CN116796238A - 一种基于四维航迹预测的无人机短时航迹偏离检测方法 - Google Patents

Abstract

本发明公开了一种基于四维航迹预测的无人机短时航迹偏离检测方法，属于无人机异常识别技术领域，包括以下步骤：划设低空航路网络，获取结构化航路下无人机运行的历史航迹数据；建立航迹数据预处理和重构模型，构筑包含位置、速度、航向等多维属性的航迹数据；以无人机的多维数据特征为输入，采用双向长短时记忆网络算法构建无人机短时航迹预测模型；将航迹偏离检测转化为航迹点密度分类问题，基于历史航迹点和预测航迹点重构航迹点数据集；基于重构航迹点数据集间的多维度局部异常因子，建立无人机航迹偏离检测方法。本发明致力于消除无人机在低空结构化航路网络运行过程中航迹偏离导致的安全隐患，实现短时范围内航迹偏离状态的动态监测。

Description

一种基于四维航迹预测的无人机短时航迹偏离检测方法

技术领域

本发明属于无人机异常识别技术领域，尤其是涉及一种基于四维航迹预测的无人机短时航迹偏离检测方法。

背景技术

随着低空空域逐步开放，城市交通和互联网电商的快速发展，旋翼无人机已经成为城市空中交通的重要载运工具，其在物流运输和配送、应急救援、通勤服务等众多领域应用越来越广泛。同时无人机定位技术、通信技术，以及大数据技术的迅速发展，使得无人机在飞行过程中，大量的无人机航迹数据呈指数增长。无人机航迹数据是一种典型的时间序列数据，可视为时间到空间的映射，在客观上记录了无人机活动的位置信息和时间信息。近年来，航迹数据挖掘一直是研究热点，包括航迹聚类、航迹数据压缩，以及航迹预测等。但是随着无人机在日常生活中广泛地被使用，在带来便利的同时也带来许多危险。面对一系列与无人机有关的危险事件，基于无人机航迹数据信息，挖掘航迹数据与无人机运动间的关系是实现无人机异常行为预警的重要手段。本文将无人机的航迹偏离定义为无人机异常行为的一种，对其进行展开研究。现有的航迹偏离检测方法可以分为基于航迹片段相似度检测的方法、基于抽取轨迹全局特征的方法、基于分类器的方法和基于神经网络的方法等。

综上所述，现有的航迹偏离检测大多基于历史航迹数据，未结合无人机未来的航迹数据，此类方法难以实现航迹偏离的实时检测；同时，现阶段对异常航迹的检测通常是基于航迹聚类，通过提取不同类型的航迹相关信息实现航迹偏离检测，但此类难以识别多维度的无人机航迹数据特征。

发明内容

本发明的目的是提供一种基于四维航迹预测的无人机短时航迹偏离检测方法，解决上述技术存在的现有的航迹偏离检测难以实现航迹偏离的实时检测且难以识别多维度的无人机航迹数据特征的问题。

为实现上述目的，本发明提供一种基于四维航迹预测的无人机短时航迹偏离检测方法，包括以下步骤：

步骤1、划设低空航路网络，获取结构化航路下无人机运行的历史航迹数据；

步骤2、建立航迹数据预处理和重构模型构筑包含位置、速度、航向多维属性的航迹数据；

步骤3、以无人机的多维数据特征为输入，采用双向长短时记忆网络算法构建无人机短时航迹预测模型，同时计算航迹预测模型可接受预测精度下的最大时间跨度；

步骤4、基于历史航迹点和预测航迹点重构航迹数据集，将航迹偏离检测转化为航迹密度分类问题；

步骤5、计算重构航迹点数据集间的多维度局部异常因子，建立无人机航迹偏离检测方法，实现短时范围内航迹偏离状态的动态监测。

优选的，所述步骤1具体过程如下：划设低空航路网络，确定无人机飞行区域，收集无人机在结构化航路下运行的历史航迹数据，假设T为所有的无人机历史航迹集，其中包含了N条历史航迹，表示为

T＝{T₁,T₂,...,T_k,...,T_N}

式中，T_k是T中的第k条航迹；

每条航迹包含了n个航迹点

T_k＝{S_k1,S_k2,...,S_ki,...,S_kn}

式中，S_ki是T_k中的第i个航迹点；

每个航迹点包含的特征表示为

式中，分别表示无人机航迹点的经度(°)，纬度(°)，高度(m)，v_ki,d_ki表示无人机航迹点的速度(m/s)和航向(rad)。

优选的，所述步骤2具体过程如下：

步骤2.1、删除航迹点少的航迹，同时对于缺失航迹点少的航迹，通过贝塞尔曲线三次样条法插值处理，分别将航迹划分为与时间t相关的经度、纬度、高度、速度和航向五个分量，进行插值方法解决；

