一种低空飞行网络的多源数据融合与运行态势分析方法与流程

摘要: 本发明涉及低空空域监控与管理,具体为一种低空飞行网络的多源数据融合与运行态势分析方法。背景技术:1、随着低空经济的蓬勃发展,低空飞行网络在现代交通体系中的战略地...
一种低空飞行网络的多源数据融合与运行态势分析方法与流程

本发明涉及低空空域监控与管理,具体为一种低空飞行网络的多源数据融合与运行态势分析方法。

背景技术:

1、随着低空经济的蓬勃发展,低空飞行网络在现代交通体系中的战略地位日益凸显,成为实现空域高效利用与飞行器安全管控的关键基础设施。低空飞行网络涉及无人机、通用航空飞行器以及各类地面支撑设施,其运行环境复杂多变且对安全性要求极高。建立完善的低空监测与态势分析体系,对于提升空域容量、预防飞行事故以及优化航路资源配置具有极其重要的现实意义。

2、其中,低空飞行网络的多源数据融合与运行态势分析是保障飞行安全的核心技术方向。该技术旨在通过集成飞行器载荷、地面基站传感器及气象监测设备获取的实时数据,实现对空域内所有动态目标的精准定位与环境感知的统一建模。通过对异构数据的实时处理与深度挖掘,系统能够为飞行器提供精确的运行态势信息,支撑起复杂空域环境下的决策与调度。

3、然而,现有技术在处理低空复杂环境下的海量异构数据时,往往存在数据清洗不彻底以及融合算法实时性较差的问题,导致生成的空域模型存在显著的滞后效应。同时,现有的风险评估模型多依赖于单一的物理指标,缺乏对气象条件、机械状态与障碍物分布等跨维度因素的非线性关联分析,难以准确预测高动态场景下的潜在碰撞风险。此外,由于飞行器与管理中心之间的协同控制机制不完善,路径优化策略往往难以兼顾任务效率与空域负载平衡,导致在处理高密度飞行流时容易出现响应不及时或资源调度冲突的现象。

技术实现思路

1、针对现有技术的不足,本发明提供了一种低空飞行网络的多源数据融合与运行态势分析方法,解决了背景技术中提到的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:一种低空飞行网络的多源数据融合与运行态势分析方法,包括以下具体步骤:

3、步骤1:多源数据实时采集与动态融合:通过飞行器、气象传感器、地面基站及其他飞行器等多种数据源实时采集低空飞行网络中的多维原始数据,利用分布式流处理架构对所述多维原始数据执行实时清洗与归一化预处理,并结合自适应卡尔曼滤波算法或粒子滤波算法对异构数据流进行时空对齐与权重融合,从而生成高精度的飞行器状态模型与动态空域环境模型;

4、步骤2:基于融合数据的安全风险评估与预测:构建基于深度神经网络的风险评价矩阵,将所述飞行器状态模型与动态空域环境模型作为输入特征,实时解算飞行器与相邻飞行器、地面固定障碍物及突发气象扰动之间的几何碰撞概率,并根据预设的安全评价指标计算飞行器的实时安全风险等级,同时通过在线学习机制根据实时反馈数据对风险评估模型的权值参数进行动态修正;

5、步骤3:自适应飞行路径优化与动态调整:依据所述实时安全风险等级,调用多约束启发式路径规划算法对飞行器的预设航路进行重新搜索,避开高风险覆盖区域,并结合强化学习算法在飞行过程中根据飞行器自身姿态变化与外部环境扰动对飞行路径执行秒级粒度的动态补偿,以实现风险最小化与飞行效率最大化的平衡;

6、步骤4:飞行器与空域管理中心的协同控制与反馈机制:利用高带宽低时延的无线通信链路建立飞行器与空域管理中心之间的双向数据交互通道,实时共享飞行状态矢量、路径调整指令及安全预警报文,空域管理中心根据全局飞行任务的优先级排序与空域负载饱和度对各飞行器的路径权重进行二次分配,并将协调控制指令实时下发至飞行器端,构建闭环式空地协同管控体系。

