基于多传感器融合的无人机入侵态势感知系统及方法与流程
本发明涉及低空安防,尤其涉及基于多传感器融合的无人机入侵态势感知系统及方法。
背景技术:
1、随着低空经济快速发展,无人机在物流、航拍等领域广泛应用,但违规飞行、恶意入侵等行为对机场净空、军事禁区、城市核心区等关键区域的安全构成严重威胁。
2、目前主流的无人机探测与态势感知方法,主要依赖于单一类型的传感器,各有其特定的技术原理和适用场景:雷达探测通过发射电磁波并接收目标反射信号,计算无人机的距离、速度、方位及高度信息,优势是探测距离远、全天候工作能力强,缺陷是对低慢小目标探测能力有限,存在近距离盲区,难以探测塑料、复合材料制成的无人机,对悬停或慢速目标效果不佳;
3、射频频谱侦测被动接收并分析无人机与遥控器间的通信信号,通过频谱特征识别无人机型号并定位,优势是隐蔽性好、能识别品牌型号,缺陷是对跳频、扩频或静默飞行的无人机无效,在城市复杂电磁环境中易受干扰;
4、光电与红外探测利用可见光或红外热成像捕捉无人机的视觉影像或热辐射信号,优势是提供直观视觉信息,识别精度高,缺陷是受天气和光照条件影响大,小型无人机红外特征微弱,复杂背景(如飞鸟)易虚警;
5、声学探测通过麦克风阵列采集无人机旋翼和电机产生的独特噪声进行探测和分类,优势是被动探测,不受电磁干扰,缺陷是有效探测距离短且极易受环境噪声干扰。
6、这些方法的共同局限性在于,没有任何单一传感器能完美应对所有场景下的无人机探测。因此,本技术提出基于多传感器融合的无人机入侵态势感知系统及方法。
技术实现思路
1、本发明针对背景技术中存在单一传感器局限性的问题,提出基于多传感器融合的无人机入侵态势感知系统及方法。
2、为实现上述目的,本发明提供如下技术方案:基于多传感器融合的无人机入侵态势感知系统,包括多源探测感知模块、多源融合模块、ai识别分析模块、态势分析与轨迹预测模块、处置决策模块以及反制执行模块;
3、所述多源探测感知模块用于对目标区域进行多源探测感知,得到多源探测感知数据并输出至多源融合模块;
4、所述多源融合模块对接收的多源探测感知数据进行预处理,对预处理后的多源探测感知数据提取特征并进行融合,得到联合特征向量;
5、所述ai识别分析模块应用预训练的多任务深度学习模型对输入的联合特征向量进行推理,输出目标类别与威胁等级,并根据目标类别与威胁等级生成最终入侵态势判定结果;
6、所述态势分析与轨迹预测模块对判定为无人机的目标,基于联合特征向量与多源探测数据进行态势分析与轨迹预测,输出无人机入侵态势分析与轨迹预测结果;
7、所述处置决策模块基于无人机入侵态势分析与轨迹预测结果生成反制处置方案,并输出处置指令;
8、所述反制执行模块接收处置指令,调用对应的反制手段对无人机目标执行反制,输出反制执行结果。
9、可选的,所述多源探测感知数据包括雷达点云数据、光电探测数据以及无线电频谱数据;
10、所述光电探测数据包括可疑目标的可见光图像、红外热成像图像以及激光测距数据。
11、可选的,所述对目标区域进行多源探测感知,得到多源探测感知数据包括:
12、通过雷达对低空空域进行扫描,获取可疑低空目标的雷达点云数据;
13、通过可见光相机、红外热成像以及激光测距设备对可疑目标进行探测,获取光电探测数据;
14、通过无线电监测设备对可疑目标进行频谱监听,获取无线电频谱数据。
15、可选的,所述对预处理后的多源探测数据提取特征并进行融合,得到联合特征向量包括:
16、对处理后的雷达点云数据提取雷达微多普勒特征;
17、对处理后的光电探测数据提取光电纹理特征,所述光电纹理特征包括可见光纹理特征和红外热纹理特征;
18、对处理后的无线电频谱数据提取无线电频谱特征;
19、将雷达微多普勒特征、光电纹理特征以及无线电频谱特征进行融合,得到联合特征向量。
20、可选的,所述雷达微多普勒特征包括微多普勒频率、微多普勒带宽、时频分布特征以及旋转周期特征;
21、所述可见光纹理特征包括边缘特征、角点特征以及纹理模式特征,所述红外热纹理特征包括温度分布特征、热点区域特征以及热轮廓特征;
22、所述无线电频谱特征包括中心频率、信号带宽、调制方式特征、功率谱密度特征以及跳频图案特征。
23、可选的,所述应用预训练的多任务深度学习模型对输入的联合特征向量进行推理包括:
24、将联合特征向量输入目标识别分支,经全连接层与softmax分类层输出目标类别,所述目标类别包括无人机、鸟类、气球以及干扰杂波;
25、将联合特征向量输入威胁等级判定分支,经全连接层与softmax分类层输出威胁等级,所述威胁等级包括高威胁、中威胁以及低威胁;
26、结合目标识别输出的目标类别与威胁等级判定输出的威胁等级,生成最终入侵态势判定结果,当目标类别为无人机且威胁等级为高威胁时,判定为确认入侵并触发告警,当目标类别为无人机且威胁等级为中威胁或低威胁时,判定为可疑目标并持续跟踪;当目标类别为鸟类、气球或干扰杂波时,判定为非威胁目标并解除关注。