步骤2.2、航迹数据在输 模型之前采用最大最小标准化方式进行预处理，使模型输入向量中特征值取值范围一致；

步骤2.3、以每一次预测的时候输入窗口只预测未来一个航迹点值，通过单步预测的方式对无人机航迹进行重构。

优选的，所述步骤3具体过程如下：

步骤3.1、基于预处理后的无人机航迹数据，以无人机的多维数据特征为输入，建立单向长短时记忆网络算法模型；

步骤3.2、结合前向网络正向计算隐向量和后向网络反向计算隐向量/>建立双向长短时记忆网络算法航迹预测模型，捕捉两个方向之间的数据特征

步骤3.3、计算航迹预测模型未来一段时间内的衰减值，得到预测精度下的最大时间跨度T_max。

优选的，所述步骤4具体过程如下：

步骤4.1、利用检测航迹数据中的位置、速度和航向特征，预测T+1时刻的航迹点 与历史T+1时刻的航迹点构成新的数据集/>

步骤4.2、计算数据集中预测T+1时刻的航迹点与历史T+1时刻的航迹点S_k(t+1)之间的欧式距离，其中/>S_k(t+1)的坐标分别为/>和/>

步骤4.3、将数据集输入到步骤5中进行检测，每检测一次后，将时间增加1，而后重构一次新的航迹数据集进行检测，直至T_max时刻结束。

优选的，所述步骤5具体过程如下：

步骤5.1、确定短期航迹偏离检测模型中多维度局部异常因子算法的近邻数和阈值；

步骤5.2、基于重构数据集中各航迹点间的欧式距离，对重构数据集进行检测，计算各航迹点的多维度局部异常因子值；

步骤5.3、输出每个航迹点异常检测的结果，比较航迹点的多维度局部异常因子值和阈值，超过阈值的航迹点被为异常航迹点，异常点的航迹被判定为偏离航迹。

因此，本发明采用上述一种基于四维航迹预测的无人机短时航迹偏离检测方法，具有以下有益效果：基于航迹点密度进行航迹偏离检测，有效识别航迹中的单个异常点的多维特征，最终满足快速、精准的无人机异常航迹识别需求，为保障无人机飞行、推动无人驾驶航空创新应用与规模发展提供新的思路。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明整体实现流程图；

图2为本发明结构化空域下无人机飞行示意图；

图3为本发明Bi-LSTM神经网络示意图；

图4为LOF算法示意图；

图5为本发明所提方法的流程图。

具体实施方式

实施例

以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

请参阅图1-5，一种基于四维航迹预测的无人机短时航迹偏离检测方法，包括以下步骤：

步骤1：划设低空航路网络，确定无人机飞行区域，收集无人机在结构化航路下运行的历史航迹数据，具体过程如下：

划设低空航路网络，确定无人机飞行区域，收集无人机在结构化航路下运行的历史航迹数据。假设T为所有的无人机历史航迹集，其中包含了N条历史航迹，表示为：

T＝{T₁,T₂,...,T_k,...,T_N}

式中，T_k是T中的第k条航迹；

每条航迹包含了n个航迹点：

T_k＝{S_k1,S_k2,...,S_ki,...,S_kn}

式中，S_ki是T_k中的第i个航迹点；

每个航迹点包含的特征表示为：

式中，分别表示无人机航迹点的经度(°)，纬度(°)，高度(m)，v_ki,d_ki表示无人机航迹点的速度(m/s)和航向(rad)。

步骤2：建立航迹数据预处理和重构模型构筑包含位置、速度、航向等多维属性的航迹数据，具体过程如下：

步骤2.1、删除航迹点较少的航迹，同时对于缺失航迹点相对较少的航迹，通过B-spline三次样条法插值处理，其中，分别将航迹划分为与时间t相关的经度、纬度、高度、速度和航向五个分量，进行插值方法解决，B-spline曲线定义为：

