一种基于低空安全多模态监测的数据拟合方法与流程
本技术涉及操作系统优化，尤其涉及一种基于低空安全多模态监测的数据拟合方法。
背景技术：
1、随着低空经济活动的日益频繁，利用雷达、光学及射频等多源传感器进行实时安全监测已成为保障低空秩序的关键手段。在这一过程中，核心挑战在于如何将海量且异构的原始监测数据转化为可执行的决策指令，而这一转化过程高度依赖于底层计算资源的调度效率。现有的数据处理架构通常采用“应用层生成任务图，操作系统层被动执行”的割裂模式：上层算法根据传感器数据构建出包含节点与边依赖关系的逻辑拓扑图（即任务依赖图），随后将其作为静态队列提交给通用操作系统；操作系统则依据预设的静态优先级或简单的轮转策略进行资源分配，完全无法感知该拓扑图内部的结构特征（如关键路径长度、节点阻塞深度或并发等待压力）。这种架构导致了一个严重的技术盲区：系统缺乏一种将“数据处理的逻辑依赖关系”动态映射为“硬件调度行为”的闭环机制。具体而言，当监测场景中目标对象复杂多变时，生成的依赖图往往呈现出极端的非均匀性——部分节点因长链条依赖而处于“阻塞”状态，若此时被普通任务抢占，将导致整个风险判定链条延迟；而现有技术由于无法识别这种由依赖图结构决定的“数据类型”（即区分常规处理流与高紧迫性威胁流），只能采取“一刀切”的资源分配方式，使得关键的高风险事件处理任务在算力争用中陷入瓶颈，甚至引发系统级响应滞后。
2、造成上述缺陷的根本原因在于，现有技术尚未建立起从依赖图拓扑解析到数据类型动态判定，再到依赖图自适应重构与系统优化的完整技术链路。首先，现有方案未能深入挖掘依赖图的拓扑属性作为判断任务紧急程度和资源需求类型的依据，导致系统无法区分哪些任务是影响全局风险的瓶颈节点，哪些是冗余的噪声节点。其次，在资源受限的边缘计算场景下，现有技术缺乏一种基于实时态势的动态剪枝机制：当检测到系统算力或带宽即将饱和时，传统方法往往只能降低采样频率或丢弃整帧数据，而无法智能地识别并剔除依赖图中那些置信度低、对最终风险判定贡献微弱的子节点，从而在保留核心威胁信息的同时大幅降低计算负载。最后，也是最关键的缺失环节，是缺乏将优化后的依赖图直接转化为操作系统底层内核指令的能力。现有的调度器无法接收来自应用层的拓扑特征信号来动态调整中断亲和性、内存预取策略或独占核心绑定，导致即使上层算法已经识别出高风险事件，底层硬件依然按照低效的默认策略运行，无法实现真正的软硬协同优化。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为达上述目的，本技术实施例提出了一种基于低空安全多模态监测的数据拟合方法，包括以下步骤：
3、步骤1，通过部署在边缘计算节点上的多模态传感器阵列，同步采集低空监测区域内的原始监测数据流，所述原始监测数据流包括雷达点云数据、可见光图像数据和射频信号数据；
4、步骤2，基于所述原始监测数据流进行预处理得到预处理数据流；根据所述预处理数据流识别特征点，将所述特征点映射为子任务节点，将归属于同一物理目标对象的所有子任务节点进行聚合，得到目标对象任务节点，根据所述目标对象任务节点和子任务节点之间构建有向边，基于所述目标对象任务节点、子任务节点和有向边构建任务依赖图；其中所述目标对象节点和子任务节点分别匹配对应的标准化特征向量：空间坐标、运动矢量和置信度评分；其中，所述置信度评分包括雷达数据置信度评分、视觉数据置信度评分和射频数据置信度评分；
5、步骤3，根据所述目标对象节点和子任务节点的置信度评分生成特征张量；
6、步骤4，基于所述特征张量输入神经网络模型输出融合特征向量：目标对象类别、目标对象的三维位置坐标、瞬时速度矢量以及各模态传感器的观测角度；
7、步骤5，基于所述融合特征向量生成多维风险势场矩阵并执行三级判定逻辑确定事件类型，结合任务优先级队列对任务依赖图进行更新以优化操作系统。
8、进一步的，根据所述目标对象节点和子任务节点的置信度评分生成特征张量，包括：遍历每一个所述特征点，若所述特征点的置信度评分小于所述置信度截断阈值，则判定所述特征点为冗余数据，将所述特征点在标准化特征向量中的元素置零形成特征张量。
