一种基于智能感知的无人机自适应导航系统及方法与流程

本发明属于跟踪识别
技术领域：
，特别涉及一种基于智能感知的无人机自适应导航系统及方法。
背景技术：
：在未来发展的体系化作战中，特别是无人机体系作战中，作战平台面临战场态势瞬时变换，战场环境干扰因素多等问题，形成了多种不确定因素，这就导致提前规划好的行驶路径不再是最优，无人机在线自适应感知环境和重新规划航路技术是军事发展的重要方向，以确保无人机能够在复杂多变的环境中真实实现自主导航飞行。由于现代武器系统具有机动性高、隐蔽性好、电子对抗性能强等特征，用于侦察和跟踪敌方目标的预警系统必须采用雷达、红外、视频、音频等多传感检测，同时联络各个检测点的不同数据进行融合，着重研究的问题包括可靠准确的目标获取、跟踪、身份识别、智能处理、后勤计划、维修计划、指挥与控制等。采用信息融合技术，以达到精确目标获取、识别和跟踪的目的。现在的智能感知技术主要集中在智能车辆和智能机器人自适应导航等工程应用领域，军事领域尚未涉及基于智能感知的自适应导航应用，基于智能感知的自适应导航理论也尚未完全形成。在现代空天地一体化作战中，特别是无人机体系作战中，因为其中许多环节都不需要人的直接参与，因而强烈地需要研究基于智能感知的自适应导航理论方法。技术实现要素：为了克服上述现有技术的缺点，解决目前战场环境自适应导航的相关技术没有系统性发展的问题，本发明的目的在于提供一种基于智能感知的无人机自适应导航系统及方法，可智能感知战场态势并即时导航，为运动体在获取态势感知图的基础上，根据千变万化的战场态势，自适应的选择行进路线提供解决方案。在具有智能感知功能的前提下，通过智能感知获取战场态势，包括敌我双方目标的类别、位置、运动规律和意图，从而按作战的需求根据战场态势图建立自身的导航可能路径矢量图等。为了实现上述目的，本发明采用的技术方案是：一种基于智能感知的无人机自适应导航系统，包括：环境与目标智能感知模块，获取地面环境和目标的感知信息，并与远端交换信息，利用智能推理感知环境和目标，得到战场态势感知图；自适应导航模块，在战场态势感知图的基础上，按照自然风险和战争风险最小准则，进行自适应导航路径规划，并选择最佳导航路径；数据显示模块，显示包括雷达和sar传感器在内的实时探测数据、每条可行路径的风险系数和路径距离以及无人机当前的最优导航路径。所述环境与目标智能感知模块，基于战场环境、重要节点和可行路径信息，利用无人机安装的雷达、光学、红外传感器，获取地面环境和目标的感知信息，同时通过数据链与我方军事补给站以及海上基地交换传感信息，然后利用智能推理来感知环境和目标；所述数据显示模块包括探测数据模块、单路径风险及距离模块、当前最优路径显示模块；所述探测数据模块利用包括雷达和sar传感器在内的传感器实时对目标类别，目标位置进行实时探测，在表格中给出传感器数据列表，包括敌方战机战舰、我方战机战舰以及无人机的经度纬度高度进行显示，同时显示其检测概率和虚警概率；所述单路径风险及距离模块实时地显示单路径的风险系数以及距离；所述当前最优路径显示模块显示当前时刻所有可行路径的风险评估，风险评估由总距离和总风险组成，同时显示最优路径。所述环境与目标智能感知模块包括战场态势感知模块和导航路径矢量图规划模块；所述战场态势感知模块用于生产战场环境，利用机载雷达、光学成像获取包括战区内敌我双方的布防、敌我双方的活动目标在内的战场信息生成战场态势感知图；所述导航路径矢量图规划模块用于根据战场态势感知结果选择由起始节点到目的节点的所有可能经过节点，初步对经过各个节点的可能性进行评估，并规划所有可能的导航路径矢量。