CN117171893A - 基于人工智能的无人机飞行短板分析方法及系统 - Google Patents
基于人工智能的无人机飞行短板分析方法及系统 Download PDFInfo
- Publication number
- CN117171893A CN117171893A CN202311393324.1A CN202311393324A CN117171893A CN 117171893 A CN117171893 A CN 117171893A CN 202311393324 A CN202311393324 A CN 202311393324A CN 117171893 A CN117171893 A CN 117171893A
- Authority
- CN
- China
- Prior art keywords
- flight
- template
- route
- target
- short
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 139
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 113
- 230000004927 fusion Effects 0.000 claims description 77
- 230000033001 locomotion Effects 0.000 claims description 40
- 230000009471 action Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000003491 array Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 230000000873 masking effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000265 homogenisation Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种基于人工智能的无人机飞行短板分析方法及系统，通过对多个参考飞行航线进行策略配对辨识，实现了对无人机飞行短板的精确定位，进而确定了具有代表性的模板飞行航线，利用这些模板飞行航线，结合相应的飞行短板主题，进行了基于飞行短板主题的聚团，形成了与各飞行短板主题对应的飞行操作群组。然后，根据每个飞行操作群组的特征，调整了基础飞行缺陷观测模型的权重信息，生成了多个目标飞行缺陷观测模型。由此，能够准确、高效地进行无人机飞行短板分析，为优化无人机的飞行性能，提高无人机的安全性和可靠性提供了强大的技术支持。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的无人机飞行短板分析方法及系统。
背景技术
无人机已经广泛应用于多种领域，包括农业、测绘、交通监控、空中摄影等。然而，无人机在飞行过程中可能会出现各种飞行短板，例如稳定性问题、避障能力不足、耗能过大等等。这些飞行短板可能会影响无人机的飞行性能，甚至威胁到无人机的安全。
因此，进行无人机飞行短板分析是非常必要的。通过分析无人机的飞行操作纪录，可以了解无人机在飞行过程中可能出现的问题，从而对无人机进行相应的调整或优化，提高无人机的飞行性能。
然而，传统的无人机飞行短板分析方法往往存在一些问题。例如，这些方法可能无法准确地识别出无人机的飞行短板，或者无法有效地利用飞行操作纪录来进行飞行短板分析。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的无人机飞行短板分析方法及系统。
第一方面，本申请提供一种基于人工智能的无人机飞行短板分析方法，应用于无人机服务系统，所述方法包括：
采集用于对基础飞行缺陷观测模型进行配置的多个参考飞行航线的飞行操作纪录，以及获取Q个航线融合辨识策略，一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量；
结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，分别结合各个参考飞行航线的飞行操作纪录，对所述Q个航线融合辨识策略进行策略配对辨识；
从所述多个参考飞行航线中，确定配对某个航线融合辨识策略的飞行操作纪录所对应的参考飞行航线，确定为所述基础飞行缺陷观测模型的模板飞行航线；
结合各模板飞行航线的飞行操作纪录所配对的航线融合辨识策略所对应的飞行短板主题，对所述各模板飞行航线的飞行操作纪录进行基于飞行短板主题的聚团，确定多个飞行操作群组，一个飞行操作群组对应一个飞行短板主题；
分别结合每个飞行操作群组对所述基础飞行缺陷观测模型进行模型收敛方向的权重信息调整，确定多个飞行短板主题下的目标飞行缺陷观测模型，并结合所述目标飞行缺陷观测模型进行无人机飞行短板分析；一个目标飞行缺陷观测模型用于基于导入的目标飞行航线的飞行操作纪录，确定各目标飞行航线下的飞行短板主题的支持参数值。
一些可替代的实施例中，每个航线融合辨识策略还反映：相应的各个短板飞行属性向量之间的飞行轨迹联接信息；
所述结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，分别结合各个参考飞行航线的飞行操作纪录，对所述Q个航线融合辨识策略进行策略配对辨识，包括：
对于每个参考飞行航线的飞行操作纪录，遍历所述Q个航线融合辨识策略，确定本次遍历的本次航线融合辨识策略；
结合所述本次航线融合辨识策略中的各个短板飞行属性向量以及飞行轨迹联接信息，确定各参考飞行航线的飞行操作纪录需配对的目标短板飞行属性向量，并在各参考飞行航线的飞行操作纪录中配对所述目标短板飞行属性向量；
假设配对到所述目标短板飞行属性向量，则确定各参考飞行航线的飞行操作纪录配对所述本次航线融合辨识策略；
假设未配对到所述目标短板飞行属性向量，则继续遍历所述Q个航线融合辨识策略。
一些可替代的实施例中，所述分别结合每个飞行操作群组对所述基础飞行缺陷观测模型进行模型收敛方向的权重信息调整，确定多个飞行短板主题下的目标飞行缺陷观测模型，包括：
结合每个飞行操作群组中的飞行操作纪录，生成W个指导性飞行学习数据以及R个非指导性飞行学习数据集，W和R均为正整数；一个指导性飞行学习数据包括：一个具有飞行短板主题注释的第一模板飞行航线的飞行操作纪录；一个非指导性飞行学习数据集包括：一个不具有飞行短板主题注释的第二模板飞行航线的飞行操作纪录，以及对飞行操作纪录进行属性增强生成的增强飞行操作纪录；
利用所述基础飞行缺陷观测模型结合每个指导性飞行学习数据中的飞行操作纪录，对相应的第一模板飞行航线进行飞行缺陷观测，确定每个第一模板飞行航线的目标飞行短板主题观测数据；
利用所述基础飞行缺陷观测模型结合飞行缺陷一致性的训练目标，结合每个非指导性飞行学习数据集中的飞行操作纪录和相应的增强飞行操作纪录，分别对相应的第二模板飞行航线进行飞行缺陷观测，确定每个第二模板飞行航线的两个飞行短板主题观测数据；
结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，以及各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，更新所述基础飞行缺陷观测模型的模型权值信息，确定各飞行操作群组所对应的飞行短板主题下的目标飞行缺陷观测模型。
