一种基于无人机辅助的路径规划与频谱地图重建方法
本发明涉及无线电地图更新,具体为一种基于无人机辅助的路径规划与频谱地图重建方法。
背景技术:
1、近年来,凭借高机动性和三维空间部署能力,无人机已成为构建大范围频谱地图的重要平台。然而,在未知环境中,电磁信号传播受到多径效应、阴影衰落及障碍物遮挡等因素的共同影响,导致空间频谱分布呈现显著的非平稳性和不确定性,使得无人机获取的观测信息具有较强的随机波动特征。理论上,提高空间采样密度或扩大探测范围能够提升频谱地图的重构精度,但在三维高维空间中,有限的飞行时间、能量预算以及观测资源约束使得全局密集采样难以实现。因此,如何在有限采样成本下快速获取高价值空间信息,实现未知电磁环境的高精度建图,成为当前无人机主动感知领域面临的关键挑战。
2、现有无人机频谱感知与建图方法大多建立在二维平面或理想视距传播场景假设下,通常忽略三维空间中的视距受限、运动约束以及环境动态变化等实际因素。同时,随着探测过程的持续进行,环境先验信息不断更新,空间不确定性分布与潜在极值区域的位置也会随之变化。在此情况下,传统被动采样策略容易产生大量冗余观测,导致有限采样资源被低价值区域消耗;而基于局部贪心搜索的主动感知方法则可能过度聚焦于局部高收益区域,降低对全局未知空间的探索能力。另一方面,现有方法通常采用全局遍历或随机游走策略提升覆盖率,虽然能够缓解局部最优问题,但会显著增加飞行距离与采样开销,难以兼顾建图精度与感知效率。
技术实现思路
1、本发明的目的在于提供一种基于无人机辅助的路径规划与频谱地图重建方法,以解决上述背景技术中提出的问题。
2、为了解决上述技术问题,本发明提供如下技术方案:
3、一种基于无人机辅助的路径规划与频谱地图重建方法,包括以下步骤:
4、s100、将单架无人机置于预设的三维物理空间并构建粗细双分辨率网格,分别得到粗网格坐标矩阵和细网格坐标矩阵;在单步观测状态下,联合稀疏贝叶斯预估的物理辐射场期望和高斯过程计算的空间随机衰落方差,构建反映当前电磁环境收益与盲区的先验频谱地图;
5、s200、构造上限置信区间效用函数,将稀疏贝叶斯预估的物理辐射场期望和高斯过程计算的空间随机衰落方差进行跨域融合,在无人机物理有效视距的约束下,量化评估可视空域内各网格节点的信息增益,精准锁定当前候选区域最高效用空间坐标作为目标航点;
6、s300、受限于无人机的连续动力学与相邻节点转移约束,向目标航点规划物理可达的最短连续航线,并控制无人机沿所述最短连续航线执行单步空间前进,完成对区域的新一轮真实信号观测与采样;
7、s400、将新采集的观测信号代入低维粗网格字典,执行基于期望最大化的稀疏贝叶斯迭代反演以锚定辐射源坐标,利用欧氏距离算子将其能量跨维投影至高维细网格,并联合高斯过程的平滑残差补偿反演出最新的后验3d频谱地图;系统持续循环执行本步骤,并在每轮反演后计算目标区域平均空间方差,当指标达到预设的收敛下限时触发停止准则跳出循环,输出最终的电磁频谱地图。
8、优选地,步骤s100具体包括:
9、s101、无人机在三维物理空间中的目标区域的离散化坐标集表示为:
10、;
11、其中,分别表示物理空间在三个维度上的最大边界长度;
12、为实现算力与分辨率的解耦,将该连续空间划分为低维粗网格矩阵和高维细网格矩阵;
13、其中,为机载计算所需的粗网格节点总数,;
14、为云端恢复所需的细网格节点总数,;
15、s102、根据无人机在空间中已采集的个真实观测点坐标集合:、以及粗网格候选辐射源坐标集合,建立目标辐射源到空间观测节点的路径损耗感知字典矩阵;
16、其中,路径损耗感知字典矩阵第行、第列的计算公式为:
17、;
18、其中,表示第个物理观测点与第个粗网格节点之间的三维欧氏距离,表示避免数学奇异性的参考距离截断值,表示路径损耗指数;
19、由此在单步观测状态下,基于稀疏贝叶斯学习推断出全域粗网格下的物理辐射场期望向量为:;
20、其中,表示全域网格到网格的基底字典矩阵,表示在动态感知字典下经过迭代反演得到的辐射源稀疏系数向量,表示当前环境的物理收益预测;
21、s103、针对空间中的阴影衰落残差,利用高斯过程计算全局空间的协方差矩阵;定义空间节点与之间的空间相关性核函数为matérn 3/2核:
22、;
23、其中,为两点间的欧氏距离,为阴影衰落标准差,为空间相关长度,为伽马函数,为第二类修正贝塞尔函数;上述超参数通过有限内存拟牛顿法的算法最小化负对数边缘似然(nlml)动态求解获得;
24、结合已有个观测点,计算后验方差得到空间随机衰落方差向量:
25、;
26、其中,,,为核矩阵分块,为观测噪声方差;表征当前电磁环境的未知盲区程度;
27、最终构建出反映当前电磁环境收益与盲区的先验频谱地图联合分布:
28、。
29、优选地,步骤s200具体包括:
