一种无人机载与车载设备协同的电磁辐射源定位跟踪方法

本发明属于电磁监测，具体涉及一种通过无人机载设备与车载设备协同工作，实现对电磁辐射源进行定位与跟踪的方法。可应用于无线电管理、电磁环境监测、应急追踪等场景。

背景技术：

1、近年来，低空经济迎来爆发式发展，无人机、低空物流飞行器、城市空中交通（uam）等各类低空飞行器数量呈指数级增长，广泛应用于物流运输、应急救援、城市巡检等领域，成为推动城市智能化发展的重要力量。然而，伴随低空活动的日益频繁，“黑飞”等现象愈发突出，这些无资质、无监管的低空飞行器不仅可能干扰民航航线、引发空中碰撞事故，还可能被用于信号窃听等危害公共安全的活动，对城市低空安全构成挑战。

2、现有协同定位技术多采用简单数据拼接或加权融合方式，在多源数据处理中，常忽略不同传感器的信号传播特性差异；在动态跟踪中，缺乏对辐射源运动趋势的预测，易出现跟踪丢失。因此，构建无人机与车载设备的深度协同机制，结合智能算法优化定位与跟踪全流程，成为提升电磁辐射源监测效能的关键。因此，亟需一种能实现无人机与车载设备深度协同，结合先进算法提升定位跟踪性能的技术方案。

技术实现思路

1、发明目的：本发明旨在解决现有电磁辐射源定位跟踪技术中存在的定位精度低、设备协同不足、环境适应性弱等问题，提供一种无人机载与车载设备协同的电磁辐射源定位跟踪方法。通过多步骤协同工作，实现对电磁辐射源的定位与跟踪。

2、技术方案：本发明提供的无人机载与车载设备协同的电磁辐射源定位跟踪方法，包括初步定位、预计汇合、跟踪三个步骤，具体如下：

3、（1）利用装载大功率电磁探测设备的车辆，采集电磁辐射源的信号特征，获取辐射强度及可信度均满足预设阈值的轨迹片段，使用r-gcn神经网络预测模型输出电磁辐射源的未来可达域；

4、（2）调度车辆前往未来可达域的对应地面区域，在调度过程中使用lstm-attention深度学习模型精细预测电磁辐射源的未来航迹，评估气象环境影响下的车载无人机飞行性能，推测无人机拦截到电磁辐射源的预计时空位置；

5、（3）起飞装载小功率电磁探测设备的无人机，调度所述无人机前往预计时空位置，使用小功率电磁探测设备开始探测电磁辐射源，若探测到电磁辐射源则持续跟踪，反之则使用三维映射改进sac算法规划最优扫描路径直至探测到辐射源。

6、进一步地，所述步骤（1）未来可达域的评估步骤为：

7、s1.1，利用装载大功率电磁探测设备的车辆对电磁辐射源进行持续监测，采集目标的多维度信号特征数据及环境参数；所述信号特征数据包括接收信号强度、到达时间差、到达角度、信号中心频率及频偏，所述环境参数包括目标高度、目标运动速度、周边风速及风向；根据所述信号特征数据推算目标位置范围，并按照预设采样频率形成时间序列，记为s=[s1,s2,…, sq,…,sq]，其中sq为第q个采样时刻的信号特征数据、环境参数及目标位置推测范围；所述装载大功率电磁探测设备的车辆以下简称车辆，所述装载小功率电磁探测设备的无人机以下简称无人机；

8、s1.2，以辐射强度及可信度均满足预设阈值的轨迹片段的目标状态节点和所述无人机装载的小功率电磁探测设备与所述车辆装载的大功率电磁探测设备在第q个采样时刻形成的观测节点集合为图节点；所述电磁辐射源状态节点的特征向量包括：位置推测范围中心坐标、速度、高度、周边风速、风向、采样时刻索引q；所述观测节点集合的特征向量包括：设备位置坐标、采样时刻、观测信号特征[、δ]、信噪比及视距指示，其中，表示q时刻的接收信号强度，表示q时刻的到达时间差，表示第q个采样时刻观测到的信号中心频率，δ表示第q个采样时刻观测到的信号中心频率相对于参考中心频率的频率偏差；建立观测边表示设备在时刻q对的观测约束关系，建立空间邻接边表示同一时刻内相邻区域单元之间的空间拓扑关系，形成描述目标动态变化与环境关联的图结构；

