CN117061570B - 一种基于多传感器的目标识别态势感知系统及方法 - Google Patents

一种基于多传感器的目标识别态势感知系统及方法 Download PDF

Info

Publication number
CN117061570B
CN117061570B CN202311310258.7A CN202311310258A CN117061570B CN 117061570 B CN117061570 B CN 117061570B CN 202311310258 A CN202311310258 A CN 202311310258A CN 117061570 B CN117061570 B CN 117061570B
Authority
CN
China
Prior art keywords
target
data
communication
congestion
situation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311310258.7A
Other languages
English (en)
Other versions
CN117061570A (zh
Inventor
陈铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huake Haixun Technology Co ltd
Original Assignee
Beijing Huake Haixun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Huake Haixun Technology Co ltd filed Critical Beijing Huake Haixun Technology Co ltd
Priority to CN202311310258.7A priority Critical patent/CN117061570B/zh
Publication of CN117061570A publication Critical patent/CN117061570A/zh
Application granted granted Critical
Publication of CN117061570B publication Critical patent/CN117061570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/12Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00Network architectures or network communication protocols for network security
    • H04L63/20Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供一种基于多传感器的目标识别态势感知系统及方法,该方法包括如下步骤:利用多个传感器采集物联网目标集群中各个目标的态势感知数据;根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据;其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据;根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值;若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知。本申请实现对目标的进行态势感知,并提高目标的安全性,避免目标在空间位置上产生过度拥塞现象。