所述自适应导航模块包括初始最优路径规划模块和自适应路径变换模块；所述初始最优路径规划模块根据自然风险和战争风险，自然风险包括该节点的天然障碍和气候条件，战争风险包括受敌方攻击的程度及受敌方检测的可能性，对风险总和进行量化处理，生成初始最优路径；所述自适应路径变换模块根据职能感知的结果进行自适应调整，选择当前时刻的最优路径。本发明还提供了一种基于智能感知的无人机自适应导航方法，包括：环境与目标智能感知：获取地面环境和目标的感知信息，并与远端交换信息，利用智能推理感知环境和目标，得到包括敌我双方的重要节点以及活动目标的运动轨迹及意图的战场态势感知图，在此基础上生成我方由起始节点到目的节点的所有可能路径；自适应导航路径选择：在战场态势感知图的基础上，按照自然风险和战争风险最小准则，进行自适应导航路径规划，并选择最佳导航路径。所述环境与目标智能感知步骤中，包括：基于多源异构信息融合的目标识别与跟踪：从各种传感信息中提取有效的具有不同类型的特征信息，利用所述特征信息的有效融合来识别目标和环境，并对目标进行有效跟踪；目标意图推断：根据目标识别和跟踪的结果明确意图；战场态势感知图生成：在目标识别与跟踪以及意图推断的基础上，利用地理信息资源和感知信息生成战场态势感知图；深度学习与证据推理的智能感知：以实际问题为背景，建立适合特征提取的应用框架，以实际数据驱动学习过程，并以真实数据验证特征提取结果的合理性或正确性。所述基于多源异构信息融合的目标识别与跟踪步骤中，分析传感信息的特征属性，并利用随机集理论从特征级与决策级实现感知信息的统一描述，为信息融合提供必要准备；所述目标意图推断步骤中，对作战任务作出规划与预测，并对敌方时敏目标的精确打击做出辅助决定；所述深度学习与证据推理的智能感知步骤中，长期收集系统运行结果，在系统长期运行的过程中，不断收集系统学习结果和实际检测结果，用实际检测结果不断地校验系统学习结果。所述基于多源异构信息融合的目标识别与跟踪步骤中，感知信息源包括：雷达信息、光学成像信息、声探测传感器信息、电子侦察信息、宽幅成像卫星信息、技侦信息；在特征级信息融合层面，利用随机集理论和广义粗集理论实现特征空间评价，对类分布更为清晰的特征突出其地位和作用，而对类分布较为模糊的特征弱化其影响，有效构造统一的特征空间；所述目标意图推断步骤中，通过态势分析、威胁估计、战术决策、打击效果评估和人机接口管理来实现威胁评估与辅助决策的功能，在网络化信息融合的目标识别与跟踪基础上，建立目标智能信息处理的意图推断方法形成一种基于知识库轨线分类的意图推断体系，在进行目标跟踪时，对跟踪得到的航迹进行加工，变成比实际航迹粗略但概念更加明晰的航迹段估计，用于目标的意图推断；所述战场态势感知图生成步骤中，在战场态势感知图之上，标注出所有起始节点到目的节点的矢量集合，其中每个矢量都是链接一个可能节点到下一个可能节点的带方向连线；所述深度学习与证据推理的智能感知步骤中，将系统运行中的检测结果作为监督学习的依据，用以判断学习结果的准确性和精度；根据校验结果不断地修正特征关系表，以实际问题为背景，建立合适特征提取的应用框架；以实际数据驱动学习过程，并以真实的数据验证特征提取结果的合理性或正确性；所述自适应导航路径选择步骤中，自然风险包括该节点的天然障碍和气候条件，战争风险包括受敌方攻击的程度及受敌方监测的可能等，风险总和进行量化处理，各矢量长度主要包括该矢量节点间的行进距离，矢量长度总和也要进行量化处理。