其中，P_i是特征多边形的顶点，B称为基函数；

步骤2.2、航迹数据在输入模型之前采用max-min标准化方式进行预处理，使模型输入向量中特征值取值范围一致；

其中，ξ为无人机多维航迹参数向量T_kt中的元素，主要包含经度，纬度，高度，速度大小以及航向；ξ_min为航迹数据集中的最小值，ξ_max为航迹数据集中的最大值；ξ'为标准化后的无人机航迹数据。

同样的，输出预测无人机航迹位置时需要经过反标准化解码：

步骤2.3、以每一次预测的时候输入窗口只预测未来一个航迹点值，即单步预测的方式对无人机航迹进行重构，具体过程如下：

(1)设置每次预测的输入为相邻两个时间戳的无人机轨迹参数向量，预测结果为下一个时间戳的无人机航迹参数向量：

式中,表示无人机四维航迹预测模型，T_t为预测输出的无人机时刻航迹参数向量，T_t-1,T_t-2表示预测模型中输入的两个相邻时间戳无人机航迹参数向量；

(2)基于预测数据采用递归的形式预测未来m个时间戳后无人机的航迹参数：

其中，每调用一次预测模型即为m为预测时间跨度，即预测航迹点与当前位置的时间差，其递归含义为：通过已知的无人机航迹参数向量T_t-1,T_t预测下一个轨迹参数向量T_t+1，随后根据T_t,T_t+1预测T_t+2，以此类推直至T_t+m。

步骤3：以无人机的多维数据特征为输入，采用双向长短时记忆网络算法构建无人机短时航迹预测模型，同时计算航迹预测模型可接受预测精度下的最大时间跨度，具体过程如下：

步骤3.1、基于预处理后的无人机航迹数据，以无人机的多维数据特征为输入，建立单向LSTM模型；

航迹预测的输入数据结构为：

通过遗忘门查看h_t和x_t来决定单元格状态C_t，决定是否保留该信息：

通过输出门决定单元内部更新的数值与单元格状态：

通过前一层的细胞状态与遗忘向量逐点相乘，得到更新后的细胞状态：

最后由输出门决定输出的结果。

其中，包括了单个实例中单元在每个时间迭代的长期状态、短期状态和输出，x_t为当前时刻输入，h_t为当前时刻输出，C_t代表单元格状态，tanh为双曲正切激活函数，σ为Sigmoid激活函数。

步骤3.2、结合前向网络正向计算隐向量后向网络反向计算隐向量/>建立Bi-LSTM航迹预测模型，捕捉两个方向之间的数据特征。

航迹预测输出的结果为固定时间段之后的预测位置，包括预测位置点的经度，纬度和高度。因此，航迹预测的输出数据结构为：

步骤3.3、计算航迹预测模型未来一段时间内的loss值，得到可接受预测精度下的最大时间跨度T_max。

步骤4：基于历史航迹点和预测航迹点重构航迹数据集，将航迹偏离检测转化为航迹密度分类问题，具体过程如下：

步骤4.1、利用检测航迹数据中的位置、速度和航向特征，预测T+1时刻的航迹点 与历史T+1时刻的航迹点构成新的数据集/>

步骤4.2、计算数据集中预测T+1时刻的航迹点与历史T+1时刻的航迹点S_k(t+1)之间的欧式距离，其中/>S_k(t+1)的坐标分别为/>和/>

步骤4.3、将数据集输入到步骤5中进行检测，每检测一次后，将时间增加1，而后重构一次新的航迹数据集进行检测，直至T_max时刻结束。

步骤5：计算重构航迹点数据集间的多维度局部异常因子，建立无人机航迹偏离检测方法，实现短时范围内航迹偏离状态的动态监测，具体过程如下：

步骤5.1、确定短期航迹偏离检测模型中LOF算法的近邻数k和阈值ε。

步骤5.2、基于重构数据集中各航迹点间的欧式距离，对重构数据集进行检测，计算各航迹点的LOF值。

(1)计算预测航迹点的k值：

其中，为历史航迹数据集中与预测航迹点/>距离第k近的航迹点；

(2)计算预测航迹点的近邻航迹点：

(3)计算预测航迹点到历史航迹点S_t的可达距离：

(4)计算预测航迹点近邻密度：

其中：代替/>对近邻密度进行平滑，k值越大，平滑效果越明显。

(5)计算预测航迹点的局部异常因子：

式中，航迹点与航迹点S_t的近邻航迹的近邻密度之比越大，航迹点/>异常程度越大

步骤5.3、输出每个航迹点异常检测的结果，比较航迹点的LOF值和阈值ε，超过ε的航迹点被为异常航迹点，包含异常点的航迹被判定为偏离航迹。

因此，本发明采用上述一种基于四维航迹预测的无人机短时航迹偏离检测方法，基于无人机的四维航迹预测结果，重构无人机历史航迹点与预测航迹点数据集，综合无人机的历史航迹数据信息与未来航迹数据，构建航迹点密度异常检测模型，实现无人机的短期动态监测，消除了无人机在低空结构化航路网络运行过程中航迹偏离导致的安全隐患。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (6)

