一种面向多无人机环境监测的场景感知预算自适应联邦持续学习方法、系统

本发明涉及无人机协同计算与联邦学习领域，具体涉及一种面向多无人机环境监测的场景感知预算自适应联邦持续学习方法、系统及设备。

背景技术：

1、无人机（uav）作为环境感知与决策的关键传感平台，凭借灵活部署、按需数据采集、高空间分辨率及低空敏捷视角等优势，已广泛应用于生态监测、灾害评估、精准农业和城市巡检等领域。现代环境监测系统正逐步向多无人机分布式传感架构演进，通过多无人机协同观测，可实现更广覆盖范围、更高鲁棒性及更丰富的态势感知。在多无人机分布式传感系统中，每架无人机作为自主传感与计算节点，搭载机载摄像头及其他传感器，在不同飞行轨迹、高度和环境条件下采集任务特定数据。深度学习技术（如卷积神经网络、多模态学习模型）已在无人机影像语义理解（目标检测、土地利用制图、变化检测等） 中展现出强大能力，但现有深度学习方法多依赖集中式训练范式，要求将所有无人机采集的数据传输至中央服务器或云端进行统一训练。集中式训练范式在实际部署中存在显著局限性：一方面，无人机影像可能包含个人、车辆、私有财产等隐私敏感信息，原始数据集中存储会引发严重隐私与合规风险；另一方面，无人机日常工作在通信间歇性、带宽受限的环境中，大规模原始数据传输成本高昂甚至不可行。 联邦学习（fl）为多无人机协同模型训练提供了一种面向多无人机环境监测的场景感知预算自适应有前景的去中心化方案，其核心是各无人机利用本地数据进行局部训练，仅将模型更新发送至协调服务器或主导无人机进行聚合，无需共享原始数据，可大幅降低通信开销并缓解隐私风险。

2、然而，将联邦学习有效应用于多无人机环境监测仍面临三大关键挑战。

3、第一，非独立同分布（non-iid）与少样本观测问题：不同无人机在不同飞行高度、视角、轨迹和环境条件下采集数据，且局部训练可用的带标签样本数量有限；光照、天气、地形和场景构成的差异进一步加剧了数据分布偏移，导致各无人机本地数据集本质上为非独立同分布，特征统计、标签分布和噪声特性存在显著差异。传统联邦参数平均方法（如fedavg）易使全局模型偏向主导无人机的数据分布，在罕见或复杂环境下泛化性能差，尤其在少样本场景中表现不佳。

4、第二，传感任务演化与动态环境适应问题：无人机环境监测具有内在动态性，任务可能随时间变化（如从常规植被监测转为灾后损失评估），新的目标类别、事件类型和传感目标可能持续出现。模型需持续适应这些演化任务，但这会引发“灾难性遗忘”风险——新习得的知识会覆盖先前获得的能力；在联邦学习场景中，无人机无法获取集中式历史数据，难以在学习新任务的同时保留过往任务的性能， 进一步加剧了该问题。

5、第三，机载资源有限且异构问题：无人机受计算、能量、存储和延迟等严格约束，且不同无人机平台的机载硬件能力差异巨大；联邦训练过程中，有限的计算资源和不稳定的无线链路可能导致节点延迟（stragglers）和同步效率低下。实时灾害检测、自主导航等无人机应用对推理延迟有严格要求，与深度神经网络的高计算需求存在冲突；现有联邦学习方法缺乏对异构资源预算的显式考虑，难以适配多无人机的资源约束特性。为解决上述问题，亟须一种面向多无人机环境监测的场景感知预算自适应统一的联邦学习框架，能够同时应对多无人机环境监测中的数据异构与少样本、任务演化与灾难性遗忘、资源有限且异构三大核心挑战，实现鲁棒、隐私保护的环境感知。

技术实现思路

1、本发明的目的是针对多无人机在资源动态异构条件下进行联邦持续学习时，面临的计算负载不均衡、灾难性遗忘与数据隐私泄露问题，本发明提供一种面向多无人机环境监测的场景感知预算自适应联邦持续学习方法，实现数据隐私保护、任务持续适应与资源高效利用的统一。

2、为达到上述目的，本发明解决其技术问题所采用的技术方案为：

3、一种面向多无人机环境监测的场景感知预算自适应联邦持续学习方法，包括以下步骤：

4、中央服务器初始化共享骨干模型和共享超网络，并下发至各无人机客户端；

5、客户端生成场景令牌，共享超网络依据场景令牌生成适配器参数，用于构建适配器并嵌入共享骨干模型，进行局部训练，得到个性化模型；

6、客户端利用个性化模型计算本地类原型并执行隐私增强生成增强原型，将增强原型、共享超网络更新增量、场景令牌及资源预算向量上传服务器；

7、服务器按场景令牌索引存储增强原型以更新联邦原型市场并以场景令牌为节点，基于场景令牌相似度与知识片段间干扰度构建边权重以更新时间索引记忆图；

8、服务器根据场景令牌和资源预算向量，生成模型部署配置并下发至客户端；

9、客户端检测到新任务时，利用场景令牌从联邦原型市场检索增强原型并还原为类原型，同时从时间索引记忆图检索知识片段，在局部训练中引入基于检索结果的语义拓扑一致性约束和原型对齐约束；