Description

一种基于多传感器的目标识别态势感知系统及方法
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于多传感器的目标识别态势感知系统及方法。
背景技术
目标特性是航天器探测设备发展、使用和决策的战略基础信息。及时获取详实准确的未知空间目标特性,是精确筹划与决策、掌控空间态势的基础条件。随着无人机技术的不断发展,无人机除了在军事上被广泛应用,而且在农业及人们的日常生活中广泛应用,为了实现无人机更为优良的性能,无人机的态势感知成为实现无人机飞行控制的重要因素。
现有的无人机在自主规划飞行路径时,只是基于地图简单地将目标点与出发点连接成为一条直线作为飞行路径。然而,无人机在实际飞行过程中,很有可能遇到飞行障碍,受到飞行障碍时,影响而偏离原设定的飞行轨迹,延迟到达目的地或无法准确到达目的地。另外,无人机在飞行的过程中如果存在安全隐患,不仅会对其本身的安全性造成影响,而且还会对与其通信的设备造成安全性影响。
因此,目前亟需解决的技术问题是:如何对目标的进行态势感知,并提高目标的安全性,避免目标在空间位置上产生过度拥塞现象。
发明内容
本申请的目的在于提供一种基于多传感器的目标识别态势感知系统及方法,实现对目标的进行态势感知,并提高目标的安全性,避免目标在空间位置上产生过度拥塞现象。
为达到上述目的,作为本申请的第一方面,本申请提供一种基于多传感器的目标识别态势感知方法,该方法包括如下步骤:利用多个传感器采集物联网目标集群中各个目标的态势感知数据;根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据;其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据;根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值;比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知。
如上所述的基于多传感器的目标识别态势感知方法,其中,该方法还包括如下步骤:采集目标的通信安全态势要素数据;根据目标的通信安全态势要素数据,计算目标的通信安全可靠值;比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级。
如上所述的基于多传感器的目标识别态势感知方法,其中,该方法还包括如下步骤:对各个目标的态势感知数据进行时间配准和空间配准,并融合成物联网目标集群的态势感知三维空间实景图像。
如上所述的基于多传感器的目标识别态势感知方法,其中,控制中心响应于接收到预定区域范围内目标拥堵的信号,在预定时间段内,禁止向该预定区域范围内规划目标轨迹。
如上所述的基于多传感器的目标识别态势感知方法,其中,采集目标的通信安全态势要素数据的方法包括如下步骤:在当前目标处,获取通信数据流;于预先构建的通信安全态势要素识别模型,对通信数据流进行识别,获得目标的通信安全态势要素数据。
如上所述的基于多传感器的目标识别态势感知方法,其中,目标的通信安全可靠值的计算公式如下:
其中,表示目标的通信安全可靠值;/>表示当前目标的通信安全态势要素数据的影响权重;/>表示当前目标的通信安全态势要素数据的总数量;/>表示当前目标未被清除的通信安全态势要素数据的数量;/>表示第/>个通信安全态势要素数据的影响因子;/>表示第/>个通信安全态势要素数据的危险值;/>表示与当前目标通信连接的其他目标的通信安全态势要素数据对当前目标的影响权重;/>表示与当前目标通信连接的关联目标的总数量;/>表示关联目标未被清除的通信安全态势要素数据的总数量;/>表示第个关联目标的通信安全态势要素数据总种类数;/>表示第/>个关联目标的第/>种通信安全态势要素数据的影响因子;/>表示第/>个关联目标的第/>种通信安全态势要素数据的危险值;/>表示第/>个关联目标的第/>种通信安全态势要素数据的出现次数。
如上所述的基于多传感器的目标识别态势感知方法,其中,目标的通信安全态势要素数据包括漏洞、恶意病毒、恶意链接和非法指令。
作为本申请的第二方面,本申请提供一种基于多传感器的目标识别态势感知系统,该系统包括:多个传感器,用于采集物联网目标集群中各个目标的态势感知数据;数据获取模块,用于根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据;其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据;数据处理器,用于根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值;数据比较器,用于比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知。
如上所述的基于多传感器的目标识别态势感知系统,其中, 数据获取模块,还用于采集目标的通信安全态势要素数据;数据处理器,还用于根据目标的通信安全态势要素数据,计算目标的通信安全可靠值;数据比较器,还用于比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级。
如上所述的基于多传感器的目标识别态势感知系统,其中,该系统还包括:三维空间实景图像生成模块,用于对各个目标的态势感知数据进行时间配准和空间配准,并融合成物联网目标集群的态势感知三维空间实景图像。
本申请实现的有益效果如下:
(1)、本发明计算预定范围内目标的拥塞值,并比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知,避免目标在空间位置上产生过度拥塞现象或通信延迟。
(2)、本发明在计算目标的通信安全可靠值时,不仅考虑了目标当前通信安全态势要素数据的影响,还考虑了与当前目标通信的其他目标的通信安全态势要素数据对当前目标的通信安全可靠值的影响,从而提高了目标的通信安全可靠值的计算准确度,有利于对当前目标的安全态势进行准确的预判,提高目标的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于多传感器的目标识别态势感知方法的流程图。
图2为本申请实施例的采集目标的通信安全态势要素数据的方法流程图。
图3为本申请实施例的一种基于多传感器的目标识别态势感知系统的结构示意图。
附图标记:10-传感器;20-数据获取模块;30-数据处理器;40-数据比较器;50-三维空间实景图像生成模块;100-目标识别态势感知系统。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