9、s1.3，空间离散化并构建包含car（所述车辆装载的大功率电磁探测设备），uav（所述无人机装载的小功率电磁探测设备）和cell （区域单元节点）三类节点的异质图，通过r-gcn层对car->cell,uav->cell,cell->cell分别设置独立权重矩阵、、，通过公式（1）来计算权重值：

10、 （1）

11、其中，为真实度抑制因子，为设备接收质量；对每条car->cell和uav->cell观测边计算加权物理可信度分数，并且对每个区域单元节点cell的所有入边进行softmax归一化，经过2层gcn传播，第一层保留区域单元节点cell自身的状态信息并聚合观测信息与区域单元节点cell的邻居节点信息，第二层融合区域单元节点cell历史时刻的数据和更大范围的观测特征，输出融合了多时刻环境影响的节点特征向量；

12、为真实度抑制因子，计算公式为：

13、 （2）

14、其中，d表示观测设备编号，所述观测设备包括所述车辆装载的大功率电磁探测设备和所述无人机装载的小功率电磁探测设备；q表示采样时刻索引；表示第d个观测设备在第q个采样时刻对应的真实度抑制因子；表示第d个观测设备在第q个采样时刻观测到的信号中心频率；表示第d个观测设备在第q个采样时刻观测到的信号带宽；表示第d个观测设备在第q个采样时刻观测到的接收功率；表示第d个观测设备在第q个采样时刻识别到的调制方式；表示所述电磁辐射源的参考中心频率；表示所述电磁辐射源的参考信号带宽；表示根据所述电磁辐射源在第q个采样时刻的预测状态得到的参考接收功率；表示所述电磁辐射源的参考调制方式；表示中心频率误差标准差；表示信号带宽误差标准差；表示接收功率误差标准差；表示中心频率相似度权重，取值为0.45；表示信号带宽相似度权重，取值为 0.25；表示接收功率相似度权重，取值为0.20；表示调制方式一致性权重，取值为 0.10；为指示函数。

15、s1.4，在r-gcn输出的高置信子图上，对时间边若上一时刻观测质量高、数据连续，时间边权重应更大；若数据出现异常跳变，权重应降低。对空间边若相邻cell的观测一致性高、环境数据相似，空间边权重应更大；若跨越障碍或环境数据差异大，权重应降低。输出细化后的节点特征向量。

16、s1.5，通过输出层（全连接层+激活函数）将节点特征向量映射为置信度，最终确定阈值τ结合状态节点特征筛选得到目标的未来可达域。

17、进一步地，所述步骤（2）lstm-attention深度学习模型的输入与输出约束具体为：stacked lstm与multi-head attention所要提取的辐射源特征包括辐射源时间序列的轨迹特征和信号特征，并基于堆叠长短期记忆网络-多头注意力机制（stacked lstm-multi-headattention）的可达域约束预测模型，计算各区域单元的预计到达时间（eta）和预计汇合时间（ttr）。

18、s2.1，堆叠长短期记忆网络（stacked lstm）编码器：对于第层lstm，第时刻的计算过程如下：

19、遗忘门：

20、输入门：

21、输出门：

22、细胞状态：

23、隐含层输出：

24、其中：为遗忘门输出，控制上一时刻细胞状态的保留比例；为输入门输出，控制当前输入信息的存入比例；为输出门输出，控制细胞状态的输出比例；为细胞状态，存储长期记忆信息，为第l层在上一时刻的细胞状态；为隐含层输出；为当前时刻输入；、、、分别为遗忘门、输入门、输出门、细胞状态的权重矩阵；、、、分别为遗忘门、输入门、输出门、细胞状态的偏置向量；为sigmoid激活函数；表示逐元素相乘；