一些可替代的实施例中，所述结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，以及各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，更新所述基础飞行缺陷观测模型的模型权值信息，包括：
结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，确定所述基础飞行缺陷观测模型的指导性收敛指标；
结合各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标；
对所述指导性收敛指标和所述非指导性收敛指标进行融合，确定所述基础飞行缺陷观测模型的目标模型收敛指标，并结合所述目标模型收敛指标更新所述基础飞行缺陷观测模型的模型权值信息。
一些可替代的实施例中，所述结合所述目标飞行缺陷观测模型进行无人机飞行短板分析的步骤，包括：
获取目标无人机操作人员所操作控制的目标飞行航线下的目标飞行操作纪录以及Q个航线融合辨识策略，Q为正整数；一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量；
结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，结合所述目标飞行操作纪录对所述Q个航线融合辨识策略进行策略配对辨识；
假设所述目标飞行操作纪录配对某个航线融合辨识策略，则结合所述目标飞行缺陷观测模型结合所述目标飞行操作纪录，对所述目标飞行航线进行飞行缺陷观测，确定所述目标飞行航线的飞行短板主题观测数据，并结合所述目标飞行航线的飞行短板主题观测数据确定在所述目标飞行航线所存在的飞行短板集合；
结合所述目标飞行航线所存在的飞行短板集合向所述目标无人机操作人员进行无人机飞行短板分析。
譬如，一些可替代的实施例中，所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第一模板飞行航线的目标飞行短板主题观测数据中包括：每个第一模板飞行航线存在所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值；
所述结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，确定所述基础飞行缺陷观测模型的指导性收敛指标，包括：
遍历每个第一模板飞行航线的目标飞行短板主题观测数据，假设本次遍历的本次目标飞行短板主题观测数据中的最大主题支持参数值大于第一门限支持参数值，则将所述本次目标飞行短板主题观测数据作为流畅观测数据；
在所述W个目标飞行短板主题观测数据均被遍历后，结合所述各个流畅观测数据对所述W个目标飞行短板主题观测数据进行均匀化处理，以将所述各个流畅观测数据从所述W个目标飞行短板主题观测数据中移除；
结合其它的各目标飞行短板主题观测数据中最大主题支持参数值对应的模型样例数据点和相应的第一模板飞行航线的飞行短板主题注释之间的特征偏离度，确定所述基础飞行缺陷观测模型的指导性收敛指标。
譬如，一些可替代的实施例中，所述结合各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标，包括：
将每个第二模板飞行航线的两个飞行短板主题观测数据，分别作为各第二模板飞行航线的两个注释样例数据；
结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据；
结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标；
所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第二模板飞行航线的一个注释样例数据中包括：各第二模板飞行航线属于所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值；所述样例增益策略包括：结合主题支持参数值的蒙版处理；
所述结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据，包括：
遍历R个第二模板飞行航线，若本次遍历的本次第二模板飞行航线的两个注释样例数据中，存在若干个注释样例数据中的最大主题支持参数值小于第二门限支持参数值，则对所述本次第二模板飞行航线以及相应的两个注释样例数据进行蒙版处理；
在所述R个第二模板飞行航线均被遍历后，将已被进行蒙版处理的各个第二模板飞行航线导入样例增益数据中；
所述结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标，包括：
将所述R个第二模板飞行航线中不处于所述样例增益数据中的第二模板飞行航线，标注成候选的第二模板飞行航线；
结合各个候选的第二模板飞行航线的两个注释样例数据之间的特征偏离度，分别计算所述各个候选的第二模板飞行航线对应的非指导性交叉熵；
结合所述各个候选的第二模板飞行航线对应的非指导性交叉熵，确定所述基础飞行缺陷观测模型的非指导性收敛指标；
或者，所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第二模板飞行航线的一个注释样例数据中包括：各第二模板飞行航线属于所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值；所述样例增益策略包括：最小化结合增强飞行操作纪录所得到的注释样例数据的疑问度；
所述结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据，包括：
对于每个第二模板飞行航线，从各第二模板飞行航线的两个注释样例数据中，确定出结合各第二模板飞行航线的增强飞行操作纪录获得的注释样例数据；
结合所述注释样例数据中的各个模型样例数据点以及相应的主题支持参数值，计算各第二模板飞行航线的增强飞行操作纪录的疑问度；
将各第二模板飞行航线的增强飞行操作纪录的疑问度，导入样例增益数据中；
所述结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标，包括：
结合各个第二模板飞行航线的两个注释样例数据之间的特征偏离度，分别计算所述各个第二模板飞行航线对应的非指导性交叉熵；
对所述样例增益数据中的疑问度以及所述各个第二模板飞行航线对应的非指导性交叉熵进行相加，确定所述基础飞行缺陷观测模型的非指导性收敛指标。
第二方面，本申请实施例还提供一种无人机服务系统，所述无人机服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的无人机飞行短板分析方法。
采用以上任意方面的技术方案，通过对多个参考飞行航线进行策略配对辨识，实现了对无人机飞行短板的精确定位，进而确定了具有代表性的模板飞行航线。利用这些模板飞行航线，结合相应的飞行短板主题，进行了基于飞行短板主题的聚团，形成了与各飞行短板主题对应的飞行操作群组。然后，根据每个飞行操作群组的特征，调整了基础飞行缺陷观测模型的权重信息，生成了多个目标飞行缺陷观测模型。由此，能够准确、高效地进行无人机飞行短板分析，为优化无人机的飞行性能，提高无人机的安全性和可靠性提供了强大的技术支持。同时，基于导入的目标飞行航线的飞行操作纪录，能够确定各个目标飞行航线下的飞行短板主题的支持参数值，从而进一步提高了无人机飞行短板分析的准确性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的无人机飞行短板分析方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于人工智能的无人机飞行短板分析方法的无人机服务系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于人工智能的无人机飞行短板分析方法，包括以下步骤。