所述自适应导航路径规划的变换准则如下：设目前无人机已经运动到第i个节点，与其链接的路径矢量称为第i个路径矢量，表示为：其中pif，pie分别是第i个路径矢量si的起始节点和终止节点，而(pifx,pify)，(piex,piey)分别是pif和pie在两维战区感知图上的坐标值，设敌方接近si的一个动目标为tj，其在当前时刻的坐标值为(qjx,qjy)，则敌方目标tj对路径矢量si的风险为：其中a(tj)是tj的风险强度，它是目标类型的函数，在演示系统中设定为：τ(tj)是tj的风险衰减系数，也是目标类型的函数，在演示系统中设定为：α(tj)是目标tj的意图引起的风险强度，在演示系统中设定为：maxd(tj,si)表示目标tj到路径矢量si所有点的距离最大值，而mind(tj,si)表示目标tj到路径矢量所有点的距离最小值；于是，所有敌方目标对路径矢量si的风险总和为：r(si)＝∑jr(tj,si)于是，从路径矢量si起始，选择风险最小的路径为：其中m是从路径矢量si起始到目的节点的可行路径总数，l∈{1,2,…,m}是其中的一条路径；r(skl)是选择第l条可行路径在未来第kl个路径矢量skl所产生的风险，对其求和就是选择第l条可行路径的总风险，即从矢量si起始选择风险最小的第条可行路径的总路径矢量和；路径矢量si的路径长度为：d(si)＝[(piex-pifx)2+(piey-pify)2]1/2选择第条可行路径不止一条，再按最短路径准则选择其中路径长度最短的一条为最终选择的最优路径在选择最佳导航路径后，还包括：多导航源信息优化调度与融合：将卫星导航信息把包括卫星导航信息、惯性导航信息、天文导航信息在内的导航源信息进行优化调度与融合，以获得最优的导航指令，根据该导航指令，进行智能导航。本发明给出了军事上战场环境下无人机自适应导航变换的方法理论以及演示系统，相比现有的工程上的导航方案更有针对性，给出了无人化体系作战的具体方案。附图说明图1为本发明的系统结构示意图。图2为本发明的系统使用流程图。具体实施方式下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，本发明一种基于智能感知的无人机自适应导航系统，基于智能感知得到的风险系数与距离系数实现自适应导航，其包括：环境与目标智能感知模块，在给出战场环境、重要节点和可行路径等信息，之后，其利用无人机安装的雷达、光学、红外等传感器，获取地面环境和目标的战场感知信息，初步检测感知战场敌我双方活动目标，同时通过数据链与我方军事补给站以及海上基地等远端中心交换传感信息，然后利用智能推理来感知环境和目标，根据感知结果选择由起始节点到目的节点的所有可能经过的节点，得到战场态势感知图，表现为敌我双方的战机战舰等活动目标以及选定的中间节点。其具体包括战场态势感知模块和导航路径矢量图规划模块；战场态势感知模块用于生产战场环境，利用机载雷达、光学成像获取包括战区内敌我双方的布防、敌我双方的活动目标等在内的战场信息生成战场态势感知图，图中表现了战场态势以及重要节点；导航路径矢量图规划模块用于根据战场态势感知结果选择由起始节点到目的节点的所有可能经过节点，初步对经过各个节点的可能性进行评估，并规划所有可能的导航路径矢量。其中选择中间节点后，第一步就是规划所有可能的导航路径矢量(排除节点间有天然屏障和重要风险的矢量)，显示导航可能路径矢量图。自适应导航模块，在战场态势感知图的基础上，根据态势感知信息对所有可能路径矢量的风险进行评估，评估的依据包括自然风险和战争风险两部分，按照自然风险和战争风险最小准则，进行自适应导航路径规划，并选择最佳导航路径，在航行的过程中，随着战场态势的变化自适应调整行驶路径。其具体包括初始最优路径规划模块和自适应路径变换模块；初始最优路径规划模块根据自然风险和战争风险，自然风险包括该节点的天然障碍和气候条件等，战争风险包括受敌方攻击的程度及受敌方检测的可能性等，对风险总和进行量化处理，生成初始最优路径；初始路径规划得到的一条最优路径不能保证一直维持不变，需要在飞行过程中根据智能感知的结果进行自适应的调整。