一种基于共识的多无人机安全协作感知方法

本发明涉及无人机协同感知，尤其涉及一种基于共识的多无人机安全协作感知方法。

背景技术：

1、目前，多无人机协同感知系统在环境监测、目标跟踪、搜索救援等领域具有广泛应用前景。然而，在实际部署中，无人机节点可能因传感器噪声、通信干扰或恶意攻击而产生异常或错误数据，导致协作感知结果退化甚至失效。现有方法通常采用直接融合所有节点特征图或原始数据的方式，缺乏对异常节点的有效识别与筛选机制，难以保证在存在恶意节点时的感知可靠性与安全性。

2、中国专利公开号：cn117492460a公开了一种无人机任务交互控制方法及存储介质；通过slam算法实时建立无人机在未知环境中的位置和地图，然后利用ds理论对不确定性进行处理，实现多架无人机之间的信息共享和任务协作，从而提高任务执行效率、安全性和智能化。通过slam算法实时建图和定位，无人机可以准确感知环境，并根据ds理论的证据合并优化任务执行。这使得无人机能够更快速、高效地规划路径、避障和协调任务，从而提高整体任务执行效率；通过slam算法建立地图，无人机可以共同探测和覆盖更大的区域，利用ds理论的证据合并和任务协作优化资源分配，实现更广泛的任务覆盖范围，适用于大规模搜索与监测等复杂任务。

3、由此可见，该现有技术存在以下问题：

4、缺乏对异常或恶意节点产生的虚假/错误数据的安全甄别与排除机制，在多无人机协同感知场景下难以抵抗恶意攻击或感知偏差。

技术实现思路

1、为此，本发明提供一种基于共识的多无人机安全协作感知方法，用以克服现有技术中缺乏对异常或恶意节点产生的虚假/错误数据的安全甄别与排除机制，在多无人机协同感知场景下难以抵抗恶意攻击或感知偏差的问题。

2、为实现上述目的，本发明提供一种基于共识的多无人机安全协作感知方法，包括：

3、步骤s1，构建由若干个智能体组成的多无人机协同感知网络，各智能体采集所处环境的原始三维点云数据，并对所述原始三维点云数据进行特征提取，得到中间特征图；

4、步骤s2，各智能体将自身的中间特征图广播至所述多无人机协同感知网络中的其他智能体，并接收其他智能体广播的中间特征图；

5、步骤s3，各智能体基于自身的中间特征图进行目标检测，得到基准检测结果；以及，将自身的中间特征图分别与每一个其他智能体的中间特征图进行融合，并对融合后的特征图进行目标检测，得到对应的对比检测结果；

6、步骤s4，各智能体分别计算各对比检测结果与所述基准检测结果之间的差异信息，基于所述差异信息从其他智能体中筛选出目标智能体，基于所有筛选出的目标智能体构建所述智能体的局部目标集；

7、步骤s5，各智能体将自身的局部目标集广播至所述多无人机协同感知网络，并对所有局部目标集进行聚合，得到全局目标集；

8、步骤s6，各智能体根据所述全局目标集，排除所述全局目标集中的智能体对应的中间特征图，将自身的中间特征图与剩余智能体的中间特征图进行融合，得到净化后的融合特征图。