步骤S110，采集用于对基础飞行缺陷观测模型进行配置的多个参考飞行航线的飞行操作纪录，以及获取Q个航线融合辨识策略，一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量。
例如，假设正在处理一个涉及100个无人机飞行任务的项目。每架无人机在执行任务时，都会生成一份包含起飞时间、飞行速度（如60公里/小时）、飞行高度（如1200米）、飞行距离（如50公里）等数据参数的飞行操作记录。同时，可以配置了多个航线融合辨识策略，以用于分析和提取出各种可能的飞行短板。
飞行短板主题指的是根据无人机的飞行操作纪录分析出的某种特定问题或缺陷，比如可以包括：
1. 速度不稳定：无人机在飞行过程中，速度波动过大。
2. 高度控制问题：无人机不能准确地保持预设的飞行高度。
3. 导航精度差：无人机偏离了预定的飞行路径。
4. 着陆困难：无人机在尝试着陆时出现问题，比如下降速度过快或者不能准确地定位到着陆点。
5. 燃料效率低：无人机在完成相同距离的飞行任务时，消耗的燃料（或电池电量）过多。
6. 操控反应慢：无人机对操控指令的响应时间过长。
7. 载荷能力差：无人机不能有效地携带足够重的货物。
8. 天气适应性差：无人机在面对恶劣天气条件（比如强风、雨雪等）时，飞行性能显著下降。
以上就是一些飞行短板的例子，每个飞行短板都可能影响无人机的飞行性能和完成任务的能力。
由此，短板飞行属性向量则是针对某个特定飞行短板主题，从飞行操作纪录中提取并分析出的关键数据。例如，如果飞行短板主题是速度不稳定，那么短板飞行属性向量可能就包括飞行速度、加速度、飞行时间等相关参数。
因此，一个航线融合辨识策略可以看作是一种规则，可以帮助理解和量化无人机在某种特定飞行短板主题下的性能表现。通过这种航线融合辨识策略，可以更准确地识别出无人机在飞行过程中可能出现的问题，并据此进行改进和优化。
步骤S120，结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，分别结合各个参考飞行航线的飞行操作纪录，对所述Q个航线融合辨识策略进行策略配对辨识。
例如，可以使用机器学习算法来配对飞行操作纪录和融合辨识策略。比如说，如果参考航线A的飞行操作纪录与某一航线融合辨识策略的匹配程度较高，那么就将这两者配对。
步骤S130，从所述多个参考飞行航线中，确定配对某个航线融合辨识策略的飞行操作纪录所对应的参考飞行航线，确定为所述基础飞行缺陷观测模型的模板飞行航线。
例如，经过配对后，发现参考航线B、C和D与某一融合辨识策略的匹配程度最高，因此可以选择航线B、C和D作为模板飞行航线。
步骤S140，结合各模板飞行航线的飞行操作纪录所配对的航线融合辨识策略所对应的飞行短板主题，对所述各模板飞行航线的飞行操作纪录进行基于飞行短板主题的聚团，确定多个飞行操作群组，一个飞行操作群组对应一个飞行短板主题。
例如，可以根据每个模板飞行航线所配对的融合辨识策略所对应的飞行短板主题，将各模板飞行航线的飞行操作纪录进行聚类。例如，所有与某一特定飞行短板（如速度不稳定）相关的模板飞行航线的飞行操作纪录会被聚集在一起，形成一个飞行操作群组。
步骤S150，分别结合每个飞行操作群组对所述基础飞行缺陷观测模型进行模型收敛方向的权重信息调整，确定多个飞行短板主题下的目标飞行缺陷观测模型，并结合所述目标飞行缺陷观测模型进行无人机飞行短板分析。一个目标飞行缺陷观测模型用于基于导入的目标飞行航线的飞行操作纪录，确定所述目标飞行航线下的飞行短板主题的支持参数值。
例如，经过权重调整后，得到了针对各个飞行短板主题（如"速度不稳定"）的目标飞行缺陷观测模型。
最后，使用得到的目标飞行缺陷观测模型，对新的飞行操作纪录进行分析。例如，当一架无人机在执行任务时，可以根据该目标飞行缺陷观测模型预测出无人机可能会在飞行速度稳定性方面出现问题，并计算出支持参数值，从而为改进无人机设计和操作提供依据。
基于以上步骤，通过对多个参考飞行航线进行策略配对辨识，实现了对无人机飞行短板的精确定位，进而确定了具有代表性的模板飞行航线。利用这些模板飞行航线，结合相应的飞行短板主题，进行了基于飞行短板主题的聚团，形成了与各飞行短板主题对应的飞行操作群组。然后，根据每个飞行操作群组的特征，调整了基础飞行缺陷观测模型的权重信息，生成了多个目标飞行缺陷观测模型。由此，能够准确、高效地进行无人机飞行短板分析，为优化无人机的飞行性能，提高无人机的安全性和可靠性提供了强大的技术支持。同时，基于导入的目标飞行航线的飞行操作纪录，能够确定各个目标飞行航线下的飞行短板主题的支持参数值，从而进一步提高了无人机飞行短板分析的准确性和可靠性。
一些可替代的实施例中，每个航线融合辨识策略还用于表达：相应的各个短板飞行属性向量之间的飞行轨迹联接信息。
例如，假设有Q个航线融合辨识策略，每个航线融合辨识策略都对应一个特定的飞行短板主题（例如速度不稳定、高度控制问题等）。同时，也有一系列无人机的飞行操作纪录，这些飞行操作纪录包含了无人机在执行飞行任务时的各种数据。飞行轨迹联接信息可以是指各个短板飞行属性向量之间的关系，或者说它们如何相互影响和联系，各个短板飞行属性如何随时间变化和相互影响等。
以"速度不稳定"这个策略为例，可能涉及到的短板飞行属性向量包括速度、加速度等。这些属性之间的飞行轨迹联接信息，可能会表达出一种关系，比如当无人机的加速度增大时，其速度是否也会随之变得更加不稳定。
这些联接信息可以帮助更深入地理解和分析无人机在飞行过程中可能出现的问题，并据此制定改进策略。
步骤S120可以包括：
步骤S121，对于每个参考飞行航线的飞行操作纪录，遍历所述Q个航线融合辨识策略，确定本次遍历的本次航线融合辨识策略。
例如，假设第一次遍历时，选择了“速度不稳定”这个航线融合辨识策略。
步骤S122，结合所述本次航线融合辨识策略中的各个短板飞行属性向量以及飞行轨迹联接信息，确定各参考飞行航线的飞行操作纪录需配对的目标短板飞行属性向量，并在各参考飞行航线的飞行操作纪录中配对所述目标短板飞行属性向量。
例如，可对于“速度不稳定”这个航线融合辨识策略，可能会寻找无人机在飞行过程中速度波动过大的情况。所以，目标短板飞行属性向量可能包括飞行速度、加速度等。
步骤S123，假设配对到所述目标短板飞行属性向量，则确定各参考飞行航线的飞行操作纪录配对所述本次航线融合辨识策略。
步骤S124，假设未配对到所述目标短板飞行属性向量，则继续遍历所述Q个航线融合辨识策略。
接下来，会在各参考飞行航线的飞行操作纪录中配对这些目标短板飞行属性向量。如果找到了匹配的目标短板飞行属性向量，那么就确定这些飞行操作纪录与当前的航线融合辨识策略配对。
例如，如果在某条参考飞行航线的飞行操作纪录中，发现了速度波动过大的情况，那么就可以确定这条航线的飞行操作纪录与“速度不稳定”这个策略配对。
如果在所有参考飞行航线的飞行操作纪录中，都没有发现速度波动过大的情况，那么就会继续遍历剩余的航线融合辨识策略，比如下一个可能是“高度控制问题”。
这个过程将会持续进行，直到所有的航线融合辨识策略都被遍历完毕。通过这种方法，可以准确地识别出无人机在飞行过程中可能存在的各种短板，并据此进行改进和优化。