9、进一步的，基于所述融合特征向量生成多维风险势场矩阵并执行三级判定逻辑确定事件类型，结合任务优先级队列对任务依赖图进行更新以优化操作系统，包括以下步骤：
10、步骤51，基于所述融合特征向量提取当前时刻的所有目标对象的三维位置坐标、瞬时速度矢量以及各模态传感器的观测角度，共同构建投影分量和欧氏距离得到空间交互强度系数，根据所有目标对象的空间交互强度系数构建初始单时刻风险势场矩阵并将连续多个初始单时刻风险势场矩阵进行累积得到多维风险势场矩阵；
11、步骤52，基于当前时刻的多维风险势场矩阵与前一个时间步长的多维风险势场矩阵生成一级判定指标、模态一致性指标以及二级判定指标，基于所述一级判定指标执行一级判定逻辑生成第一事件类型，基于所述模态一致性指标以及二级判定指标执行二级判定逻辑和/或三级判定逻辑生成第二事件类型和/第三事件类型；
12、步骤53，基于目标对象构建包含多个目标对象任务的任务优先级队列并确定每个目标对象任务的总资源需求，与预设的剩余可用算力和剩余可用带宽进行比较，对任务依赖图的目标对象任务节点以及子任务节点进行校正生成任务优化依赖图；
13、步骤54，根据所述任务优化依赖图生成优化指标以优化操作系统，得到优化操作系统。
14、进一步的，基于所述融合特征向量提取当前时刻的所有目标对象的三维位置坐标、瞬时速度矢量以及各模态传感器的观测角度，共同构建投影分量和欧氏距离得到空间交互强度系数，根据所有目标对象的空间交互强度系数构建初始单时刻风险势场矩阵并将连续多个初始单时刻风险势场矩阵进行累积得到多维风险势场矩阵，包括以下步骤：
15、步骤511，基于低空监测区域划分为预设的空间网格单元，并基于所述融合特征向量提取当前时刻所有目标对象的三维位置坐标、瞬时速度矢量以及各模态传感器的观测角度；
16、步骤512，基于各目标对象，计算所述瞬时速度矢量在每个空间网格单元法线方向的投影分量；并计算各目标对象与空间网格单元的欧氏距离，根据所述投影分量、欧氏距离和置信度评分生成每个目标对象在每个空间网格单元的空间交互强度系数；
17、步骤513，将所有目标对象对应的空间交互强度系数叠加至对应的空间网格单元，得到当前时刻下各空间网格单元的单时刻风险势值，根据单时刻风险势值构建初始单时刻风险势场矩阵；
18、步骤514，在预设的时间窗口内，将连续多个所述初始单时刻风险势场矩阵沿时间维度进行逐帧叠加累积，形成多维风险势场矩阵。
19、进一步的，基于当前时刻的多维风险势场矩阵与前一个时间步长的多维风险势场矩阵生成一级判定指标、模态一致性指标以及二级判定指标，基于所述一级判定指标执行一级判定逻辑生成第一事件类型，基于所述模态一致性指标以及二级判定指标执行二级判定逻辑和/或三级判定逻辑生成第二事件类型或第三事件类型或第四事件类型，包括以下步骤：
20、步骤521，计算当前时刻的所述多维风险势场矩阵与前一个时间步长的所述多维风险势场矩阵在对应空间网格单元上的差分序列，并基于所述差分序列计算梯度幅值序列，所述梯度幅值序列包括若干瞬时值并识别最大瞬时值，将所述最大瞬时值作为一级判定指标；
21、步骤522，一级判定逻辑：若所述一级判定指标小于预设的第一阈值，则判定目标对象为第一事件类型，所述第一事件类型为常规低危事件；
22、步骤523，若所述一级判定指标大于等于预设的第一阈值，则计算所述梯度幅值序列在滑动窗口内的标准差序列作为二级判定指标，并基于所述雷达数据置信度与视觉数据置信度的比值作为模态一致性指标；基于所述二级判定指标和模态一致性指标执行二级判定逻辑：若所述二级判定指标大于预设的第二阈值，且所述模态一致性指标小于预设的第三阈值，则判定目标对象为第二事件类型，所述第二事件类型为震荡潜伏式威胁事件；
23、步骤524，若所述二级判定指标大于预设的第二阈值，且所述模态一致性指标大于等于预设的第三阈值，执行三级判定逻辑：实时获取边缘计算节点的中央处理器的利用率百分比，基于所述第二阈值和利用率百分比生成第四阈值，若所述二级判定指标大于第四阈值，且所述模态一致性指标大于等于预设的第三阈值，则判定目标对象为第三事件类型，所述第三事件类型为突发高烈度威胁事件；
