中,风险分布特征包括全域平均风险值、高风险网格占比、风险梯度变化趋势;
35、将各网格的综合风险分值映射为可视化颜色编码,在三维地理场景中渲染生成低空三维风险热力图。
36、其中,在将各网格的综合风险分值映射为可视化颜色编码,在三维地理场景中渲染生成低空三维风险热力图的步骤之后:
37、检测各网格单元对应列向量的风险等级判定结果,当检测到风险等级判定结果为网格综合风险值超过预设的高风险阈值、航线累计风险评分超出安全等级中的其中一种情况时,输出分级预警信息,并基于风险矩阵数据调用路径规划算法生成绕行高风险区域的航线动态优化指令,下发至无人机飞控系统执行航线重规划。
38、本发明的一种基于硬件能力感知的无人机任务动态风险矩阵生成方法,构建机载全硬件多维感知体系,采集八大机载硬件模块实时数据流,归一化量化得到无人机硬件能力特征向量,并构建包含各机型硬件极限耐受阈值的标准库;对任务空域划分三维标准网格,建立网格静态/动态风险特征库,将网格环境参数与本机的硬件极限耐受阈值匹配计算硬件适配偏差系数,建立网格编码与硬件能力的双向耦合映射;搭建六维风险ahp基础指标体系,构建带硬件时序风险标签的xgboost修正模型,融合网格环境数据、硬件特征向量、硬件适配偏差系数实时推理动态修正系数,对ahp基础权重进行哈达玛积修正与归一化,得到硬件适配动态风险权重;构建包含独立硬件能力智能体的多智能体协同分析系统,各智能体共享风险数据池完成多维风险解析,以风险维度为行、空间网格为列,结合动态权重、网格风险特征、硬件适配偏差系数实时计算单元格风险分值,生成标准化无人机任务动态风险矩阵;基于动态风险矩阵分别完成单点网格风险查询、航线分段综合风险评估、全域空域风险统计,映射生成三维网格风险热力图,并根据矩阵风险等级输出分级预警与航线动态优化指令;通过全机载硬件多维实时感知建模、硬件耐受阈值标准化量化、硬件特征-地球空间网格双向耦合映射、硬件时序标签驱动xgboost动态ahp权重修正、硬件智能体协同风险融合,实时生成适配当前无人机硬件极限性能的动态风险矩阵,实现“硬件能力-空域环境-任务约束”三位一体的精细化动态风险评估,满足复杂低空动态任务下精准、实时、自适应的风险管控需求。
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