一些可替代的实施例中，步骤S150可以包括：
步骤S151，结合每个飞行操作群组中的飞行操作纪录，生成W个指导性飞行学习数据以及R个非指导性飞行学习数据集。
例如，一个指导性飞行学习数据包括：一个具有飞行短板主题注释的第一模板飞行航线的飞行操作纪录。一个非指导性飞行学习数据集包括：一个不具有飞行短板主题注释的第二模板飞行航线的飞行操作纪录，以及对飞行操作纪录进行属性增强生成的增强飞行操作纪录。
示例性地，假设有一组无人机的飞行操作群组，每个飞行操作群组包含一系列的飞行操作纪录。
例如，对于"高度控制问题"这个飞行短板主题，指导性飞行学习数据可能是那些已经被注明存在"高度控制问题"的飞行操作纪录；非指导性飞行学习数据则可能是那些没有被明确注明存在"高度控制问题"，但仍需要进行观测和学习的飞行操作纪录，以及通过属性增强（如添加噪声、改变飞行条件等）生成的增强飞行操作纪录。
步骤S152，利用所述基础飞行缺陷观测模型结合每个指导性飞行学习数据中的飞行操作纪录，对相应的第一模板飞行航线进行飞行缺陷观测，确定每个第一模板飞行航线的目标飞行短板主题观测数据。
例如，可以利用所述基础飞行缺陷观测模型观察和分析那些已经被注明存在速度不稳定问题的飞行操作纪录，以学习无人机是否会出现速度不稳定的问题。
步骤S153，利用所述基础飞行缺陷观测模型结合飞行缺陷一致性的训练目标，结合每个非指导性飞行学习数据集中的飞行操作纪录和相应的增强飞行操作纪录，分别对相应的第二模板飞行航线进行飞行缺陷观测，确定每个第二模板飞行航线的两个飞行短板主题观测数据。
例如，可以利用所述基础飞行缺陷观测模型学习那些没有被特别注明存在"高度控制问题"的飞行操作纪录和相应的增强飞行操作纪录并生成对应的两个飞行短板主题观测数据，来进一步理解是否存在"高度控制问题"这个问题。
步骤S154，结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，以及各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，调整所述基础飞行缺陷观测模型的模型权值信息，确定各飞行操作群组所对应的飞行短板主题下的目标飞行缺陷观测模型。
一些可替代的实施例中，步骤S151可以包括：
步骤S1511，从每个飞行操作群组中挑选多个模板飞行航线的飞行操作纪录生成目标模板飞行数据连串，结合所述目标模板飞行数据连串中的各模板飞行航线的飞行操作纪录，确定所述各模板飞行航线的飞行动作矢量阵列。
例如，假设有三个无人机飞行操作群组，每个无人机飞行操作群组包含多次飞行任务的操作记录。因此，可以挑选出具有代表性的模板飞行航线，比如说，这些模板飞行航线可能包括直线飞行、绕圈飞行等，并将这些飞行操作纪录转化为飞行动作矢量阵列。
步骤S1512，生成紧邻寻找域，所述紧邻寻找域中包括若干个检索元素。
紧邻寻找域是一种数据结构，被设计用来快速查找和检索在高维空间中距离某点最近的其它点，这些点就是各模板飞行航线的飞行动作矢量阵列。
在紧邻寻找域中，每个检索元素都存储了一些飞行动作矢量阵列。当需要查找一个新的飞行动作矢量阵列在紧邻寻找域中的位置时，可以通过哈希函数快速定位到一个或几个相关的检索元素，然后在这些检索元素中进行搜索，从而大大提高了检索效率。
步骤S1513，将所述各模板飞行航线的飞行动作矢量阵列，依次导入所述紧邻寻找域中的各检索元素。
步骤S1514，确定本次待导入所述紧邻寻找域的本次模板飞行航线的本次飞行动作矢量阵列，并结合紧邻寻找哈希块对所述本次飞行动作矢量阵列进行紧邻寻找哈希，结合紧邻寻找哈希结果为所述本次飞行动作矢量阵列在所述紧邻寻找域中分配目标检索元素。
例如，在每次准备将新的飞行动作矢量阵列导入紧邻寻找域时，可以使用紧邻寻找哈希块对新的飞行动作矢量阵列进行哈希运算，根据哈希结果为新的飞行动作矢量阵列在紧邻寻找域中分配一个目标检索元素。
也即，紧邻寻找哈希是一种哈希算法，目的是为了快速定位到与给定飞行动作矢量阵列最接近（即"紧邻"）的检索元素。
这里，可以将哈希算法想象成一种转换工具，它可以把复杂的飞行动作矢量阵列转换成一个简单的数字或者字符串（也就是哈希值）。这个哈希值能够唯一地表示对应的飞行动作矢量阵列，并且有一个特点：如果两个飞行动作矢量阵列非常相似，那么它们的哈希值也会非常接近。
因此，当要为一个新的飞行动作矢量阵列在紧邻寻找域中分配目标检索元素时，首先会使用紧邻寻找哈希块对这个矢量阵列进行哈希运算，得到一个哈希值。然后，根据这个哈希值在紧邻寻找域中查找相应的检索元素。由于相似的矢量阵列会有相近的哈希值，因此可以通过这个方法快速找到与新的飞行动作矢量阵列最接近的已知矢量阵列，从而确定目标检索元素。
步骤S1515，结合所述本次飞行动作矢量阵列和所述目标检索元素中预置的各参考飞行动作矢量阵列之间的矢量偏离参数，从所述各参考飞行动作矢量阵列所对应的模板飞行航线中确定所述本次模板飞行航线的类模板飞行航线。
步骤S1516，在存在所述类模板飞行航线时，将所述本次飞行动作矢量阵列导入所述目标检索元素，在不存在所述类模板飞行航线时，将所述本次飞行动作矢量阵列导入所述目标检索元素，且将所述本次模板飞行航线导入待注释飞行航线簇中。
类模板飞行航线是指在飞行动作矢量阵列空间中，与当前模板飞行航线最接近的那条模板航线。这里的接近是基于计算两个飞行动作矢量阵列之间的矢量偏离参数得出的。
举例来说，如果将每个飞行动作矢量阵列想象成一个点，在高维空间中，这些点会形成各种复杂的形状和结构。当有一个新的飞行动作矢量阵列（即新的点）需要导入时，首先要找到与它最接近的已知点，也就是类模板航线。
为了找到这个类模板航线，需要比较新的飞行动作矢量阵列与目标检索元素中所有预置的参考飞行动作矢量阵列之间的矢量偏离参数。矢量偏离参数是一种度量两个矢量（或者说两个点）之间差异的数值，比如欧氏距离。
具体来说，会逐一计算新的飞行动作矢量阵列与每个参考矢量阵列之间的矢量偏离参数，然后选择偏离参数最小的那个参考矢量阵列，其对应的模板航线就是要找的类模板航线。如果没有找到满足条件的参考矢量阵列，那么这个新的飞行动作矢量阵列就会被视为一个全新的模板航线，需要进一步进行注释和学习。
步骤S1517，在所述各模板飞行航线的飞行动作矢量阵列均导入所述紧邻寻找域后，将所述待注释飞行航线簇中的模板飞行航线，确定为对所述多个模板飞行航线进行去噪后的W个模板飞行航线。
步骤S1518，获取所述W个模板飞行航线的飞行短板主题注释，将所述W个模板飞行航线作为W个第一模板飞行航线，结合所述W个第一模板飞行航线的飞行短板主题注释和相应的飞行操作纪录，生成W个指导性飞行学习数据，从所述多个模板飞行航线中除所述W个模板飞行航线之外的其它模板飞行航线中，确定R个第二模板飞行航线。
例如，可以挑选出特定数量（W）的模板飞行航线，并将这些模板飞行航线的飞行短板主题注释获取下来。例如，如果有10条模板飞行航线，可能会选择其中3条有明确飞行短板主题注释的航线作为第一模板飞行航线。
在得到这些第一模板飞行航线及其注释后，将它们与对应的飞行操作纪录一起打包，生成对应数量的指导性飞行学习数据。这些数据被称为“指导性”，是因为它们含有明确的飞行短板主题注释，可以用来指导模型的训练。
在剩下的模板飞行航线中，选择出特定数量（R）的航线作为第二模板飞行航线。这些第二模板航线的选择，是从除了前面选出的W个第一模板飞行航线之外的其它模板飞行航线中进行的。
步骤S1519，对各第二模板飞行航线的飞行操作纪录进行多增强维度的属性增强，确定各第二模板飞行航线的增强飞行操作纪录，结合各第二模板飞行航线的飞行操作纪录和相应的增强飞行操作纪录，生成R个非指导性飞行学习数据集。