实施例一
如图1所示,本申请提供一种基于多传感器的目标识别态势感知方法,该方法包括如下步骤:
步骤S1,利用多个传感器采集物联网目标集群中各个目标的态势感知数据。
作为本发明的具体实施例,传感器可以是雷达、激光雷达、超声传感器、视觉传感器、GPS传感器、IMU惯导传感器、信号传感器、数据包检测器等。多个传感器具有多维度、多类数据采集能力,对目标进行多种手段探测。
作为本发明的具体实施例,物联网目标集群是物联网无人机集群。目标是无人机,无人机属于物联网无人机集群中任意一个无人机,物联网无人机集群中的多个无人机之间通过无线网络通信连接。
作为本发明的其他实施例,目标还可以是物联网汽车集群中的汽车或这物联网机器人集群中的机器人等。在此,不限制目标的类型。
作为本发明的具体实施例,目标态势感知数据包括环境数据信息、目标位置信息、时间信息、网络通信数据、网络安全攻击数据、雷达点云数据、运行状态信息(方位、俯仰角、通信频段、速度)等。
作为本发明的具体实施例,对各个目标的态势感知数据进行时间配准和空间配准,并融合成物联网目标集群的态势感知三维空间实景图像。
需要解释的是,时间配准处理是将多个传感器在同一时刻下采集的数据进行融合,保证多个传感器采集的数据在时间上对齐。空间配准处理是将多个传感器采集的空间数据配合到同一坐标系中。然后将物联网目标集群的态势感知三维空间实景图像在控制中心进行显示,使得管理人员在控制中心直观的查看物联网目标集群中各个目标的位置、姿态、行进方向和周围环境情况等。
步骤S2,根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据。
其中,预定区域范围为对物联网目标集群中所有目标所活动的整体区域进行等面积划分所得到的某一个区域。
其中,拥塞属性特征数据包括某一采样时间段内(例如20S、1min、5min等)预定区域范围中的空间稠密特征数据和通信稠密特征数据。
作为本发明具体的实施例,空间稠密特征数据包括预定区域范围内目标个数、目标之间的距离等。通信稠密特征数据包括预定区域范围内通信链路数量、通信数据包数量等。
步骤S3,根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值。
具体的,某个预定区域范围内目标的拥塞值计算公式如下:
其中,;
其中,表示某个预定区域范围内目标的拥塞值;/>表示空间稠密特征数据的影响权重;/>表示预定区域范围内出现目标数量的权重影响因子;/>表示预定区域范围的面积;/>表示采样初始时刻预定区域范围内的目标个数;/>表示采样结束时刻预定范围内的目标个数;/>和/>为参数;/>表示预定区域范围内目标之间距离的权重影响因子;;/>表示采样初始时刻第/>个目标与第/>个目标之间的距离;/>表示采样结束时刻第/>个目标与第/>个目标之间的距离;/>表示通信稠密特征数据的影响权重;/>表示采样时间段内预定区域范围内所有目标(即包含在采样时间段内出现在预定区域范围内的所有目标)之间的通信链路数量;/>表示采样时间段内预定区域范围内包含的目标总数量(即包含在采样时间段内出现在预定区域范围内的所有目标的数量);/>表示采样时间段内预定区域范围内目标之间所有通信链路传输的通信数据包数量;/>表示采样时间段。其中,/>
步骤S4,比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知。
作为本发明的具体实施例,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,控制中心响应于接收到预定区域范围内目标拥堵的信号,在预定时间段内(例如1小时、2小时等)禁止向该预定区域范围内规划目标轨迹,选择避让该预定区域范围来规划目标轨迹,以避免该预定区域范围内的目标过多造成过分拥堵,利于任务的执行和目标的顺利行进与目标之间的顺畅通信,提高通信效率和行进速率。
作为本发明的具体实施例,当控制中心在预定时间段内未向预定区域范围内规划目标轨迹(即不再指挥目标进入预定区域范围内)后,继续返回执行步骤S3和步骤S4,直至预定区域范围内目标的拥塞值小于或等于预设阈值,控制中心才向预定区域范围内规划目标轨迹。
步骤S5,采集目标的通信安全态势要素数据。
其中,目标的通信安全态势要素数据为从目标的通信数据流中采集的数据。目标的通信安全态势要素数据包括漏洞、恶意病毒、恶意链接和非法指令等。
如图2所示,步骤S5包括如下子步骤:
步骤S510,在当前目标处,获取通信数据流。
步骤S520,基于预先构建的通信安全态势要素识别模型,对通信数据流进行识别,获得目标的通信安全态势要素数据。
作为本发明的具体实施例,预先构建的通信安全态势要素识别模型的方法为:获取已知的通信异常训练数据(包括已知的漏洞、恶意病毒、恶意链接和非法指令等),将获取的通信异常训练数据输入到神经网络基础模型中进行训练,获得通信安全态势要素识别模型,通信安全态势要素识别模型用于对通信数据流进行识别,获得目标的通信安全态势要素数据。其中,将获取的通信异常训练数据输入到神经网络基础模型中进行训练的方法采用现有的方法,在此不再赘述。
作为本发明的具体实施例,通过现有的恶意入侵检测模块采集目标的通信安全态势要素数据。
步骤S6,根据目标的通信安全态势要素数据,计算目标的通信安全可靠值。
具体的,目标的通信安全可靠值的计算公式如下:
其中,表示目标的通信安全可靠值;/>表示当前目标的通信安全态势要素数据的影响权重;/>表示当前目标的通信安全态势要素数据的总数量;/>表示当前目标未被清除的通信安全态势要素数据的数量;/>表示第/>个通信安全态势要素数据的影响因子;/>表示第/>个通信安全态势要素数据的危险值;/>表示与当前目标通信连接的其他目标的通信安全态势要素数据对当前目标的影响权重;/>表示与当前目标通信连接的关联目标的总数量;/>表示关联目标未被清除的通信安全态势要素数据的总数量;/>表示第个关联目标的通信安全态势要素数据总种类数;/>表示第/>个关联目标的第/>种通信安全态势要素数据的影响因子;/>表示第/>个关联目标的第/>种通信安全态势要素数据的危险值;/>表示第/>个关联目标的第/>种通信安全态势要素数据的出现次数;其中,
作为本发明的具体实施例,在计算目标的通信安全可靠值时,不仅考虑了目标当前通信安全态势要素数据的影响,还考虑了与当前目标通信的其他目标(即关联目标)的通信安全态势要素数据对当前目标安全态势值的影响,从而提高了目标的通信安全可靠值的计算准确度,有利于对当前目标的安全态势进行准确的预判,提高目标的安全性。