25、s2.2，多头注意力机制（multi-head attention）将lstm输出的隐含状态投影到多个子空间，形成查询（）、键（）、值（）三元组：

26、 (3)

27、其中：分别为第个注意力头的查询、键、值矩阵；分别为第i个注意力头的查询投影、键投影、值投影权重矩阵；为当前时刻隐含状态；为所有时刻隐含状态矩阵。

28、计算缩放点积注意力：

29、 (4)

30、其中：为第i个注意力头的输出；为键向量维度；为缩放因子，防止梯度消失，为缩放点积注意力函数；为归一化指数函数；上标t表示矩阵转置；

31、将多个注意力头的输出拼接并投影：

32、 (5)

33、其中：为注意力头数；为输出投影矩阵；为多头注意力机制输出矩阵；为拼接函数；

34、s2.3，可达域约束函数：为避免预测轨迹超出物理可达范围，引入可达域约束损失函数。

35、 (6)

36、其中：为安全约束损失项；为约束权重系数；为第时刻预测的轨迹点坐标；为预测点到原点的欧氏距离；为最大可达半径，由无人机/所述车辆装载的大功率电磁探测设备的最大速度、转弯半径、爬升率等动力学参数决定。

37、s2.4，时变置信度函数：预测置信度随时间递减，采用三次多项式建模。

38、 (7)

39、其中：为第时刻的预测置信度，取值范围为(0,1]；为多项式系数；为最大预测时长；0.99为初始置信度（时）。

40、s2.5，预计到达时间（eta）与预计汇合时间（ttr）计算：预计到达时间（estimatedtime of arrival, eta）表示飞行器到达目标位置的预计时间。

41、 (8)

42、其中：为飞行器的当前位置；为目标位置；为当前位置到目标的距离；为平均飞行速度；为第个障碍物或约束引起的延迟。

43、预计汇合时间（time-to-rendezvous, ttr）表示两飞行器相遇的预计时间：

44、 (9)

45、其中：为两飞行器的速度向量；为两飞行器的位置；为两飞行器间的距离；为相对速度大小；为探测同步时间，即无人机探测到电磁辐射源的时间；

46、通过上述lstm-attention模型，输出各区域单元的可达域、预计到达时间eta、预计汇合时间ttr及预测置信度。

47、进一步地，所述步骤（2）中无人机与电磁辐射源预计汇合的具体步骤为：

48、s2.6，先计算电磁辐射源到预测轨迹上等距离点的预计到达时间eta(t)生成各候选时间点，记第m个候选轨迹点的空间坐标为cm，其中m=1,2,…,m。分别计算所述电磁辐射源到达各候选轨迹点cm的预计到达时间eta(m)|，以及所述无人机在运动约束和环境约束下到达各候选轨迹点cm的预计汇合时间ttr(m)

49、 （10）

50、 （11）

51、其中：为辐射源从当前时刻的位置到候选轨迹点tm的预测轨迹路径长度；为电磁辐射源自身的运动速度；w是风速大小；θ是风向与无人机飞行方向的夹角，cosθ是该夹角的余弦值；为无人机从起飞点到候选点cm的最短几何路径长度；为无人机运动约束修正系数（≥1）；为无人机自身的飞行速度；为风场对无人机的速度修正量；为无人机转弯耗时修正项；

52、s2.7，选取使|ttr(m)−eta(m)|最小的一组参数(tm,cm)为预计汇合时空坐标

53、s2.8，基于a*算法的全局路径规划框架，结合2.6中的预计汇合时空坐标，通过动态权重调整机制生成无人机的最优可行轨迹；筛选公式为：

54、

55、其中：为节点n的综合优先级评分；为调节环境代价对总代价的影响程度；为从起点到节点 n 的实际环境损耗；调节目标导向对总代价的影响程度；从节点 n 到目标点的欧氏距离，