例如，属性增强是一种常见的数据预处理技术，目的是通过在原始数据上添加噪声、改变部分特征等方式来生成新的数据，从而扩大模型训练的样本空间，提高模型的泛化能力。在这里，对每条第二模板飞行航线的飞行操作纪录进行属性增强，生成对应的增强飞行操作纪录。
在得到每条第二模板飞行航线的增强飞行操作纪录后，将它们与原始的飞行操作纪录一起打包，生成对应数量的非指导性飞行学习数据集。这些数据被称为“非指导性”，是因为它们并没有附带明确的飞行短板主题注释，但可以用来测试模型的泛化能力和健壮性。
举例来说，如果在无人机飞行时，有一条原始的飞行航线记录是直线飞行。在属性增强阶段，可能会添加风速噪声，使得无人机的飞行轨迹稍微偏离原始的直线。然后，将这个增强后的飞行操作纪录与原始的直线飞行操作纪录一起，生成一个非指导性的飞行学习数据。
在以上实施例中，在存在所述类模板飞行航线时，可以结合所述本次模板飞行航线的飞行操作纪录和所述类模板飞行航线的飞行操作纪录，计算所述本次模板飞行航线和所述类模板飞行航线之间的航线类比值，假设所述航线类比值小于预设值，则将所述本次模板飞行航线导入待注释飞行航线簇中。
例如，当存在类模板飞行航线时，可以计算出当前模板飞行航线和类模板飞行航线之间的航线类比值。这个类比值是一种度量两条航线相似性的指标，比如它可能是两条航线对应的飞行动作矢量阵列之间的欧氏距离。
然后，会与一个预设值进行比较。这个预设值是一个阈值，用来判断两条航线是否足够相似。如果航线类比值小于预设值，那么就说明当前模板飞行航线与类模板飞行航线的差异在可接受范围内，因此不需要对当前模板飞行航线进行额外的注释。否则，如果航线类比值大于或等于预设值，那么就说明当前模板飞行航线与类模板飞行航线的差异超出了可接受范围，需要将当前模板飞行航线导入待注释飞行航线簇中，以便进行后续的注释和学习。
例如，假设正在处理一条新的模板飞行航线，经过计算发现它与类模板飞行航线之间的航线类比值是0.3，而的预设值是0.5。因为0.3小于0.5，所以认为这条新的模板飞行航线与类模板飞行航线足够相似，不需要进行额外的注释。
一些可替代的实施例中，每个所述飞行操作纪录包括多个飞行动作活动。
步骤S1511可以包括：
1、对于所述目标模板飞行数据连串中的每个模板飞行航线，将各模板飞行航线的飞行操作纪录中表达各模板飞行航线的航线特性内容的飞行动作活动，确定为各模板飞行航线的目标飞行动作活动。
例如，对于一条无人机的模板飞行航线，它可能包含起飞、前进、转向、上升、下降等多种飞行动作活动。在这些飞行动作活动中，可能只有前进和转向两种动作是决定航线特性的关键因素，因此可以将这两种飞行动作活动确定为目标飞行动作活动。
2、对所述目标模板飞行数据连串中的各模板飞行航线的目标飞行动作活动进行图自编码处理，确定所述各模板飞行航线对应的各图自编码数据。
例如，图自编码器是一种深度学习模型，它被训练来尝试复制其输入。在该过程中，它会学习到输入数据的有效表示或编码，通常这种编码会捕获数据的主要特征。对于飞行动作活动的情况，这些特征可能包括但不限于以下内容：
1. 飞行动作序列： 这可能是飞行动作按照发生顺序的列表。例如，如果一个无人机先是起飞，然后向左转，再上升，那么飞行动作序列就可能是[起飞，左转，上升]。
2. 飞行动作频率： 这是每种飞行动作出现的次数或频率。例如，如果在一个飞行任务中，无人机进行了10次左转和5次右转，那么左转和右转的频率就分别是10和5。
3. 飞行动作持续时间： 这是每种飞行动作的平均持续时间。例如，如果无人机每次左转都大约持续了5秒，那么左转的平均持续时间就是5秒。
4. 飞行动作之间的时间间隔： 这是连续两个飞行动作之间的平均时间间隔。例如，如果无人机在完成一次左转后通常会等待2秒再进行下一次动作，那么飞行动作之间的平均时间间隔就是2秒。
这些特征将被编码成一个向量或矩阵，即图自编码数据。通过这种方式，可以用一个更紧凑和有效的形式来表示原始的飞行动作活动。
3、分别结合所述各模板飞行航线对应的图自编码数据，生成所述各模板飞行航线的启发式搜索编码数据。
例如，启发式函数是一种用于评估搜索空间中特定节点（在的情况下是飞行动作矢量阵列）距离目标节点的预期距离或成本的函数。
例如，假设有以下信息：
- 无人机当前位置：P_current
- 目标位置：P_target
- 当前飞行动作矢量阵列：V
那么，一种可能的启发式函数h(V)可以定义为：
h(V) = α * distance(P_current, P_target) + β * energy_consumption(V)
在这个公式中：
distance(P_current, P_target)表示无人机当前位置到目标位置的直线距离。
energy_consumption(V)表示执行飞行动作矢量阵列V所消耗的预计能量。
α和β是权重参数，可以根据实际需求进行调整。
启发式搜索编码数据是通过启发式搜索算法结合图自编码数据生成的，它包含了对应飞行航线的一些特征。具体的特征可能会因为所使用的启发式搜索算法和问题本身的特性而有所不同，但以下是一些可能的特征：
1.目标函数值：这是根据启发式函数计算得到的预期代价。例如，在无人机航线规划问题中，这可能是从无人机当前位置到目标位置的预期距离或者预期能量消耗。
2.搜索路径：这是启发式搜索算法找到的从初始状态到目标状态的路径。在无人机航线规划问题中，这可能是一系列的飞行动作，如先上升10米，然后向左转90度，再前进20米等。
3.节点信息：在启发式搜索过程中，每个考虑过的状态（或节点）都可能包含一些有用的信息。例如，每个节点的父节点、子节点、g值（从初始状态到当前状态的实际代价）和h值（启发式函数值）等。
4.其它特征：根据问题的特性，还可能包含一些其它特征。例如，如果问题涉及到飞行时间的限制，那么可能还会包含预期的飞行时间等。
值得说明的是，启发式搜索编码数据并不一定直接包含这些特征。实际上，启发式搜索编码数据可能是一个更抽象的表示，它捕获了这些特征之间的复杂关系。
4、分别对所述各模板飞行航线的启发式搜索编码数据进行显著性特征提取，确定所述各模板飞行航线的选择编码矢量。
例如，具体的显著性特征提取方法可能会根据问题的具体需求和数据的特性而有所不同，可以使用机器学习算法（如决策树、随机森林或主成分分析等）来评估和选择特征。
然后，可以将提取出的显著性特征组合成一个选择编码矢量。这个选择编码矢量可以用于描述各模板飞行航线的关键特征，并可用于后续的处理和分析。
例如，假设有两条模板飞行航线，它们的启发式搜索编码数据分别包含了飞行动作的序列、频率、持续时间和间隔等特征。可能会发现，飞行动作的序列和频率是最显著的特征，因为它们在最大程度上区分了不同的飞行操作。因此，可以选择这两个特征作为选择编码矢量。
5、将所述各模板飞行航线的选择编码矢量，确定为所述各模板飞行航线的飞行动作矢量阵列。
一些可替代的实施例中，在步骤S1518中，可以：
1、结合所述W个指导性飞行学习数据对所述基础飞行缺陷观测模型进行指导性训练，确定模糊飞行缺陷观测模型。
2、确定所述多个模板飞行航线中除所述W个模板飞行航线之外的其它模板飞行航线，并将所述其它模板飞行航线中的各个模板飞行航线均作为目标模板飞行航线。
3、利用所述模糊飞行缺陷观测模型结合各个目标模板飞行航线的飞行操作纪录，对所述各个目标模板飞行航线进行飞行缺陷观测，并结合生成的各个飞行短板主题观测数据分别确定所述各个目标模板飞行航线的扰动观测数据。