9、进一步地，在步骤s4中，计算各对比检测结果与所述基准检测结果之间的差异信息，包括：

10、步骤s41，将所述对比检测结果与所述基准检测结果进行位置重叠度匹配，识别出多余目标、缺失目标和检测属性偏差；

11、步骤s42，根据所述多余目标、所述缺失目标和所述检测属性偏差，计算每个其他智能体的信息增益指标；

12、步骤s43，对所述多余目标进行验证，根据验证结果对所述信息增益指标进行修正；

13、步骤s44，将修正后的信息增益指标大于预设信息增益指标的其他智能体筛选为目标智能体。

14、进一步地，在步骤s41中，识别出多余目标、缺失目标和检测属性偏差，包括：

15、将所述对比检测结果中的每个目标与所述基准检测结果中的每个目标进行一一配对，计算每对目标之间的位置重叠度；

16、将位置重叠度大于预设位置重叠度的目标对判定为匹配成功，确定为同一目标，并计算该目标在所述对比检测结果与所述基准检测结果之间的检测属性偏差；

17、将所述对比检测结果中未匹配成功的所有目标标记为多余目标；

18、将所述基准检测结果中未匹配成功的所有目标标记为缺失目标。

19、进一步地，计算检测属性偏差，包括：

20、计算所述同一目标在所述对比检测结果中的尺寸与在所述基准检测结果中的尺寸之间的尺寸偏差量，将所述尺寸偏差量作为所述检测属性偏差。

21、进一步地，在步骤s42中，计算每个其他智能体的信息增益指标，包括：

22、根据所述多余目标的数量和检测质量，计算正向增益值；

23、根据所述检测属性偏差中的正向变化量，计算正向增益值；

24、根据所述缺失目标的数量和检测质量，计算负向增益值；

25、将所述正向增益值与所述负向增益值进行综合，得到每个其他智能体的信息增益指标。

26、进一步地，在步骤s43中，对所述多余目标进行验证，包括：

27、获取所述多余目标在自身智能体的坐标系下的第一观测方向向量，以及在其他智能体坐标系下的第二观测方向向量；

28、计算所述第一观测方向向量与所述第二观测方向向量之间的极线约束误差；

29、响应于所述极线约束误差小于预设极线误差，则判定所述多余目标通过验证，保持所述信息增益指标不变；

30、响应于所述极线约束误差大于或等于所述极线误差阈值，则判定所述多余目标未通过验证，对所述信息增益指标进行修正。

31、进一步地，计算所述第一观测方向向量与所述第二观测方向向量之间的极线约束误差，包括：

32、计算所述第一观测方向向量与所述第二观测方向向量之间的对极距离，所述对极距离为所述第一观测方向向量对应的射线与所述第二观测方向向量对应的射线在三维空间中的最短距离，将所述对极距离作为所述极线约束误差。

33、进一步地，在步骤s5中，得到全局目标集，包括：

34、各智能体将自身的局部目标集广播至所述多无人机协同感知网络中的其他智能体；

35、对各智能体的局部目标集进行聚合，确定每个智能体被其他智能体列入局部目标集的列入次数；

36、将被列入次数大于或等于预设次数阈值的智能体纳入所述全局目标集。

37、进一步地，在步骤s6中，得到净化后的融合特征图，包括：

38、根据所述全局目标集过滤各智能体广播的中间特征图，排除所述全局目标集中智能体对应的中间特征图；

39、将自身的中间特征图与排除后剩余的中间特征图进行融合，得到净化后的融合特征图。

40、进一步地，在步骤s1中，得到中间特征图，包括：

41、对各智能体采集的原始三维点云数据进行体素化处理，生成鸟瞰图占据网格图；

42、对所述鸟瞰图占据网格图进行特征提取，得到中间特征图。

43、与现有技术相比，本发明的有益效果在于，本发明通过将部署于交通场景中的多架无人机与中心路侧单元定义为智能体集合，其中路侧单元作为共识协议的初始主节点提供稳定的计算与通信支持，各无人机则利用传感器采集环境三维点云数据；然后通过体素化处理将原始稀疏点云转换为结构化的鸟瞰图占据网格图，将高度维度编码为通道维度，消除了视角变换需求；最后利用集群内共享的编码器对鸟瞰图进行空间下采样与特征压缩，生成紧凑且信息丰富的中间特征图，并在智能体间进行广播与接收；有效解决了原始点云数据稀疏不规则难以直接处理、原始数据传输通信开销过大等问题，实现了感知数据的高效压缩与共享，使得每个智能体均能感知超出自视场范围的环境信息。

44、进一步地，本发明通过位置重叠度匹配精准识别多余目标、缺失目标及检测属性偏差，量化了每个协作者对感知性能的差异化影响；其次，基于多余目标数量与检测质量、检测属性偏差中的正向变化量、缺失目标数量与检测质量，综合加权计算信息增益指标，实现了对协作者净贡献的定量评估；进一步，利用极线约束对多余目标进行多视图几何验证，通过计算观测方向向量间的对极距离判断目标真实性，对未通过验证的虚假目标依据其检测置信度与极线约束误差的乘积进行惩罚性增益修正，有效甄别恶意注入的对抗扰动；最终，通过增益阈值筛选出可信协作者构建局部目标集。使各智能体能够在无全局标签条件下独立地完成对其它节点的异常检测与信任评分，显著提升了多无人机协同感知系统在对抗环境下的安全性与鲁棒性。

45、进一步地，本发明通过构建的共识聚合机制，将各智能体独立生成的局部目标集进行广播与多数投票聚合，有效解决了单智能体局部判断不可信的问题。每个智能体将自己的局部目标集广播至网络中所有其他智能体，各智能体在收集全部局部目标集后，统计每个智能体被其他智能体列入局部目标集的列入次数，并将列入次数大于或等于预设阈值的智能体纳入全局目标集。通过形式化的共识机制，确保了仅在集群内存在显著多数的共同认定时才做出决策，能够有效防止少数攻击者合谋诬陷无辜智能体或包庇恶意节点。

46、进一步地，本发明通过构建的安全特征融合机制，在共识驱动的全局目标集指导下，实现了对恶意或不可信智能体特征图的精确过滤与净化融合；根据得到的全局嫌疑集，排除其中所有被集群一致认定为攻击者的智能体所对应的中间特征图，仅将自身的中间特征图与剩余可信赖协作者的特征图进行聚合融合，生成净化后的融合特征图。同时，该方法还内置了故障安全回退机制，当共识过程未能收敛时，无人机自动切换至仅依赖自身特征图的独立感知模式，确保基本运行安全；有效阻止了恶意扰动或污染数据进入融合环节，保障了特征信息流的可靠性与完整性。