10、服务器接收共享超网络更新增量，采用基于客户端任务种群和资源预算的自适应加权聚合策略更新共享超网络的参数，迭代上述过程，直至个性化模型收敛。

11、进一步的，生成场景令牌具体包括：

12、共享骨干模型提取本地数据的中间特征；

13、计算中间特征的均值和方差；

14、通过固定低通算子计算中间特征的低频率描述符；

15、将均值、方差和低频率描述符拼接后，通过线性投影矩阵映射至低维隐空间，得到场景令牌。

16、进一步的，对类原型进行隐私增强处理具体包括：

17、对本地类原型进行均匀量化处理，将浮点特征映射至整数区间，得到量化原型；

18、向量化原型注入满足（）-差分隐私的高斯噪声；

19、将噪声注入结果反量化为浮点型，生成增强原型。

20、进一步的，边权重的构建包括：

21、计算当前场景令牌与时间索引记忆图中已有场景令牌的余弦相似度；

22、评估与各场景令牌关联的知识片段间的干扰度；

23、将余弦相似度与干扰度按预设权重系数进行加权求和，得到边权重。

24、进一步的，局部训练的优化目标通过以下方式构建：

25、基于检索并还原得到的类原型集合，构建第一语义拓扑相似度矩阵；

26、通过反事实更新估计，获取当前个性化模型对应的第二语义拓扑相似度矩阵；

27、构建反事实语义拓扑保护损失，反事实语义拓扑保护损失约束第二语义拓扑相似度矩阵与第一语义拓扑相似度矩阵之间的差异最小化；

28、将当前个性化模型在当前任务上的任务损失、反事实语义拓扑保护损失及原型对齐损失加权求和，作为局部训练的优化目标。

29、进一步的，反事实更新估计包括：

30、对检索到的类原型，基于其在当前任务损失上的梯度与当前学习率进行一阶泰勒展开，估计当前个性化模型参数更新后类原型嵌入特征的变化，获得反事实更新估计后的原型；

31、基于反事实更新估计后的原型计算第二语义拓扑相似度矩阵。

32、进一步的，局部训练还包括：

33、当反事实语义拓扑保护损失超过预设阈值时，基于当前适配器参数复制并初始化新适配器分支，当前训练切换至新适配器分支进行训练，原适配器分支参数保持不变；

34、其中，预设阈值根据历史训练过程中反事实语义拓扑保护损失的分布统计确定。

35、进一步的，模型部署配置包括：

36、服务器根据各客户端上报的资源预算向量和场景令牌，决策各客户端的训练拆分点；

37、训练拆分点将共享骨干模型划分为客户端执行部分与服务器执行部分，且训练拆分点基于资源预算向量确定。

38、进一步的，模型部署配置还包括推理时的路由路径配置，路由路径配置由客户端根据实时资源预算向量和当前场景令牌动态确定，以指定推理深度及调用适配器分支的策略。

39、一种面向多无人机环境监测的场景感知预算自适应联邦持续学习系统，用于实现一种面向多无人机环境监测的场景感知预算自适应联邦持续学习方法，包括：

40、中央服务器和多个无人机客户端；

41、中央服务器包括：

42、聚合与优化模块，用于聚合共享超网络更新增量以更新全局参数，并根据资源预算向量和场景令牌决策训练拆分点；

43、知识管理模块，用于维护联邦原型市场和时间索引记忆图；

44、无人机客户端包括：

45、场景感知与个性化模块，用于生成场景令牌，利用共享超网络生成适配器并嵌入共享骨干模型得到个性化模型；

46、语义提取与隐私保护模块，用于提取类原型并隐私增强生成增强原型；

47、持续学习模块，用于检测新任务时检索增强原型并还原为类原型以及知识片段，引入语义拓扑一致性约束和原型对齐约束，并在拓扑保护损失超阈值时触发适配器分叉；

48、资源感知与自适应推理模块，用于监测资源状态生成资源预算向量，以及在推理阶段动态确定路由路径。

49、本发明的有益效果是：

50、1. 针对非 iid 与少样本数据挑战，通过场景令牌捕捉数据集级上下文特征，结合超网络生成轻量级适配器，实现域感知个性化训练，无需共享原始数据即可适配异构数据分布，在少样本场景下仍能保证模型适配性；

51、2. 基于联邦原型市场和时间索引记忆图的检索增强机制，结合语义拓扑保护和适配器分叉策略，有效缓解了任务演化过程中的灾难性遗忘，实现历史知识的结构化复用与新任务的高效学习；

52、3. 通过预算条件的拆分训练和随时推理路由，动态适配不同无人机的异构计算、能量、带宽和延迟约束，在资源受限环境下实现训练推理效率与模型性能的平衡，降低了多无人机系统的能量消耗和通信开销；

53、4. 整体框架实现了数据隐私保护、任务持续适应与资源高效利用的统一，在多无人机环境监测中表现出更高的准确率、更低的遗忘率和更优的资源利用效率，适用于长期、大规模、动态变化的环境监测场景。