4、结合所述各个目标模板飞行航线的扰动观测数据，对所述各个目标模板飞行航线进行增量取样，并结合增量取样结果从所有目标模板飞行航线中挑选R个目标模板飞行航线作为R个第二模板飞行航线。
下面将结合一个具体的场景，来解释以上步骤。
假设有10条模板飞行航线，其中W=3，R=2。现在要从剩下的7条模板飞行航线中挑选出2条作为第二模板飞行航线。
首先，可以利用3条指导性飞行航线的飞行学习数据（例如无人机的操作纪录，包括控制指令、飞行状态等）对基础飞行缺陷观测模型进行训练，得到一个模糊飞行缺陷观测模型。这个模糊飞行缺陷观测模型可以用于评估任意一条飞行航线可能存在的飞行缺陷。
然后，把剩下的7条模板飞行航线都视为目标模板飞行航线。
接着，可以使用模糊飞行缺陷观测模型和每条目标模板飞行航线的飞行操作纪录来进行飞行缺陷观测。这可能涉及到对每条航线的飞行状态、控制指令等进行分析，从而找出可能存在的飞行缺陷。然后，结合生成的飞行短板主题观测数据，可以确定每条目标模板飞行航线的扰动观测数据。
最后，可以结合每条目标模板飞行航线的扰动观测数据，对这些目标模板飞行航线进行增量取样。具体来说，可能会根据扰动观测数据中的信息（例如飞行缺陷的数量、严重程度等）来评估每条目标模板飞行航线的状态。然后，根据这个评估结果，可以从所有目标模板飞行航线中挑选出2条作为第二模板飞行航线。
例如，假设在飞行缺陷观测过程中，发现7条目标模板飞行航线中有两条航线的飞行缺陷最少，那么就可以选择这两条目标模板飞行航线作为第二模板飞行航线。
一些可替代的实施例中，步骤S154可以包括：
步骤S1541，结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，确定所述基础飞行缺陷观测模型的指导性收敛指标。
步骤S1542，结合各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标。
步骤S1543，对所述指导性收敛指标和所述非指导性收敛指标进行融合，确定所述基础飞行缺陷观测模型的目标模型收敛指标，并结合所述目标模型收敛指标调整所述基础飞行缺陷观测模型的模型权值信息。
例如，下面将结合一个具体的场景，来解释以上步骤。
假设在前面的步骤中，已经选出了3条第一模板飞行航线和2条第二模板飞行航线。每条模板飞行航线都有自己的目标飞行短板主题观测数据，以及对应的飞行短板主题注释。
首先，可以利用第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，来确定基础飞行缺陷观测模型的指导性收敛指标。这个指标可能反映了模型在这些航线上的预测能力。例如，如果模型在这些航线上的预测结果与注释数据非常接近，那么指导性收敛指标可能会很高。
然后，可以利用第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，来确定基础飞行缺陷观测模型的非指导性收敛指标。这个指标可能反映了模型在这些航线上的泛化能力。例如，如果这两个观测数据之间的特征偏离度很小，那么非指导性收敛指标可能会很高。
最后，可以将指导性收敛指标和非指导性收敛指标进行融合，得到一个目标模型收敛指标。然后，可以根据这个收敛指标来调整基础飞行缺陷观测模型的模型权值信息，例如可以通过梯度下降算法调整基础飞行缺陷观测模型的模型权值信息。
例如，假设得到的指导性收敛指标为0.8，非指导性收敛指标为0.7。可能会选择一个简单的融合方法，比如取平均值，得到目标模型收敛指标为0.75。
一些可替代的实施例中，在步骤S150中结合所述目标飞行缺陷观测模型进行无人机飞行短板分析的步骤，包括：
步骤S155，获取目标无人机操作人员所操作控制的目标飞行航线下的目标飞行操作纪录以及Q个航线融合辨识策略。一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量。
步骤S156，结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，结合所述目标飞行操作纪录对所述Q个航线融合辨识策略进行策略配对辨识。
步骤S157，假设所述目标飞行操作纪录配对某个航线融合辨识策略，则利用所述目标飞行缺陷观测模型结合所述目标飞行操作纪录，对所述目标飞行航线进行飞行缺陷观测，确定所述目标飞行航线的飞行短板主题观测数据，并结合所述目标飞行航线的飞行短板主题观测数据确定在所述目标飞行航线中的飞行短板集合。
例如，假设正在分析一名无人机操作员在某条特定飞行航线上的飞行操作控制表现，已经收集了他的飞行操作纪录。同时，也有Q个航线融合辨识策略，每个航线融合辨识策略都对应着一种飞行短板主题下的飞行航线的若干个短板飞行属性向量。
首先，需要获取无人机操作员在目标飞行航线上的飞行操作纪录，以及Q个航线融合辨识策略。飞行操作纪录可能包括无人机的控制指令、飞行状态等信息。航线融合辨识策略则可以帮助理解不同的飞行短板主题以及与之相关的飞行属性向量。
然后，可以结合这些航线融合辨识策略中的短板飞行属性向量，以及目标飞行操作纪录，对这些航线融合辨识策略进行配对辨识。具体来说，可能会计算目标飞行操作纪录与每个航线融合辨识策略之间的相似度，然后选择最匹配的航线融合辨识策略。
假设发现目标飞行操作纪录与某个航线融合辨识策略最匹配，那么就可以利用目标飞行缺陷观测模型和目标飞行操作纪录，对目标飞行航线进行飞行缺陷观测，从而得到飞行短板主题观测数据。然后，可以结合这些观测数据，确定出目标飞行航线中的飞行短板集合。
例如，假设的目标飞行操作纪录显示，无人机在飞行过程中曾经多次失去稳定性。查看Q个航线融合辨识策略，发现其中一个策略包含了与稳定性相关的短板飞行属性向量，如角速度、加速度等。因此，判定这个策略与目标飞行操作纪录最匹配。接下来，利用目标飞行缺陷观测模型进行飞行缺陷观测，发现无人机确实存在稳定性的问题。因此，确定稳定性问题为目标飞行航线中的一个飞行短板。
譬如，一些可替代的实施例中，所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第一模板飞行航线的目标飞行短板主题观测数据中包括：每个第一模板飞行航线存在所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值。
在步骤S1541中，可以包括：
1、遍历每个第一模板飞行航线的目标飞行短板主题观测数据，假设本次遍历的本次目标飞行短板主题观测数据中的最大主题支持参数值大于第一门限支持参数值，则将所述本次目标飞行短板主题观测数据作为流畅观测数据。
2、在所述W个目标飞行短板主题观测数据均被遍历后，结合所述各个流畅观测数据对所述W个目标飞行短板主题观测数据进行均匀化处理，以将所述各个流畅观测数据从所述W个目标飞行短板主题观测数据中移除。
3、结合其它的各目标飞行短板主题观测数据中最大主题支持参数值对应的模型样例数据点和相应的第一模板飞行航线的飞行短板主题注释之间的特征偏离度，确定所述基础飞行缺陷观测模型的指导性收敛指标。
例如，假设有W=3条第一模板飞行航线，每条第一模板飞行航线都有对应的目标飞行短板主题观测数据和飞行短板主题注释。同时，基础飞行缺陷观测模型包括多个模型样例数据点，每个数据点都表达了一个特定的飞行短板主题。
首先，可以遍历每条第一模板飞行航线的目标飞行短板主题观测数据。如果在这个过程中，发现某次遍历的目标飞行短板主题观测数据中的最大主题支持参数值（可能反映了该主题的重要性或者出现频率）大于第一门限支持参数值（一个预设的阈值），那么就把这个观测数据作为流畅观测数据。这可能意味着这个主题在飞行航线中表现得非常流畅，没有明显的问题。