步骤S7,比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级。
作为本发明的具体实施例,对目标进行安全防御机制升级例如为:为目标安装网络防病毒系统或安装安全检测系统等。
实施例二
如图3所示,本申请提供一种基于多传感器的目标识别态势感知系统100,该系统包括:
多个传感器10,用于采集物联网目标集群中各个目标的态势感知数据。
数据获取模块20,用于根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据。其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据。
数据处理器30,用于根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值。
数据比较器40,用于比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知。
数据获取模块20,还用于采集目标的通信安全态势要素数据。
数据处理器30,还用于根据目标的通信安全态势要素数据,计算目标的通信安全可靠值。
数据比较器40,还用于比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级。
一种基于多传感器的目标识别态势感知系统100,还包括:三维空间实景图像生成模块50,用于对各个目标的态势感知数据进行时间配准和空间配准,并融合成物联网目标集群的态势感知三维空间实景图像。
其中,某个预定区域范围内目标的拥塞值计算公式如下:
其中,;
其中,表示某个预定区域范围内目标的拥塞值;/>表示空间稠密特征数据的影响权重;/>表示预定区域范围内出现目标数量的权重影响因子;/>表示预定区域范围的面积;/>表示采样初始时刻预定区域范围内的目标个数;/>表示采样结束时刻预定范围内的目标个数;/>和/>为参数;/>表示预定区域范围内目标之间距离的权重影响因子;;/>表示采样初始时刻第/>个目标与第/>个目标之间的距离;/>表示采样结束时刻第/>个目标与第/>个目标之间的距离;/>表示通信稠密特征数据的影响权重;/>表示采样时间段内预定区域范围内所有目标(即包含在采样时间段内出现在预定区域范围内的所有目标)之间的通信链路数量;/>表示采样时间段内预定区域范围内包含的目标总数量(即包含在采样时间段内出现在预定区域范围内的所有目标的数量);/>表示采样时间段内预定区域范围内目标之间所有通信链路传输的通信数据包数量;/>表示采样时间段。其中,/>
其中,目标的通信安全可靠值的计算公式如下:
其中,表示目标的通信安全可靠值;/>表示当前目标的通信安全态势要素数据的影响权重;/>表示当前目标的通信安全态势要素数据的总数量;/>表示当前目标未被清除的通信安全态势要素数据的数量;/>表示第/>个通信安全态势要素数据的影响因子;/>表示第/>个通信安全态势要素数据的危险值;/>表示与当前目标通信连接的其他目标的通信安全态势要素数据对当前目标的影响权重;/>表示与当前目标通信连接的关联目标的总数量;/>表示关联目标未被清除的通信安全态势要素数据的总数量;/>表示第个关联目标的通信安全态势要素数据总种类数;/>表示第/>个关联目标的第/>种通信安全态势要素数据的影响因子;/>表示第/>个关联目标的第/>种通信安全态势要素数据的危险值;/>表示第/>个关联目标的第/>种通信安全态势要素数据的出现次数;其中,
本申请还提供一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行所述的大容量固态硬盘的地址映射方法。计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被处理器执行一种基于多传感器的目标识别态势感知方法。
本发明所公开的实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行上述的一种基于多传感器的目标识别态势感知方法。
本发明实施例提供一种处理器,用于处理上述的一种基于多传感器的目标识别态势感知方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称 DSP)、专用集成电路(Application Specific Integrated Circuit,简称 ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称 FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称 ROM)、可编程只读存储器(Programmable ROM,简称 PROM)、可擦除可编程只读存储器(Erasable PROM,简称Z230078F8XM2016.EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的 RAM 可用,例如静态随机存取存储器(Static RAM,简称 SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称 SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简 称 DDRSDRAM) 、 增强 型 同步 动 态随 机 存取 存 储器(Enhanced SDRAM,简称 ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称 DRRAM)。
本申请实现的有益效果如下:
(1)、本发明计算预定范围内目标的拥塞值,并比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知,避免目标在空间位置上产生过度拥塞现象或通信延迟。
(2)、本发明在计算目标的通信安全可靠值时,不仅考虑了目标当前通信安全态势要素数据的影响,还考虑了与当前目标通信的其他目标的通信安全态势要素数据对当前目标的通信安全可靠值的影响,从而提高了目标的通信安全可靠值的计算准确度,有利于对当前目标的安全态势进行准确的预判,提高目标的安全性。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理内所做的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。