56、并输出无人机的可行轨迹和电磁辐射源的预测轨迹；

57、s2.9，进行航迹验证评估：

58、第一层进行运动约束过滤，检查满足环境约束的航迹点是否符合无人机的速度、加速度、角速度及转弯半径等动力学限制，并对不满足的航迹点进行平滑修正；

59、第二层进行目的地到达概率评估，提取航迹终点即预计汇合时空坐标(tm,cm)，将其与lstm模型预测输出的未来t时刻电磁辐射源到达各离散化网格单元的目的地到达概率矩阵进行比对，若航迹终点落在目的地到达概率大于设定阈值的概率区域内，则验证通过并输出最终执行航迹，否则重新调整预计汇合时间并重新规划航迹；

60、进一步地，所述步骤（3）的最可能航迹预测方法，其特征在于:

61、s3.1，使用时间窗优化的a*算法以找到路径较短且到达时间较短的路径，并调度所述无人机前往权利要求步骤（2）确定的预计汇合时空坐标(tm,cm)，若发现电磁辐射源，则持续跟踪；

62、s3.2，若未发现电磁辐射源，重新更新电磁辐射源与无人机的可达域，计算两者可达域的交叉部分；

63、s3.3，将交叉部分的三维空间图像截切为二维投影，选取二维投影中各边到顶点最远距离的最小边作为x轴，再将二维投影映射回三维空间；

64、s3.4，采用三维映射改进的softactor-critic（sac）方法，输入风速、障碍物参数，学习并输出最优扫描路径，实现对电磁辐射源的跟踪。其中风速三维状态映射、障碍物三维安全映射、动作约束映射为sac算法核心：

65、 (12)

66、式中，为机体坐标系下三维风速矢量，单位 m/s；为合成风速大小；为灵敏度系数，无量纲；为风速安全阈值，单位 m/s；为风扰威胁系数，，越接近1表示风扰越强；

67、 (13)

68、式中，为无人机当前三维位置，单位 m；为第个障碍物位置，单位 m；为感知范围内障碍物总数；为最近安全距离，单位 m；

69、 (14)

70、式(14)中，为sac原始输出；为俯仰角指令，单位 rad；为偏航角指令，单位 rad；为油门量，；为安全距离阈值，单位 m；为障碍物距离衰减因子，；为风扰衰减因子，；为经三维环境约束后的实际执行动作。

71、sac最优路径学习的参数和函数包括：

72、状态：包含所述装载小功率电磁探测设备的无人机位置、速度、风速（大小与方向）、障碍物坐标；

73、动作：无人机的俯仰角、偏航角、油门量（连续值）；

74、奖励函数：

75、r=α×c+β×l+γ×e （15）

76、其中，覆盖面积占比为扫描区域与交叉区域的比值，路径单位km，能耗单位wh，α为覆盖面积占比权重，0.4≤α≤0.8；β为路径长度权重，-0.5≤β≤-0.2；γ为避障能耗权，-0.3≤γ≤-0.05，c为覆盖面积占比，l为路径长度，e为避障能耗。

77、本发明相比现有技术的有益效果是：①定位精度高：通过多元传感器网络采集数据，利用r-gcn层和gat层进行特征聚合与关系学习，结合异质图神经网络构建，对高质量观测进行参数调整等优化手段，显著提高了电磁辐射源的可达域预测精准度。②跟踪效率高：通过环境离散化、运动约束量化和lstm-attention深度学习模型精细预测电磁辐射源的未来航迹，再经过航迹验证，提高了无人机与电磁辐射源汇合的效率，减少了无效搜索，增加了无人机与电磁辐射源的汇合概率。③环境适应性强：在各个步骤中充分考虑了环境因素，如障碍物、风速、无人机电池剩余量和无人机运动约束，使方法能够适应不同的复杂环境。④协同性能优：明确了所述无人机装载的小功率电磁探测设备与所述车辆装载的大功率电磁探测设备的分工，通过高效的通信方式实现数据同步，使两者协同工作，提升了整体定位跟踪系统的性能。