自适应路径变换模块根据职能感知的结果进行自适应调整，选择当前时刻的最优路径。数据显示模块，显示包括雷达和sar传感器等在内的实时探测数据(如目标类别、目标位置等)、每条可行路径的风险系数和路径距离以及无人机当前的最优导航路径。其具体包括探测数据模块、单路径风险及距离模块、当前最优路径显示模块；探测数据模块利用包括雷达和sar传感器等在内的传感器实时对目标类别，目标位置进行实时探测，在表格中给出传感器数据列表，对包括敌方战机战舰、我方战机战舰以及我方将要飞行的无人机、无人机的经度纬度高度等数据进行显示，同时显示其检测概率和虚警概率，显示形式如表1所示。表1探测数据模块显示结果目标检测时间经度维度高度目标类别检测概率虚警概率蓝方战舰a15:16:40123.5825.630.00战舰0.900.15蓝方战舰b15:16:40124.0424.950.00战舰0.900.13蓝方战舰c15:16:40124.9124.330.00战舰0.900.15蓝方战机a15:16:40122.6625.6110000.00战机0.900.11蓝方战机b15:16:40125.4425.5910000.00战机0.900.12红方战舰a15:16:40122.3325.490.00战舰0.900.13红方战舰b15:16:40123.4624.450.00战舰0.900.16红方战机a15:16:40121.8726.8910000.00战机0.900.16无人机15:16:40120.8227.008000.00无人机0.900.16单路径风险及距离模块实时地显示单路径的风险系数以及距离；当前最优路径显示模块显示当前时刻所有可行路径的风险评估，风险评估由总距离和总风险组成，同时显示最优路径，显示形式如表2所示。即，数据显示模块显示了可行路径风险和最优路径选择过程，包括各路径矢量的风险和距离，以及各种可行路径的总风险和总路径长度，为最优路径选择或飞行过程中的最优路径自适应调整提供依据。表2当前最优路径显示模块显示结果最优导航路径当前可行路线总距离总风险风险评估10->1->5->91238.6323168.8820->1->8->4->6->91524.239190.8330->1->8->4->7->91424.134174.4240->1->8->5->91294.8421173.8650->1->8->7->91247.194153.1860->2->4->6->91265.749159.8170->2->4->7->91165.644143.4080->2->8->7->91159.544142.67本发明还提供了一种基于智能感知的无人机自适应导航方法，即首先根据所选场景生成态势感知图，由态势感知图匹配相应的可行路径并规划初始最佳行驶路线。其次根据态势感知图的变化结合最小风险准则和最短路径准则实时变化最优可行路径。具体包括：环境与目标智能感知：获取地面环境和目标的感知信息，并与远端交换信息，利用智能推理感知环境和目标，得到战场态势感知图，在战场态势感知图上，包括敌我双方的重要节点(关键固定点)，以及活动目标的运动轨迹及意图，在此基础上生成我方由起始节点到目的节点的所有可能路径；自适应导航路径选择：在战场态势感知图的基础上，按照自然风险和战争风险最小准则，进行自适应导航路径规划，并选择最佳导航路径。其中，环境与目标智能感知具体包括：基于多源异构信息融合的目标识别与跟踪：从各种传感信息中提取有效的具有不同类型的特征信息，战场感知信息中存在大量异构特征，通过分析传感信息的特征属性，并利用随机集理论从特征级与决策级实现感知信息的统一描述，从而为信息融合提供必要准备。其利用所述特征信息的有效融合来识别目标和环境，并对目标进行有效跟踪，形成态势感知的重要组成部分。