Claims (5)

1.一种基于多传感器的目标识别态势感知方法,其特征在于,该方法包括如下步骤:
利用多个传感器采集物联网目标集群中各个目标的态势感知数据;
根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据;其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据;所述空间稠密特征数据包括:预定区域范围内目标个数、目标之间的距离和预定区域范围的面积;所述通信稠密特征数据包括预定区域范围内通信链路数量和通信数据包数量;
根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值;
比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知;
该方法还包括如下步骤:
采集目标的通信安全态势要素数据;
根据目标的通信安全态势要素数据,计算目标的通信安全可靠值;所述计算目标的通信安全可靠值,不仅考虑当前目标的通信安全态势要素数据的影响,还考虑与当前目标通信的关联目标的通信安全态势要素数据对当前目标的影响;
比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级;
该方法还包括如下步骤:
对各个目标的态势感知数据进行时间配准和空间配准,所述时间配准是将多个传感器在同一时刻下采集的数据进行融合,保证多个传感器采集的数据在时间上对齐;所述空间配准是将多个传感器采集的空间数据配合到同一坐标系中;并融合成物联网目标集群的态势感知三维空间实景图像,将物联网目标集群的态势感知三维空间实景图像在控制中心进行显示;
所述采集目标的通信安全态势要素数据具体包括如下步骤:
在当前目标处,获取通信数据流;
基于预先构建的通信安全态势要素识别模型,对通信数据流进行识别,获得目标的通信安全态势要素数据;
其中,预先构建通信安全态势要素识别模型的步骤为:获取已知的通信异常训练数据,将获取的通信异常训练数据输入到神经网络基础模型中进行训练,获得通信安全态势要素识别模型。
2.根据权利要求1所述的基于多传感器的目标识别态势感知方法,其特征在于,控制中心响应于接收到预定区域范围内目标拥堵的信号,在预定时间段内,禁止向该预定区域范围内规划目标轨迹。
3.根据权利要求1所述的基于多传感器的目标识别态势感知方法,其特征在于,目标的通信安全态势要素数据包括漏洞、恶意病毒、恶意链接和非法指令。
4.一种基于多传感器的目标识别态势感知系统,其特征在于,执行权利要求1-3之一所述的方法,该系统包括:
多个传感器,用于采集物联网目标集群中各个目标的态势感知数据;
数据获取模块,用于根据目标的态势感知数据,获取预定区域范围内各个目标的拥塞属性特征数据;其中,拥塞属性特征数据包括某一采样时间段内预定区域范围中的空间稠密特征数据和通信稠密特征数据;
数据处理器,用于根据各个目标的拥塞属性特征数据,计算不同预定区域范围内目标的拥塞值;
数据比较器,用于比较预定区域范围内目标的拥塞值与预设阈值的大小,若预定区域范围内目标的拥塞值大于预设阈值,则向控制中心发出该预定区域范围内目标拥堵的信号,否则,继续对目标进行态势感知;
所述数据获取模块,还用于采集目标的通信安全态势要素数据;
所述数据处理器,还用于根据目标的通信安全态势要素数据,计算目标的通信安全可靠值;
所述数据比较器,还用于比较目标的通信安全可靠值和预设安全阈值的大小,若目标的通信安全可靠值小于预设安全阈值,则对目标进行安全防御机制升级,否则,无需对目标进行安全防御机制升级。
5.根据权利要求4所述的基于多传感器的目标识别态势感知系统,其特征在于,该系统还包括:
三维空间实景图像生成模块,用于对各个目标的态势感知数据进行时间配准和空间配准,并融合成物联网目标集群的态势感知三维空间实景图像。
CN202311310258.7A 2023-10-11 2023-10-11 一种基于多传感器的目标识别态势感知系统及方法 Active CN117061570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311310258.7A CN117061570B (zh) 2023-10-11 2023-10-11 一种基于多传感器的目标识别态势感知系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311310258.7A CN117061570B (zh) 2023-10-11 2023-10-11 一种基于多传感器的目标识别态势感知系统及方法