27、可选的,所述对判定为无人机的目标,基于联合特征向量与多源探测数据进行态势分析与轨迹预测包括:
28、对目标类别、威胁等级以及联合特征向量进行融合分析,生成当前入侵态势信息,所述当前入侵态势信息包括入侵方向和入侵意图,所述入侵方向根据雷达微多普勒特征中的速度矢量确定,所述入侵意图根据威胁等级与目标类别联合判定;
29、基于雷达点云数据的历史位置序列,结合提取的雷达微多普勒特征中的速度与加速度信息,共同输入预训练的lstm轨迹预测模型,输出未来预设时长内的预测轨迹,所述预测轨迹为未来n个时刻的三维坐标序列;
30、将当前入侵态势信息与预测轨迹进行关联,生成无人机入侵态势分析与轨迹预测结果,并将该结果输出至处置决策模块,所述无人机入侵态势分析与轨迹预测结果包括当前入侵态势信息、预测轨迹以及威胁发展趋势,所述威胁发展趋势根据预测轨迹与保护区边界的相对关系确定。
31、可选的,所述基于无人机入侵态势分析与轨迹预测结果生成反制处置方案包括:
32、对无人机入侵态势分析与轨迹预测结果中的威胁等级、入侵意图、预测轨迹与威胁发展趋势进行综合判定,匹配对应的反制策略;
33、当威胁等级为高威胁且入侵意图为攻击型且预测轨迹指向保护区核心区域时,匹配主动干扰反制策略;
34、当威胁等级为高威胁且入侵意图为侦察型且预测轨迹接近保护区边界时,匹配拦截驱离反制策略;
35、当威胁等级为中威胁时,匹配警告驱离反制策略;
36、当威胁等级为低威胁时,匹配持续监控策略;
37、根据匹配的反制策略,结合提取的无线电频谱特征中的通信频段与操控链路信息,生成包含反制手段、反制时机与反制目标参数的反制处置方案;
38、将反制处置方案转换为可执行的处置指令,输出至反制执行模块。
39、可选的,所述反制执行模块的处理流程包括:
40、根据处置指令中的反制手段类型调用对应的反制设备并执行反制;
41、反制执行完成后,采集反制后的多源探测数据,重新进行目标识别与威胁等级判定,若目标类别仍为无人机且威胁等级未下降,则生成反制失败告警并返回处置决策模块重新生成处置指令,若目标类别变为非威胁目标或威胁等级降为低威胁,则生成反制成功确认;
42、将反制执行结果或反制失败告警输出至监控终端,并将反制后的多源探测数据反馈至多源探测感知模块。
43、为实现上述目的,本发明提供如下技术方案:基于多传感器融合的无人机入侵态势感知方法,包括以下步骤:
44、步骤一,对目标区域进行多源探测感知,得到多源探测感知数据并输出;
45、步骤二,对接收的多源探测感知数据进行预处理,对预处理后的多源探测感知数据提取特征并进行融合,得到联合特征向量;
46、步骤三,应用预训练的多任务深度学习模型对输入的联合特征向量进行推理,输出目标类别与威胁等级,并根据目标类别与威胁等级生成最终入侵态势判定结果;
47、步骤四,对判定为无人机的目标,基于联合特征向量与多源探测数据进行态势分析与轨迹预测,输出无人机入侵态势分析与轨迹预测结果;
48、步骤五,基于无人机入侵态势分析与轨迹预测结果生成反制处置方案,并输出处置指令;
49、步骤六,接收处置指令,调用对应的反制手段对无人机目标执行反制,输出反制执行结果。
50、与现有技术相比,本发明包括以下至少一种有益技术效果:
51、第一,针对单一传感器局限性的问题,本发明设置多源探测感知模块用于对目标区域进行多源探测感知,得到雷达点云数据、光电探测数据以及无线电频谱数据,设置多源融合模块对接收的雷达点云数据、光电探测数据以及无线电频谱数据进行预处理,对预处理后的多源探测感知数据提取特征并进行融合,得到联合特征向量,有效克服了单一传感器技术的不足,极大提升了系统在复杂环境下的整体探测性能和探测可靠性;
52、第二,本发明设置多源融合模块对接收的多源探测感知数据进行预处理,对预处理后的多源探测感知数据提取特征并进行融合,得到联合特征向量,设置ai识别分析模块应用预训练的多任务深度学习模型对输入的联合特征向量进行推理,输出目标类别与威胁等级,并根据目标类别与威胁等级生成最终入侵态势判定结果,能有效滤除杂波、降低误报率和漏报率;
53、第三,本发明设置态势分析与轨迹预测模块对判定为无人机的目标,基于联合特征向量与多源探测数据进行态势分析与轨迹预测,输出无人机入侵态势分析与轨迹预测结果,设置处置决策模块基于无人机入侵态势分析与轨迹预测结果生成反制处置方案,并输出处置指令,设置反制执行模块接收处置指令,调用对应的反制手段对无人机目标执行反制,输出反制执行结果,使系统具备预测性态势感知能力,能提前预判威胁并自动生成反制处置方案,从探测到反制的全流程自动化,极大提升了响应速度和处置效率。
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