然后，在遍历完所有目标飞行短板主题观测数据之后，可以结合所有的流畅观测数据，对这些观测数据进行均匀化处理。具体来说，可能会从这些观测数据中移除流畅观测数据，以减小它们对模型的影响。
最后，可以结合剩下的各目标飞行短板主题观测数据中最大主题支持参数值对应的模型样例数据点和相应的第一模板飞行航线的飞行短板主题注释之间的特征偏离度，来确定基础飞行缺陷观测模型的指导性收敛指标。这个指标可能反映了模型对于各个飞行短板主题的预测能力。
例如，假设在遍历过程中发现，一条第一模板飞行航线的目标飞行短板主题观测数据中，稳定性问题的主题支持参数值是最大的，并且大于第一门限支持参数值。那么就把这个观测数据作为流畅观测数据。接下来，对所有的目标飞行短板主题观测数据进行均匀化处理，移除流畅观测数据。然后，计算剩下的观测数据中最大主题支持参数值对应的模型样例数据点和相应的注释之间的特征偏离度，得到指导性收敛指标。
譬如，一些可替代的实施例中，在步骤S1542中，可以包括：
1、将每个第二模板飞行航线的两个飞行短板主题观测数据，分别作为各第二模板飞行航线的两个注释样例数据。
2、结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据。
3、结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标。
例如，假设有3条第二模板飞行航线，每条第二模板飞行航线都有两个飞行短板主题观测数据。希望对这些观测数据进行处理，以优化的飞行缺陷观测模型。
首先，可以将每条第二模板飞行航线的两个飞行短板主题观测数据视为两个注释样例数据。例如，第一条第二模板飞行航线的观测数据可能反映了无人机在复杂环境中的避障能力，而第二条第二模板飞行航线的观测数据可能反映了无人机在高速飞行中的稳定性问题。
然后，可以结合一个预设的样例增益策略，对这些注释样例数据进行处理。这个样例增益策略可能会根据注释样例数据中的某些特征，比如飞行短板主题的严重程度、出现频率等，来调整样例数据的权重。这个过程可以帮助强调一些重要的样例，或者削弱一些不那么重要的样例。经过处理之后，得到了样例增益数据。
最后，可以结合样例增益数据，以及各第二模板飞行航线的两个注释样例数据之间的特征偏离度，来确定基础飞行缺陷观测模型的非指导性收敛指标。特征偏离度可能反映了两个注释样例数据之间的差异程度。非指导性收敛指标可能会反映模型对于这些差异的适应能力。如果模型可以很好地处理各种不同的飞行短板主题，那么非指导性收敛指标可能会很高。
例如，假设在进行样例增益的过程中，发现第一条航线的避障能力问题比较严重，因此提高了这个样例的权重。然后，计算第一条和第二条航线的注释样例数据之间的特征偏离度，发现偏离度比较大。然后，根据这个偏离度，以及样例增益数据，确定了非指导性收敛指标。
所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第二模板飞行航线的一个注释样例数据中包括：各第二模板飞行航线属于所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值。所述样例增益策略包括：结合主题支持参数值的蒙版处理。
所述结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据，包括：
1、遍历R个第二模板飞行航线，若本次遍历的本次第二模板飞行航线的两个注释样例数据中，存在若干个注释样例数据中的最大主题支持参数值小于第二门限支持参数值，则对所述本次第二模板飞行航线以及相应的两个注释样例数据进行蒙版处理。
2、在所述R个第二模板飞行航线均被遍历后，将已被进行蒙版处理的各个第二模板飞行航线导入样例增益数据中。
例如，假设有R=3条第二模板飞行航线，每条第二模板飞行航线都有两个飞行短板主题观测数据，这些数据被视为注释样例数据。基础飞行缺陷观测模型包含多个模型样例数据点，这些数据点反映了各种可能的飞行短板主题。
首先，遍历这3条第二模板飞行航线。在每次遍历中，检查当前第二模板飞行航线的两个注释样例数据。如果发现其中某个注释样例数据的最大主题支持参数值（可能反映了该主题的重要性或出现频率）小于第二门限支持参数值（一个预设的阈值），那么就对这个第二模板飞行航线以及相应的两个注释样例数据进行蒙版处理。蒙版处理可能涉及到忽略这些低于阈值的数据，或者用某种方法修改它们的值。
例如，假设在遍历第一条航线时，发现其注释样例数据中表示稳定性问题的主题支持参数值小于第二门限支持参数值。那么就对这条第二模板飞行航线及其注释样例数据进行蒙版处理。
然后，在遍历完所有第二模板飞行航线之后，将已经进行了蒙版处理的各个第二模板飞行航线导入样例增益数据中。样例增益数据可能反映了在分析过程中更关注的飞行短板主题。
例如，假设在前一步骤中，对第一和第二条航线进行了蒙版处理。那么在这一步骤中，就把这两条航线的数据导入样例增益数据中。
由此，所述结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标，包括：
1、将所述R个第二模板飞行航线中不处于所述样例增益数据中的第二模板飞行航线，标注成候选的第二模板飞行航线。
2、结合各个候选的第二模板飞行航线的两个注释样例数据之间的特征偏离度，分别计算所述各个候选的第二模板飞行航线对应的非指导性交叉熵。
3、结合所述各个候选的第二模板飞行航线对应的非指导性交叉熵，确定所述基础飞行缺陷观测模型的非指导性收敛指标。
继续前面的例子，有R=3条第二模板飞行航线，其中已经对第一和第二条航线进行了蒙版处理并将它们导入了样例增益数据中。
首先，将不在样例增益数据中的第二模板飞行航线标记为候选的第二模板飞行航线。在本例子中，第三条航线就是候选的第二模板飞行航线，因为没有对它进行蒙版处理。
然后，可以结合每个候选的第二模板飞行航线的两个注释样例数据之间的特征偏离度，来分别计算各个候选的第二模板飞行航线对应的非指导性交叉熵。非指导性交叉熵可能反映了模型对于各个飞行短板主题的预测能力。
例如，可以计算第三条航线的两个注释样例数据之间的特征偏离度，然后根据这个偏离度来计算第三条航线对应的非指导性交叉熵。
最后，可以结合所有候选的第二模板飞行航线对应的非指导性交叉熵，来确定基础飞行缺陷观测模型的非指导性收敛指标。这个指标可能反映了模型在处理各种不同的飞行短板主题时的整体表现。
由此，非指导性收敛指标就是第三条航线的非指导性交叉熵，因为只有第三条航线被标记为候选的第二模板飞行航线。
或者，所述基础飞行缺陷观测模型包括多个模型样例数据点，每个第二模板飞行航线的一个注释样例数据中包括：各第二模板飞行航线属于所述基础飞行缺陷观测模型中的各个模型样例数据点表达的飞行短板主题的主题支持参数值。所述样例增益策略包括：最小化结合增强飞行操作纪录所得到的注释样例数据的疑问度。
所述结合样例增益策略，对各第二模板飞行航线的两个注释样例数据进行样例增益，确定样例增益数据，包括：
1、对于每个第二模板飞行航线，从各第二模板飞行航线的两个注释样例数据中，确定出结合各第二模板飞行航线的增强飞行操作纪录获得的注释样例数据。
2、结合所述注释样例数据中的各个模型样例数据点以及相应的主题支持参数值，计算各第二模板飞行航线的增强飞行操作纪录的疑问度。
3、将各第二模板飞行航线的增强飞行操作纪录的疑问度，导入样例增益数据中。
所述结合所述样例增益数据，和若干个第二模板飞行航线的两个注释样例数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标，包括：