30、设当前采样时刻无人机的三维物理坐标为,其搭载的频谱传感设备具备受限的有效物理探测视距;基于此硬性视距约束,在全域粗网格坐标集合中,截取并划定当前时刻的局部可视候选空间:
31、;
32、其中,为三维欧氏距离;
33、针对局部可视候选空间中的每一个网格节点,构造结合物理机制的跨域上限置信区间效用评价函数:;
34、其中,为由稀疏贝叶斯重构出的该节点处的辐射场期望,表征隐藏辐射源对无人机产生的趋利引力;为由高斯过程计算得出的衰落标准差,表征该节点处的环境信息未知度与探索增益;为利用与探索的权重调节因子,用于动态平衡物理模型引导与未知盲区发掘的决策占比;权重调节因子可设定为常数3,契合高斯分布的置信上限原则,在保证物理模型引导的同时,赋予系统跨越深衰落盲区的极限探索势能;
35、在划定的局部可视候选空间内,对构造的跨域上限置信区间效用函数对候选节点执行效用评估与最大化搜索,量化对比各候选节点的综合收益,锁定当前候选空间最高效用的空间坐标作为下一阶段的目标航点:
36、。
37、优选地,步骤s300具体包括:
38、设当前采样时刻无人机所在的离散网格节点为,锁定的全局最优目标航点为,受限于无人机无法进行空间瞬移,调用引入上限置信区间环境势场的局部规划算子,在离散的三维粗网格坐标基底上,生成一条从当前点起始至目标点的物理可达连通轨迹序列:;
39、其中,首节点,末节点,且轨迹序列中的任意相邻节点对均满足无人机的单步动力学连通距离约束;
40、为最大化空间采样效率,避免无人机在已测绘的区域浪费续航步数,系统对生成的连通轨迹序列启动严格的在线历史冗余检测;按序列顺序依次检索中的空间节点,提取首个未被历史动态观测集收录的全新盲区节点,将其定为下一执行时刻的实际物理航点:;
41、其中,;
42、锁定实际物理航点后,飞行控制器驱动无人机平台跨越至该节点;
43、针对轨迹全量陷入历史观测集的边界死锁情况,则触发防死锁算子,调度无人机向距离当前位置欧氏距离最近的全局未访问节点进行空间游走;
44、无人机抵达实际物理航点后,对当前三维空间节点的电磁场进行测量,提取含噪观测信号;随后更新系统总有效物理观测次数,并将新坐标与新信号分别追加至动态观测集与全局观测向量列表中,具体公式为:
45、。
46、优选地,步骤s400具体包括:
47、s401、将获取的最新观测数据列入全局观测向量;在机载算力受限的低维粗网格域内,将观测向量代入动态感知字典,调用期望最大化算法进行稀疏贝叶斯推断;在期望步中,利用woodbury矩阵恒等式快速求解隐藏辐射源权重的后验均值与协方差矩阵;在最大化步中,结合gamma先验极小化目标函数交替迭代超参数;提取收敛的稀疏系数向量,重构出路径损耗线性期望场,精准锚定空间物理辐射源;
48、引入空间最近邻欧氏距离算子;遍历低维反演提取出的所有非零辐射源坐标点,将其投影至高维细网格坐标系中距离其欧氏距离最近的像素节点上;在细网格域内重新生成高分辨率的路径损耗底图,提取出高维全域电磁场物理期望;
49、提取实际观测信号与sbl反演结果之间的阴影衰落残差;配置已收敛超参数的matérn 3/2空间协方差核,通过高斯过程将该残差平滑克里金插值至高维细网格域,生成全域高分辨率线性阴影衰落因子分布;遵循真实电磁传播物理机理,将细网格物理期望底图与阴影衰落因子执行线性域纯物理乘性融合,并映射至对数域:
50、;
51、其中,为哈达玛乘积,为极小保护常数,为当前观测时刻下反演出的大尺度与阴影衰落深度耦合的高保真后验3d频谱全景地图;
52、s402、系统将输出的后验分布作为新一轮循环的先验,持续执行主动感知;为最大化无人机空间采样效率,并减少因边缘极值盲区导致的系统死锁与冗余观测,引入了a基于最优实验设计准则的动态跳出机制;在第m步观测与后验计算结束后,系统实时提取高斯过程在全域离散网格上的后验方差估计,通过统计后验方差在全域离散网格上的平均值,计算当前三维空间的全域平均空间方差,以此作为衡量环境全局不确定度的收敛指标:
53、;
54、其中,n为离散三维网格的全局节点总数,为第个网格点处的后验方差;
55、当系统满足全域平均方差收敛条件,即该全局不确定度已被压制在预设的自适应安全基线以下,或物理飞行步数达到最高续航上限时,触发硬性停止指令;无人机即刻切断靶向选点与航线规划引擎,安全跳出空间主动寻优循环,最终输出高准确度分层3d频谱全景地图。
56、与现有技术相比,本发明所达到的有益效果是:
57、本发明解决了未知复杂电磁环境中无人机主动探测中实时计算力与重构准确度之间的矛盾问题,考虑了无人机具有物理视距与三维运动受限的情况,并对无人机的空间探索路径与收敛状态进行动态规划与实时判定,降低了无效采样与物理飞行代价,有效提高了单架无人机在复杂环境下的主动感知效率与三维频谱重构能力。
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