24、步骤525，若所述二级判定指标小于等于预设的第二阈值，则将每个时刻下所有网格单元的单时刻风险势值进行求和得到风险势值总值，将所有时刻下的风险势值得到全局总风险势值序列，计算相邻时刻全局总风险势值的差值作为一阶差分序列；判断所述一阶差分序列中是否存在连续m个差值均大于零的情况，若是，则判定目标对象为第四事件类型，所述第四事件类型为渐进累积式威胁事件，否则判定为第二事件类型。
25、进一步的，基于目标对象构建包含多个目标对象任务的任务优先级队列并确定每个目标对象任务的总资源需求，与预设的剩余可用算力和剩余可用带宽进行比较，对任务依赖图的目标对象任务节点以及子任务节点进行校正生成任务优化依赖图，包括以下步骤：
26、步骤531，基于所有目标对象实例化为目标对象任务，每个目标对象任务包括目标标识、事件类型、优先级、预估cpu计算周期数和预估内存带宽占用量；按照所述优先级由高到低对所述目标任务进行排列形成任务优先级队列；
27、步骤532，基于预构建的弹性边界模型生成剩余可用算力和剩余可用带宽；
28、步骤533，根据所述预估cpu计算周期数和预估内存带宽占用量生成每个目标对象任务的总资源需求；
29、步骤535，将所述总资源需求与剩余可用算力或剩余可用带宽相比，若所述总资源需求大于剩余可用算力或所述总资源需求大于剩余可用带宽，则基于所述二级判定指标与预设目标阈值进行比较，基于目标对象任务的所述事故类型对置信度截断阈值进行修正，得到修正阈值；
30、步骤536，若所述任务依赖图的目标任务节点和子任务节点对应特征点的置信度评分小于所述修正阈值，则将当前所述特征点对应的目标任务节点和/或子任务节点剔除，否则，则保留；基于保留下来的目标任务节点和/或子任务节点生成任务优化依赖图。
31、进一步的，根据所述任务优化依赖图生成优化指标以优化操作系统，得到优化操作系统，包括以下步骤：
32、步骤541，基于所述任务优化依赖图识别阻塞深度特征、并发来源特征和资源征用特征；
33、步骤542，若所述目标任务节点和子任务节点的阻塞深度特征大于预设阻塞阈值，生成独占调度指令；若所述目标任务节点和子任务节点的并发来源特征大于预设并发阈值，生成内存预取指令；若所述目标任务节点和子任务节点存在资源征用特征，生成中断亲和性重组指令，否则，生成默认维持指令；将所有目标任务节点和子任务节点整合全局指令集合；
34、步骤543，基于操作系统执行全局指令集合，对操作系统进行优化得到优化操作系统。
35、进一步的，所述阻塞深度特征为所述目标任务节点或子任务节点到根节点的最长前驱链路长度，所述并发来源特征为所述目标任务节点或子任务节点同时等待的前驱节点数量，所述资源征用特征为所述目标任务节点或子任务节点与其他节点是否共享同一物理资源且存在访问冲突，若是，则将资源征用特征标记为1，否则，将将资源征用特征标记为0。
36、进一步的，基于x倍的所述置信度截断阈值得到修正阈值，当目标对象任务判定为第一事故类型时，x为0.7，当目标对象任务判定为第二事故类型时，x为0.8，当目标对象任务判定为第三事故类型时，x为1.2，当目标对象任务判定为第四事故类型时，x为0.9。
37、与现有技术相比，本技术提供的一种基于低空安全多模态监测的数据拟合方法，本通过建立从依赖图拓扑解析到操作系统内核指令执行的方式，有效解决了低空监测中逻辑决策与硬件调度脱节的核心难题。打破了传统系统一刀切的资源分配模式：当系统面临算力瓶颈时，不再简单地降低采样率或丢弃整帧数据，而是依据事故类型动态调整置信度截断阈值，对于突发高烈度威胁，自动提高阈值以强制保留关键特征点，确保高危目标零漏报；对于常规低危或震荡潜伏任务，则适度放宽阈值剔除冗余噪声，从而在保障核心安全的前提下大幅削减无效计算负载。这种差异化的剪枝策略，配合对阻塞深度、并发来源等拓扑特征的实时提取，使得系统能够精准识别出影响全局风险的关键节点。更重要的是，优化后的依赖图直接转化为底层操作系统的独占调度、内存预取及中断亲和性重组等具体指令，让高风险任务能够直接锁定物理核心资源，规避了通用调度器的低效等待。这一机制真正实现了应用层态势感知与硬件层资源调度的深度协同，确保了在边缘计算资源受限的复杂环境下，系统既能维持对突发威胁的毫秒级响应，又能最大化整体运行效率。