7、优选的,所述步骤1中多源数据实时采集的过程涉及对飞行器机载传感器获取的姿态数据、地面雷达探测到的目标轨迹数据以及气象站发布的风场矢量数据进行同步采样。所述多源数据实时采集通过在低空飞行网络中部署多个异构监测节点实现,每个监测节点均配置有高精度授时模块,以确保所有采集到的原始数据具有统一的时间戳基准。在数据传输过程中,采用冗余编码校验机制保证数据包的完整性,防止因信号衰减导致的采样缺失。

8、优选的,所述步骤1中流处理技术对数据的实时清洗包括剔除原始数据流中的野值与离群点。具体操作为:计算相邻采样周期内数据变化率的绝对值,若该变化率超过预设的物理运动约束阈值,则判定该点为噪声干扰,并采用线性插值法或最近邻补齐法对缺失点进行重构。归一化预处理过程则是将不同量纲的传感器数据映射到统一的数值空间内,以便于后续的融合运算。

9、优选的,所述步骤1中结合卡尔曼滤波算法对异构数据进行融合的过程涉及状态预测与测量更新两个循环阶段。在状态预测阶段,利用前1时刻的最优估计值与状态转移矩阵计算当前时刻的预测状态值,并计算预测协方差矩阵。在测量更新阶段,计算卡尔曼增益,该增益等于预测协方差矩阵与测量矩阵转置的乘积再乘以观测噪声协方差矩阵与预测协方差矩阵之和的逆矩阵。最终通过卡尔曼增益对预测状态值进行修正,得到当前时刻的融合状态向量。

10、优选的,所述步骤2中基于融合数据的安全风险评估过程涉及建立三维碰撞体积模型。所述三维碰撞体积模型以飞行器质心为原点,构建一个包络飞行器几何轮廓的椭球体边界。通过计算该椭球体边界与其他飞行器的椭球体边界在四维时空坐标系下的交集概率,评估瞬时碰撞风险。若交集概率大于第一预设阈值,则触发安全预警。

11、优选的,所述步骤2中安全风险等级的计算采用多准则决策分析方法。将碰撞概率、气象剧烈程度因子、飞行器剩余能源储备以及通信链路质量因子作为输入项,分别赋予不同的加权系数。所述加权系数根据飞行器当前所执行任务的紧急程度进行动态调整。计算所得的总风险分值被划分为第1风险等级、第2风险等级及第3风险等级,其中第3风险等级代表极高风险,需立即启动强制避障程序。

12、优选的,所述步骤3中路径优化算法采用改进的星号搜索算法。该算法的代价函数由起始点到当前点的实际路径长度、当前点到目标点的估算启发距离以及当前点所处位置的风险代价项组成。风险代价项的大小与所述步骤2中计算得到的安全风险等级呈正相关关系。通过搜索代价函数值最小的路径节点序列,生成避开所有高风险单元格的最优飞行轨迹。

13、优选的,所述步骤3中通过强化学习算法进行路径实时调整的过程涉及智能体与环境的交互。飞行器作为智能体,其动作空间包括偏航角调整、俯仰角调整及飞行速度变换。奖励函数被设计为飞行时间消耗的负值与路径平滑度增量的总和,并减去避障失效的惩罚项。通过深度强化学习网络对动作价值函数进行迭代更新,使飞行器能够学习到在复杂气流扰动下的最优姿态补偿策略。

14、优选的,所述步骤4中飞行器与空域管理中心之间的协同控制涉及空域权重的动态分配。空域管理中心根据各飞行器的预定到达时间、剩余续航能力以及业务优先级,构建全局资源优化模型。当特定局部空域的飞行器密度超过预定饱和度阈值时,空域管理中心生成调速或改变高度层的指令。所述调速指令包含加速、减速或保持当前速度的控制字,通过高可靠性链路下发至飞行器的飞行控制计算机。