1.一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，包括以下步骤：

步骤1、划设低空航路网络，获取结构化航路下无人机运行的历史航迹数据；

步骤2、建立航迹数据预处理和重构模型构筑包含位置、速度、航向多维属性的航迹数据；

步骤3、以无人机的多维数据特征为输入，采用双向长短时记忆网络算法构建无人机短时航迹预测模型，同时计算航迹预测模型可接受预测精度下的最大时间跨度；

步骤4、基于历史航迹点和预测航迹点重构航迹数据集，将航迹偏离检测转化为航迹密度分类问题；

步骤5、计算重构航迹点数据集间的多维度局部异常因子，建立无人机航迹偏离检测方法，实现短时范围内航迹偏离状态的动态监测。

2.根据权利要求1所述的一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，所述步骤1具体过程如下：划设低空航路网络，确定无人机飞行区域，收集无人机在结构化航路下运行的历史航迹数据，假设T为所有的无人机历史航迹集，其中包含了N条历史航迹，表示为

T＝{T₁,T₂,...,T_k,...,T_N}

式中，T_k是T中的第k条航迹；

每条航迹包含了n个航迹点

T_k＝{S_k1,S_k2,...,S_ki,...,S_kn}

式中，S_ki是T_k中的第i个航迹点；

每个航迹点包含的特征表示为

式中，分别表示无人机航迹点的经度(°)，纬度(°)，高度(m)，v_ki,d_ki表示无人机航迹点的速度(m/s)和航向(rad)。

3.根据权利要求1所述的一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，所述步骤2具体过程如下：

步骤2.1、删除航迹点少的航迹，同时对于缺失航迹点少的航迹，通过贝塞尔曲线三次样条法插值处理，分别将航迹划分为与时间t相关的经度、纬度、高度、速度和航向五个分量，进行插值方法解决；

步骤2.2、航迹数据在输入模型之前采用最大最小标准化方式进行预处理，使模型输入向量中特征值取值范围一致；

步骤2.3、以每一次预测的时候输入窗口只预测未来一个航迹点值，通过单步预测的方式对无人机航迹进行重构。

4.根据权利要求1所述的一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，所述步骤3具体过程如下：

步骤3.1、基于预处理后的无人机航迹数据，以无人机的多维数据特征为输入，建立单向长短时记忆网络算法模型；

步骤3.2、结合前向网络正向计算隐向量和后向网络反向计算隐向量/>建立双向长短时记忆网络算法航迹预测模型，捕捉两个方向之间的数据特征

步骤3.3、计算航迹预测模型未来一段时间内的衰减值，得到预测精度下的最大时间跨度T_max。

5.根据权利要求1所述的一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，所述步骤4具体过程如下：

步骤4.1、利用检测航迹数据中的位置、速度和航向特征，预测T+1时刻的航迹点与历史T+1时刻的航迹点构成新的数据集/>

步骤4.2、计算数据集中预测T+1时刻的航迹点与历史T+1时刻的航迹点S_k(t+1)之间的欧式距离，其中/>S_k(t+1)的坐标分别为/>和/>

步骤4.3、将数据集输入到步骤5中进行检测，每检测一次后，将时间增加1，而后重构一次新的航迹数据集进行检测，直至T_max时刻结束。

6.根据权利要求1所述的一种基于四维航迹预测的无人机短时航迹偏离检测方法，其特征在于，所述步骤5具体过程如下：

步骤5.1、确定短期航迹偏离检测模型中多维度局部异常因子算法的近邻数和阈值；

步骤5.2、基于重构数据集中各航迹点间的欧式距离，对重构数据集进行检测，计算各航迹点的多维度局部异常因子值；

步骤5.3、输出每个航迹点异常检测的结果，比较航迹点的多维度局部异常因子值和阈值，超过阈值的航迹点被为异常航迹点，异常点的航迹被判定为偏离航迹。