其中，其感知信息源包括：雷达信息、光学成像信息、声探测传感器信息、电子侦察信息、宽幅成像卫星信息、技侦信息；在特征级信息融合层面，可利用随机集理论和广义粗集理论实现特征空间评价，对类分布更为清晰的特征突出其地位和作用，而对类分布较为模糊的特征弱化其影响，有效构造统一的特征空间。多导航源信息优化调度与融合具体包括以下步骤：步骤1：多导航源数据的差异性预处理：用于导航融合估计的数据应该具有互补性，因而在得到这些导航数据之后首要的问题是对其差异性进行度量，分析多种量测数据在空间或时间上的冗余或互补特性，综合考虑其误差形成机制、误差传递、相关性、更新率等以判定该数据的可用性。常用的差异性度量方法有：q统计法、相关系数法、不一致度量法、双错法，以及基于样本信息的新差异性度量方法等。具体采用何种方法应根据选用的传感器类型来决定。最终得到可利用的数据类型和区段。步骤2：多导航源数据的时空一致性预处理：所谓时空一致性问题，是指多传感器对转发平台位置、速度等测量时，由于采样率和时间起点的不同而产生的时间不一致问题；以及由于转换到公共坐标系时量测偏差等误差引起的空间不一致问题。所谓时间配准问题，就是把将用于估计融合的数据对准在同一时刻点上。所谓空间配准问题，就是对各传感器的系统偏差进行估计和补偿的过程，使得误差尽可能小。因为基于智能感知的适应性导航可利用的导航信息可能种类多，而各信息源采用的坐标系又差异很大，误差级别也完全不同，因此进行多导航源信息的预处理是非常必要的。根据定位目的可以选择不同的坐标系，并把所有导航量测信息转换成该坐标系中的量测量。然后进行多导航源差异性数据预处理、时空一致性处理等，最后进行融合估计。步骤3：最优融合算法的应用。惯性导航信息是量测所在载体的加速度和速度等(惯性量)信息。惯性导航系统输出载体的导航参数，如瞬时速度、加速度、姿态位置等。一般惯性导航系统有陀螺、加速度表、台体结构、电路、计算机部分等。天文导航测量天体相对于飞行器参考基准面的高角度和方位角就可以计算出载体的位置和航向。天文导体系统是自主式系统，不向外辐射电磁波，隐蔽性好，定向、定位精度高，定位误差与时间无关，利用平台上的惯性导航与星敏传感器进行组合定位和定姿。目标意图推断：根据目标识别和跟踪的结果明确意图，以实现态势评估与辅助决策；其主要是对作战任务作出规划与预测，并对敌方时敏目标的精确打击做出辅助决定。具体地，通过态势分析、威胁估计、战术决策、打击效果评估和人机接口管理来实现威胁评估与辅助决策的功能，其中对敌方的目标意图推断是态势感知的重要组成部分。在网络化信息融合的目标识别与跟踪基础上，建立目标智能信息处理的意图推断方法形成一种基于知识库轨线分类的意图推断体系，在进行目标跟踪时，对跟踪得到的航迹进行加工，变成比实际航迹粗略但概念更加明晰的航迹段估计，用于目标的意图推断。战场态势感知图生成：在目标识别与跟踪以及意图推断的基础上，利用地理信息资源和感知信息生成战场态势感知图，它包括了智能导航的可能路径矢量图，就是在战场态势感知图之上，标注出所有起始节点到目的节点的矢量集合，其中每个矢量都是链接一个可能节点到下一个可能节点的带方向连线。因为在一个战区内，航行的可能节点是有限的，因而可能路径矢量图中的矢量也是有限的。深度学习与证据推理的智能感知：其将系统运行中的检测结果作为监督学习的依据，用以判断学习结果的准确性和精度；根据校验结果不断地修正特征关系表，以实际问题为背景，建立合适特征提取的应用框架；以实际数据驱动学习过程，并以真实数据验证特征提取结果的合理性或正确性，并通过修改学习方法，达到比较实用的程度。通过长期收集系统运行结果，在系统长期运行的过程中，可不断收集系统学习结果和实际检测结果，用实际检测结果不断地校验系统学习结果。