Publications (2)

Publication Number Publication Date
CN117061570A CN117061570A (zh) 2023-11-14
CN117061570B true CN117061570B (zh) 2024-01-09

Family

ID=88664750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311310258.7A Active CN117061570B (zh) 2023-10-11 2023-10-11 一种基于多传感器的目标识别态势感知系统及方法

Country Status (1)

Country Link
CN (1) CN117061570B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562930A (zh) * 2020-04-30 2020-08-21 深圳壹账通智能科技有限公司 web应用安全的升级方法与系统
CN114026890A (zh) * 2019-06-26 2022-02-08 松下知识产权经营株式会社 路侧设备和通信拥塞控制方法
CN114882697A (zh) * 2022-03-29 2022-08-09 四川智慧高速科技有限公司 高速公路上车辆路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913501A (zh) * 2021-02-10 2022-08-16 通用汽车环球科技运作有限责任公司 注意力驱动的串流系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114026890A (zh) * 2019-06-26 2022-02-08 松下知识产权经营株式会社 路侧设备和通信拥塞控制方法
CN111562930A (zh) * 2020-04-30 2020-08-21 深圳壹账通智能科技有限公司 web应用安全的升级方法与系统
CN114882697A (zh) * 2022-03-29 2022-08-09 四川智慧高速科技有限公司 高速公路上车辆路径规划方法

Also Published As

Publication number Publication date
CN117061570A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
US10220841B2 (en) Method and system for assisting a driver of a vehicle in driving the vehicle, vehicle and computer program
JP7167887B2 (ja) 自動化車両の向けのVehicle-to-Everythingデータ転送
EP3511863B1 (en) Distributable representation learning for associating observations from multiple vehicles
US9779624B2 (en) Method and system of driving assistance for collision avoidance
US20220410939A1 (en) Collision detection method, electronic device, and medium
EP3128386B1 (en) Method and device for tracking a moving target from an air vehicle
Ramos et al. Cooperative target tracking in vehicular sensor networks
US20180050694A1 (en) Method and device for monitoring a setpoint trajectory to be traveled by a vehicle for being collision free
CN111891124B (zh) 目标信息融合的方法、系统、计算机设备和可读存储介质
EP4027317A1 (en) Method and system for predicting motion trajectory
US10629073B2 (en) Method, device and system for wrong-way driver detection
US20200226274A1 (en) Systems and methods for message assurance in vehicle systems
CN112602131B (zh) 飞行期间飞行器的规避和飞行器尾迹
CN111695619A (zh) 一种多传感器目标融合方法、装置、车辆及存储介质
CN111612378A (zh) 潜在碰撞风险预测方法、装置及计算机设备
CN113269811A (zh) 数据融合方法、装置及电子设备
US20180165974A1 (en) Vehicle collision prevention
Mejias et al. Sense and avoid technology developments at Queensland University of Technology
CN117061570B (zh) 一种基于多传感器的目标识别态势感知系统及方法
Kang et al. Sense and avoid based on visual pose estimation for small UAS
Dutta et al. Quantifying trust in autonomous system under uncertainties
Vitiello et al. Radar/visual fusion with fuse-before-track strategy for low altitude non-cooperative sense and avoid
CN114167892B (zh) 无人机感知规避系统的传感器优化配置方法、设备及介质
Kang Development of a Peripheral-Central Vision System to Detect and Characterize Airborne Threats
CN114326802B (zh) 喷洒作业控制方法、装置、飞行器及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant