一种面向复杂山地低空通信的安全保障系统及方法与流程

摘要: 本发明涉及飞行安全保障,尤其涉及一种面向复杂山地低空通信的安全保障系统及方法。背景技术:1、随着低空经济的快速发展,以无人机为代表的各类低空飞行器在物流配送、应...
一种面向复杂山地低空通信的安全保障系统及方法与流程

本发明涉及飞行安全保障,尤其涉及一种面向复杂山地低空通信的安全保障系统及方法。

背景技术:

1、随着低空经济的快速发展,以无人机为代表的各类低空飞行器在物流配送、应急救援、城市空中交通等场景中得到了广泛应用。复杂山地作为低空飞行的重要应用场景,山地独特的地理环境对通信保障与飞行安全提出了严峻挑战。由于山区地形起伏剧烈,不仅导致无线信号传输易受遮蔽与多径效应影响,还使得局部气象条件复杂多变,风切变、上升气流及湍流等现象频发,对飞行器的姿态控制和航迹稳定性构成直接威胁。目前,大多数无人机主要依赖预设航线飞行,并结合基础的感知与避障系统应对突发障碍。在空域管理方面,现有的空中交通服务系统主要针对中高空大型航班设计,该现有的空中交通服务系统的更新频率和精度难以满足低空微环境中小型、低速无人机群的实时管控需求。特别是对于未来短时间内复杂的空中交通态势,现有技术缺乏有效的预测能力,难以准确预判多机之间潜在的飞行冲突。此外,低空环境极易受到局部微气象条件的显著影响。风向突变、风速骤增、低空风切变或局地小范围降水等现象,会瞬间改变无人机的飞行性能和稳定性。现有技术中,气象信息的获取往往滞后于飞行态势的变化,且气象预测的颗粒度较粗,无法与特定空域的无人机飞行轨迹进行精准关联和动态推演,导致当无人机面临突发性飞行冲突和动态气象变化时,无人机的飞行控制系统无法及时获取预警信息并规划出安全的避让或调整路径,路径调整的滞后性大大增加了飞行冲突和事故的风险。

2、中国专利公开号cn119339585a公开了基于智能气象及空域监测的低空无人机飞行安全保障系统,包括气象保障系统、空域安全管理系统、起降系统、智能供电系统以及综合质控系统;所述气象保障系统用于采集、处理、传输和存储实时的气象数据,保障无人机的起飞、飞行路径规划和安全降落;所述空域安全管理系统用于集成气象保障系统,利用气象数据来评估空域的安全性监测周围空域。该低空无人机飞行安全保障系统只是对气象数据和简单的空域监测数据进行采集与评估,无法对无人机在低空飞行区域中的空中交通态势和局部微气象影响进行精准预测,导致无人机在面对飞行冲突和动态气象变化时,难以及时地调整飞行路径,降低了低空飞行的安全性。

技术实现思路

1、为此,本发明提供一种面向复杂山地低空通信的安全保障系统及方法,用以克服现有技术中无法对无人机在低空飞行区域中的空中交通态势和局部微气象影响进行精准预测,导致无人机在面对飞行冲突和动态气象变化时,难以及时地调整飞行路径,降低了低空飞行的安全性的问题。

2、为实现上述目的,本发明提供一种面向复杂山地低空通信的安全保障系统,包括:

3、数据采集模块,用于在目标复杂山地低空区域内实时采集目标无人机的飞行环境感知数据,所述飞行环境感知数据包括位置数据、地形数据、微气象数据、空中交通数据以及预设空域内其他无人机的飞行侦测数据;

4、数据预处理模块,用于对所述飞行环境感知数据进行预处理,得到预处理数据;

5、通信保障模块,用于根据预处理数据中的位置数据判断目标无人机当前所处区域的通信信号覆盖状态,并从预设多模式通信方式中选取与通信信号覆盖状态对应的通信方式,并输出通信链路状态信息,所述预设多模式通信方式包括蜂窝通信方式、卫星通信方式和自组网通信方式;

6、三维地图构建模块,用于根据通信链路状态信息、预处理数据中的位置数据和地形数据对预存地理信息数据进行融合,生成动态三维导航地图;

7、飞行风险预测模块,用于构建时空特征融合网络框架,并基于包含飞行冲突标注信息和气象影响标注信息的飞行历史数据集对时空特征融合网络框架进行迭代训练,当训练后的时空特征融合网络框架输出的飞行风险预测准确率大于预设飞行风险预测准确率时,停止训练,输出飞行冲突预测模型,并将预处理数据中的空中交通数据和微气象数据输入飞行冲突预测模型中进行分析,得到包含与其他无人机的碰撞概率和气象影响区段的飞行风险预测结果;

8、安全管控模块,用于对预处理数据中的飞行侦测数据与预设入侵目标识别条件进行分析,并将满足预设入侵目标识别条件的无人机标记为入侵无人机,并在识别到入侵无人机时,根据入侵无人机的实时位置和飞行参数生成告警信息;

9、飞行航线规划模块,用于根据所述动态三维导航地图、飞行风险预测结果以及告警信息对所述动态三维导航地图中的规划航线进行调整,得到调整后的飞行航线。

10、本技术的技术原理在于:通过数据采集模块在目标复杂山地低空区域内实时获取包含微气象和空中交通在内的多源飞行环境感知数据;利用通信保障模块根据位置数据动态选取最优通信方式,确保数据链路畅通,通过三维地图构建模块将位置和地形数据与预存地理信息融合,生成动态三维导航地图,利用包含飞行冲突和气象影响标注的飞行历史数据集对时空特征融合网络框架进行迭代训练,最终输出飞行冲突预测模型,该飞行冲突预测模型能够综合分析空中交通数据和微气象数据,输出包含碰撞概率和气象影响区段的飞行风险预测结果,同时,通过将飞行侦测数据与预设入侵目标识别条件比对,标记入侵无人机并生成告警信息,最后,飞行航线规划模块综合动态三维导航地图、风险预测结果及告警信息,对规划航线进行实时动态调整。

11、与现有技术相比,本技术的有益效果在于:通过构建时空特征融合网络框架并利用历史数据迭代训练出飞行冲突预测模型,实现了对未来短时间内空中交通态势与微气象变化的精准预测,显著提高了对与其他无人机碰撞概率和气象影响区段的预测准确率,通过将飞行侦测数据与预设入侵目标识别条件进行分析,实现了对入侵无人机的自动标记与实时告警,提升了空域安全的主动防御能力,通过通信保障模块根据位置数据动态选取最优通信方式,保证了在复杂山地环境下数据传输的稳定与可靠,通过三维地图构建模块对位置、地形数据与预存地理信息进行融合,生成了动态三维导航地图,为航线规划提供了精确的态势感知基础,通过飞行航线规划模块能够根据动态三维导航地图、飞行风险预测结果以及告警信息对规划航线进行实时动态调整,实现了从被动响应到主动规避的转变,有效规避了突发性飞行冲突和动态气象风险,全面保障了无人机在低空复杂山地环境下的持续飞行安全。

12、进一步,所述通信保障模块包括通信信号强度值计算单元,所述通信信号强度值计算单元获取与预处理数据中的位置数据对应的目标无人机空间坐标,并基于目标无人机空间坐标和通信基站的位置坐标计算对应的通信信号强度值,其中,通信信号强度值的数学表达式为:,式中,表示通信基站的功率,表示通信基站的发射天线增益,表示目标无人机的接收天线增益,表示通信信号的波长,表示目标无人机与通信基站之间的直线距离,表示系统损耗因子,。

13、本方案中,通过获取目标无人机空间坐标与通信基站坐标,并结合功率、天线增益、波长、距离及路径损耗系数精确计算通信信号强度值,能够准确评估通信质量,为无人机通信保障提供可靠数据支持,确保通信稳定可靠。

14、进一步,所述通信保障模块还包括通信链路状态信息输出单元,所述通信链路状态信息输出单元将所述通信信号强度值与第一通信信号强度阈值和第二通信信号强度阈值进行比对,并根据比对结果对所述通信信号覆盖状态进行判断,并根据判断结果从预设多模式通信方式中选取与通信信号覆盖状态对应的通信方式,并输出通信链路状态信息,,其中:

15、当时,所述通信链路状态信息输出单元判定所述通信信号覆盖状态为强覆盖状态,并选取蜂窝通信方式作为主用通信方式,并将卫星通信方式和自组网通信方式作为备用通信方式,

16、当时,所述通信链路状态信息输出单元判定所述通信信号覆盖状态为弱覆盖状态,选取自组网通信方式作为主用通信方式,并将蜂窝通信方式和卫星通信方式作为备用通信方式;

17、当时,所述通信链路状态信息输出单元判定所述通信信号覆盖状态为无覆盖状态,选取卫星通信方式作为主用通信方式,并将自组网通信方式作为备用通信方式;

18、所述通信链路状态信息输出单元根据最终选取并建立的通信方式生成包含当前激活的通信链路类型、链路信号质量和链路带宽数据的通信链路状态信息。

19、本方案中,通过实时监测通信信号强度并与第一通信信号强度阈值和第二通信信号强度阈值进行比较,智能判断信号覆盖状态,动态选择最适配的主用和备用通信方式,确保在不同信号环境下始终维持可靠通信链路,同时输出包含链路类型、质量和带宽的详细信息,从而提升通信系统的自适应能力、稳定性和资源利用效率。

20、进一步,所述三维地图构建模块包括:

21、空间对齐单元,用于根据当前激活的通信链路类型和链路信号质量,以及所述目标无人机空间坐标对预存地理信息数据中的基站位置、卫星覆盖区域和无人机节点分布进行空间配准,生成包含动态通信网络拓扑层的初始三维地图;

22、时空同步融合单元,用于对初始三维地图和预处理数据中的地形数据进行时空同步融合,生成动态导航地图,其中,时空同步融合的数学表达式为:,式中,表示动态导航地图,表示预存地理信息数据构成的静态基础地图,表示空间叠加融合操作,表示预设时间窗口长度,表示第t个时间单位内地形数据的变化量,表示用于对第t个时间单位内地形数据的变化量进行调整的权重系数。

23、本方案中,通过将实时通信链路信息与地理信息空间配准,并融合动态地形变化数据,构建包含动态通信网络拓扑层的动态导航地图,实现环境与通信态势的同步更新,显著提升无人机在复杂环境下的态势感知能力、导航精度及任务适应性。

24、进一步,在所述飞行风险预测模块中,构建时空特征融合网络框架的过程包括:

25、步骤a01、构建包含图卷积网络的空域交互特征提取组件,并通过图卷积网络对空域内多无人机之间的空间交互特征进行提取,得到空间结构特征,其中,所述图卷积网络将空中交通数据对应的每架无人机作为图节点,将无人机之间的相对距离和航向夹角作为边特征;

26、步骤a02、构建包含门控循环单元的时序特征提取组件,并通过门控循环单元对气象影响区段的动态演变特征进行提取,得到时序演变特征,其中,所述门控循环单元用于将微气象数据中每个气象影响区段对应的边界点坐标和移动速度矢量作为时序序列输入;

27、步骤a03、构建包含多头注意力机制的特征融合层,并通过多头注意力机制计算空间结构特征与时序演变特征之间的相关性权重,并根据所述相关性权重对空间结构特征与时序演变特征进行加权求和,得到时空融合特征张量,其中,所述多头注意力机制用于将所述空间结构特征作为查询矩阵,将所述时序演变特征作为键矩阵和值矩阵。

28、本方案中,通过图卷积网络提取无人机间的空间交互特征,并利用门控循环单元捕捉气象区段的动态时序演变,再经多头注意力机制实现时空特征的自适应融合,能够全面挖掘复杂环境下的多维度风险关联,显著提升飞行冲突与气象风险的预测精度。

29、进一步,在所述飞行风险预测模块中,基于包含飞行冲突标注信息和气象影响标注信息的飞行历史数据集对时空特征融合网络框架进行迭代训练包括:

30、步骤b01、根据预设数据集划分比例将飞行历史数据集随机划分为训练数据集和验证数据集,所述飞行冲突标注信息用于表示两架无人机之间是否发生冲突的二元标签,所述气象影响标注信息用于表示无人机是否受到气象因素影响的二元标签;

31、步骤b02、将所述训练数据集中的空中交通历史数据和微气象历史数据作为输入,将对应的飞行冲突标注信息和气象影响标注信息作为监督标签,并对所述时空特征融合网络框架进行前向传播分析,得到预测的飞行冲突概率和气象影响概率;

32、步骤b03、构建联合损失函数,并根据所述联合损失函数计算预测误差,并通过反向传播算法对时空特征融合网络框架中的网络参数进行更新,在每个训练轮次结束后,将验证数据集输入当前网络框架进行计算,得到数据验证集上的联合损失值和飞行风险预测准确率。

33、本方案中,通过将飞行历史数据集按预设比例划分为训练数据集和验证数据集,以飞行冲突、气象影响双标注信息为监督标签,采用时空特征融合网络进行前向传播预测,结合联合损失函数与反向传播更新网络参数,并在每轮训练后用验证集校验,可有效提升无人机飞行冲突概率与气象影响概率的预测精准度,保障模型训练的稳定性和泛化能力,让飞行风险预测模型更贴合实际应用场景。

34、进一步,在所述步骤b03中,所述联合损失函数的数学表达式为:,式中,表示联合损失值,表示飞行冲突预测损失值,表示气象影响预测损失值,表示l2正则化项,表示用于对飞行冲突预测损失值进行调整的权重系数,表示用于对气象影响预测损失进行调整的权重系数,表示用于对l2正则化项进行调整的系数;

35、飞行冲突预测损失值的数学表达式为:

36、

37、式中,表示训练样本总数量,表示训练样本索引,表示平衡正负样本的权重系数,表示模型预测的第个训练样本发生飞行冲突的概率,表示第个训练样本的真实飞行冲突标签,表示聚焦参数;

38、气象影响预测损失值的数学表达式为:

39、

40、式中,表示第i个训练样本的真实气象影响标签,表示模型预测的第i个训练样本受气象影响的概率。

41、本方案中,通过采用多分量加权融合的联合损失函数,针对性优化飞行冲突与气象影响预测损失,同时引入正则化约束,可有效平衡正负样本、聚焦困难预测样本,抑制模型过拟合,显著提升无人机飞行冲突与气象影响预测的精度、稳定性及泛化能力。

42、进一步,所述安全管控模块包括:

43、入侵识别单元,用于根据预处理数据中的飞行侦测数据提取各无人机的身份标识信息以及飞行轨迹信息,根据所述身份标识信息在预设合法身份标识数据库中进行匹配,将未匹配到合法身份标识的无人机作为候选入侵无人机,并将所述候选入侵无人机的飞行轨迹信息与预设电子围栏边界范围进行空间拓扑分析,得到空间拓扑分析结果,并根据空间拓扑分析结果判断所述飞行轨迹信息是否在预设电子围栏边界范围内,将满足未广播身份标识且飞行轨迹进入预设电子围栏边界范围内的无人机标记为入侵无人机,并获取入侵无人机的实时位置和飞行参数;

44、告警生成单元,用于对所述实时位置与所述动态三维导航地图进行空间配准,得到空间配准结果,并根据空间配准结果生成包含入侵无人机标识、入侵位置坐标、入侵方向以及入侵速度的告警信息。

45、本方案中,通过身份标识比对筛选候选入侵无人机,结合飞行轨迹与电子围栏的空间拓扑分析精准判定入侵无人机,可快速锁定入侵无人机并获取入侵无人机的实时位置与飞行参数;再将所述实时位置与所述动态三维导航地图进行空间配准,生成包含多维度信息的告警信息,实现入侵无人机精准识别与高效告警,提升空域安防的响应速度与管控精度。

46、进一步,所述飞行航线规划模块包括:

47、风险区域映射单元,用于将所述飞行风险预测结果中的气象影响区段时空范围映射到动态三维导航地图的对应坐标和高度层上,生成动态气象风险图层,并将告警信息中入侵无人机的实时位置和预测轨迹映射到动态三维导航地图上,生成动态入侵威胁图层,并将动态气象风险图层和动态入侵威胁图层叠加至动态三维导航地图上,得到包含静态地理信息和动态风险信息的综合风险地图;

48、备选航线生成单元,用于根据目标无人机的当前位置、目标任务位置以及所述综合风险地图中的动态风险信息,在所述动态三维导航地图的可行空间内搜索多条规避所述动态气象风险图层和动态入侵威胁图层所标示区域的备选飞行航线,得到备选航线集合,其中,每条备选飞行航线包含离散的航路点坐标和时间戳信息;

49、航线优化选择单元,用于构建包含飞行距离代价、飞行时间代价和风险暴露代价的综合代价函数,并根据综合代价函数分别计算所述备选航线集合中每一条备选航线的综合代价值,将综合代价值最小的备选航线确定为调整后的飞行航线,其中,所述综合代价函数的数学表达式为:,式中,表示一条备选航线的综合代价值,表示该备选航线包含的航路点总数,表示第个航路点的三维空间坐标向量,表示第个航路点的三维空间坐标向量,表示第个航路点的三维空间坐标向量与第个航路点的三维空间坐标向量之间的欧式距离,表示在第个航路点处的预计飞行速度,表示根据综合风险地图确定的第个航路点处的风险代价值,表示飞行距离代价的权重系数,表示飞行时间代价的权重系数,表示风险暴露代价的权重系数。

50、本方案中,通过将气象影响区段、入侵无人机位置轨迹映射生成综合风险地图,融合静态地理与动态风险信息,清晰呈现飞行风险分布。通过备选航线生成单元基于无人机位置、任务位置及风险信息生成多条规避风险的备选航线,确保航线可有效避开气象与入侵威胁区域,通过综合考量多方面因素筛选最优航线,兼顾飞行距离、时间与风险暴露程度,提升飞行航线的安全性、合理性与经济性,适配动态飞行环境,增强无人机飞行可靠性与任务执行效率,实现飞行路径的精准优化与风险规避。

51、本发明还提供一种面向复杂山地低空通信的安全保障方法,包括以下步骤:

52、s1、在目标复杂山地低空区域内实时采集目标无人机的飞行环境感知数据,所述飞行环境感知数据包括位置数据、地形数据、微气象数据、空中交通数据以及预设空域内其他无人机的飞行侦测数据;

53、s2、对所述飞行环境感知数据进行预处理,得到预处理数据;

54、s3、根据预处理数据中的位置数据判断目标无人机当前所处区域的通信信号覆盖状态,并从预设多模式通信方式中选取与通信信号覆盖状态对应的通信方式,并输出通信链路状态信息,所述预设多模式通信方式包括蜂窝通信方式、卫星通信方式和自组网通信方式;

55、s4、根据通信链路状态信息、预处理数据中的位置数据和地形数据对预存地理信息数据进行融合,生成动态三维导航地图;

56、s5、构建时空特征融合网络框架,并基于包含飞行冲突标注信息和气象影响标注信息的飞行历史数据集对时空特征融合网络框架进行迭代训练,当训练后的时空特征融合网络框架输出的飞行风险预测准确率大于预设飞行风险预测准确率时,停止训练,输出飞行冲突预测模型,并将预处理数据中的空中交通数据和微气象数据输入飞行冲突预测模型中进行分析,得到包含与其他无人机的碰撞概率和气象影响区段的飞行风险预测结果;

57、s6、对预处理数据中的飞行侦测数据与预设入侵目标识别条件进行分析,并将满足预设入侵目标识别条件的无人机标记为入侵无人机,并在识别到入侵无人机时,根据入侵无人机的实时位置和飞行参数生成告警信息;

58、s7、根据所述动态三维导航地图、飞行风险预测结果以及告警信息对所述动态三维导航地图中的规划航线进行调整,得到调整后的飞行航线。