15、优选的,所述协同控制过程还包括链路自愈机制。当飞行器与空域管理中心之间的主通信链路受到电磁干扰导致误码率超过预设阈值时,系统自动切换至备用窄带通信链路。在备用链路模式下,系统优先传输核心飞行状态矢量与紧急预警报文,压缩非关键性的环境感知数据,以确保控制指令的连续性。

16、优选的,所述步骤4中的反馈机制采用双向确认握手协议。飞行器在接收到空域管理中心下发的路径调整指令后,首先执行指令合法性校验,并向中心返回确认接收信号。飞行器根据调整后的路径执行动作后,实时监测执行偏差量,并将该偏差量反馈至空域管理中心。空域管理中心基于各飞行器的执行反馈,重新解算空域内的态势分布,形成循环往复的动态控制闭环。

17、优选的,所述一种低空飞行网络的多源数据融合与运行态势分析方法还包括建立历史运行态势数据库。将历次飞行过程中的融合数据、风险评估结果及路径调整记录进行结构化存储。利用深度学习中的长短期记忆网络对数据库中的时序数据进行挖掘,提取不同气象模式下的典型态势演变特征,从而为未来的飞行计划提供基于历史经验的辅助决策支持。

18、优选的,所述飞行器状态模型包括飞行器的三维空间坐标、三轴速度分量、三轴加速度分量以及姿态角信息。所述动态空域环境模型包括静态地形高度图、建筑物边界模型、禁飞区地理围栏限制以及动态气象格点数据。所有模型数据均映射在统一的地理信息系统中,以实现全局态势的直观可视化与逻辑运算。

19、优选的,所述步骤1中的粒子滤波算法在处理非线性非高斯噪声时,通过抽取大量具有权重的随机粒子来近似表示状态的概率分布。在每个时间步长,根据观测数据更新每个粒子的权重,并剔除权重过低的粒子,通过对剩余粒子进行重采样,确保粒子群始终集中在高概率区域,从而在极端复杂环境下保持飞行器定位的鲁棒性。

20、优选的,所述步骤2中的机器学习算法采用卷积神经网络提取空域图像特征。将雷达回波图与气象云图转化为张量输入,通过多层卷积运算识别出潜在的雷暴区域或密集的鸟群分布。提取出的特征向量被送入全连接层进行分类,输出各潜在风险源的类型与运动趋势预测。

21、优选的,所述步骤3中的路径优化还考虑了飞行器的运动学约束,包括最大转弯半径限制、最大爬升率限制以及能量消耗速率限制。路径平滑处理过程采用三次样条曲线拟合算法,确保生成的航点序列在物理上可执行,且不会因姿态急剧变化导致飞行器载荷过载。

22、本发明提供了一种低空飞行网络的多源数据融合与运行态势分析方法,具备以下有益效果:

23、(1)系统运行时,本发明通过多源数据实时采集与动态融合,消除了单一传感器的数据局限性,利用卡尔曼滤波与流处理技术实现了异构数据的深度集成,显著提升了低空飞行器在复杂环境下的定位精度与态势感知能力,解决了现有技术中空域模型滞后及数据清洗不彻底的问题。

24、(2)本发明通过基于深度学习的安全风险评估与预测,能够准确解算跨维度的碰撞概率与风险等级,将气象、障碍物及动态目标等多种干扰因素纳入非线性评价体系,有效预判高动态场景下的潜在威胁,增强了飞行作业的安全性。

25、(3)本发明采用自适应路径优化与动态调整策略,结合启发式搜索与强化学习,实现了对预设航路的实时修正,在避开高风险区域的同时优化了飞行效率与能源分配,提升了飞行器应对突发环境扰动的自主决策水平。

26、(4)本发明构建的飞行器与空域管理中心协同控制机制,通过空地一体的闭环反馈体系实现了全局资源的优化调度,能够根据任务优先级与空域负载动态平衡飞行流,极大缓解了高密度飞行场景下的调度冲突,保障了低空飞行网络的高效有序运行。