自适应导航路径选择步骤中，自然风险包括该节点的天然障碍和气候条件，战争风险包括受敌方攻击的程度及受敌方监测的可能等，风险总和进行量化处理，各矢量长度主要包括该矢量节点间的行进距离，矢量长度总和也要进行量化处理，从而得到初始最优路径；优化计算采用标准方法，以获得最优导航可行路径。即初始路径规划得到的一条最优路径不能保证一直维持不变，需要在飞行过程中根据智能感知的结果进行自适应的调整。自适应导航路径规划的变换准则如下：设目前无人机已经运动到第i个节点，与其链接的路径矢量称为第i个路径矢量，表示为：其中pif，pie分别是第i个路径矢量si的起始节点和终止节点，而(pifx,pify)，(piex,piey)分别是pif和pie在两维战区感知图上的坐标值。设敌方接近si的一个动目标为tj，其在当前时刻的坐标值为(qjx,qjy)，。则敌方目标tj对路径矢量si的风险为：其中a(tj)是tj的风险强度，它是目标类型的函数，在演示系统中设定为：τ(tj)是tj的风险衰减系数，也是目标类型的函数，在演示系统中设定为：α(tj)是目标tj的意图引起的风险强度，在演示系统中设定为：maxd(tj,si)表示目标tj到路径矢量si所有点的距离最大值，而mind(tj,si)表示目标tj到路径矢量si所有点的距离最小值。于是，所有敌方目标对路径矢量si的风险总和为：r(si)＝∑jr(tj,si)于是，从路径si起始，选择风险最小的路径为：其中m是从矢量si起始到目的节点的可行路径总数，l∈{1,2,…,m}是其中的一条路径；r(skl)是选择第l条可行路径在未来第kl个路径矢量skl所产生的风险，对其求和就是选择第l条可行路径的总风险，就是从矢量si起始选择风险最小的第条可行路径的总路径矢量和。路径矢量si的路径长度为：d(si)＝[(piex-pifx)2+(piey-pify)2]1/2选择第条可行路径不止一条，我们再按最短路径准则选择其中路径长度最短的一条为最终选择的最优路径在选择最佳导航路径后，还可包括：多导航源信息优化调度与融合：将卫星导航信息把包括卫星导航信息、惯性导航信息、天文导航信息在内的各种导航源信息进行优化调度与融合，以获得最优的导航指令，根据该导航指令，进行智能导航。其中，在利用多导航源信息时，可以建立基于生物感知机理的多源信息融合方法，利用随机理论建立新的融合方法。如图2所示，本发明的具体使用过程，包括以下步骤：步骤1：打开演示系统应用程序，进入无人机自适应导航演示系统启动界面步骤2：单击页面左上角场景选择，选择任意场景。步骤3：点击下一步进入任务背景界面，出现任务背景的说明。步骤4：点击下一步，显示我国台湾海峡的地图，在地图上表示有我方无人机的起点和终点，以及起点和终点的经纬高坐标步骤5:点击下一步，界面显示无人机可能途径的中间节点以及节点的经纬高坐标。步骤6：点击下一步，界面显示出所有节点之间的可能路径。步骤7：点击下一步，显示出敌方目标，在目标上方显示目标名称和目标所在位置的经纬高坐标。步骤8：点击下一步，显示我方目标，在目标上方显示目标名称和目标所在位置的经纬高坐标。步骤9：结合表1，点击菜单栏中显示按钮，选择radar或sar，弹出雷达数据表格和sar数据表格。表格内显示传感器检测到的目标类别，经纬高以及检测概率。步骤10：点击运行按钮，无人机开始自适应导航过程，再次单击运行按钮，无人机停止运动。步骤11：点击菜单栏中显示按钮，选择路径风险评估，弹出路径风险评估表格；结合表2，选择最优路径选择，弹出最优路径选择菜单。路径风险评估表格实时显示动画运行过程中每条路径的风险系数和距离。最优路径选择表格实时显示无人机的风险最小路径。当前第1页12