1、结合各个第二模板飞行航线的两个注释样例数据之间的特征偏离度，分别计算所述各个第二模板飞行航线对应的非指导性交叉熵。
2、对所述样例增益数据中的疑问度以及所述各个第二模板飞行航线对应的非指导性交叉熵进行相加，确定所述基础飞行缺陷观测模型的非指导性收敛指标。
例如，假设有3条第二模板飞行航线，每条第二模板飞行航线都有两个飞行短板主题观测数据，这些数据被视为注释样例数据。基础飞行缺陷观测模型包含多个模型样例数据点，这些数据点反映了各种可能的飞行短板主题。
首先，从每条第二模板飞行航线的两个注释样例数据中，确定出结合各第二模板飞行航线的增强飞行操作纪录获得的注释样例数据。然后，根据这些数据以及相应的主题支持参数值，计算各第二模板飞行航线的增强飞行操作纪录的疑问度。这个疑问度可能反映了注释样例数据与模型预测之间的差异。把这个疑问度导入样例增益数据中。
例如，对于第一条航线，可能会发现其注释样例数据中表示无人机避障能力的主题支持参数值比较高。然后，计算这条航线的增强飞行操作纪录的疑问度，发现疑问度也比较高，说明模型对于这个问题的预测可能不够准确。因此，把这个疑问度导入样例增益数据中。
然后，可以结合样例增益数据以及各第二模板飞行航线的两个注释样例数据之间的特征偏离度，来确定基础飞行缺陷观测模型的非指导性收敛指标。首先计算每条第二模板飞行航线对应的非指导性交叉熵，然后将所有的非指导性交叉熵以及样例增益数据中的疑问度相加，得到最终的非指导性收敛指标。
例如，可以计算第一、第二和第三条航线的非指导性交叉熵，然后将这三个交叉熵以及前一步骤中得到的疑问度相加，得到最终的非指导性收敛指标。这个指标可能反映了模型在处理各种不同的飞行短板主题时的整体表现。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的无人机服务系统100。
对于一个实施例，图2示出了无人机服务系统100，该无人机服务系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，无人机服务系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，无人机服务系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为无人机服务系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为无人机服务系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为无人机服务系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为无人机服务系统100提供接口以结合多个网络通信，无人机服务系统100可通过多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中，无人机服务系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，无人机服务系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，无人机服务系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人工智能的无人机飞行短板分析方法，其特征在于，应用于无人机服务系统，所述方法包括：
采集用于对基础飞行缺陷观测模型进行配置的多个参考飞行航线的飞行操作纪录，以及获取Q个航线融合辨识策略，一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量；
结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，分别结合各个参考飞行航线的飞行操作纪录，对所述Q个航线融合辨识策略进行策略配对辨识；
从所述多个参考飞行航线中，确定配对某个航线融合辨识策略的飞行操作纪录所对应的参考飞行航线，确定为所述基础飞行缺陷观测模型的模板飞行航线；
结合各模板飞行航线的飞行操作纪录所配对的航线融合辨识策略所对应的飞行短板主题，对所述各模板飞行航线的飞行操作纪录进行基于飞行短板主题的聚团，确定多个飞行操作群组，一个飞行操作群组对应一个飞行短板主题；
分别结合每个飞行操作群组对所述基础飞行缺陷观测模型进行模型收敛方向的权重信息调整，确定多个飞行短板主题下的目标飞行缺陷观测模型，并结合所述目标飞行缺陷观测模型进行无人机飞行短板分析；一个目标飞行缺陷观测模型用于基于导入的目标飞行航线的飞行操作纪录，确定所述目标飞行航线下的飞行短板主题的支持参数值。
2.根据权利要求1所述的基于人工智能的无人机飞行短板分析方法，其特征在于，每个航线融合辨识策略还用于表达：相应的各个短板飞行属性向量之间的飞行轨迹联接信息；
所述结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，分别结合各个参考飞行航线的飞行操作纪录，对所述Q个航线融合辨识策略进行策略配对辨识，包括：
对于每个参考飞行航线的飞行操作纪录，遍历所述Q个航线融合辨识策略，确定本次遍历的本次航线融合辨识策略；
结合所述本次航线融合辨识策略中的各个短板飞行属性向量以及飞行轨迹联接信息，确定各参考飞行航线的飞行操作纪录需配对的目标短板飞行属性向量，并在各参考飞行航线的飞行操作纪录中配对所述目标短板飞行属性向量；
假设配对到所述目标短板飞行属性向量，则确定各参考飞行航线的飞行操作纪录配对所述本次航线融合辨识策略；
假设未配对到所述目标短板飞行属性向量，则继续遍历所述Q个航线融合辨识策略。
3.根据权利要求1所述的基于人工智能的无人机飞行短板分析方法，其特征在于，所述分别结合每个飞行操作群组对所述基础飞行缺陷观测模型进行模型收敛方向的权重信息调整，确定多个飞行短板主题下的目标飞行缺陷观测模型，包括：
结合每个飞行操作群组中的飞行操作纪录，生成W个指导性飞行学习数据以及R个非指导性飞行学习数据集；一个指导性飞行学习数据包括：一个具有飞行短板主题注释的第一模板飞行航线的飞行操作纪录；一个非指导性飞行学习数据集包括：一个不具有飞行短板主题注释的第二模板飞行航线的飞行操作纪录，以及对飞行操作纪录进行属性增强生成的增强飞行操作纪录；
利用所述基础飞行缺陷观测模型结合每个指导性飞行学习数据中的飞行操作纪录，对相应的第一模板飞行航线进行飞行缺陷观测，确定每个第一模板飞行航线的目标飞行短板主题观测数据；
利用所述基础飞行缺陷观测模型结合飞行缺陷一致性的训练目标，结合每个非指导性飞行学习数据集中的飞行操作纪录和相应的增强飞行操作纪录，分别对相应的第二模板飞行航线进行飞行缺陷观测，确定每个第二模板飞行航线的两个飞行短板主题观测数据；
结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，以及各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，调整所述基础飞行缺陷观测模型的模型权值信息，确定各飞行操作群组所对应的飞行短板主题下的目标飞行缺陷观测模型。
4.根据权利要求3所述的基于人工智能的无人机飞行短板分析方法，其特征在于，所述结合每个飞行操作群组中的飞行操作纪录，生成W个指导性飞行学习数据以及R个非指导性飞行学习数据集，包括：
从每个飞行操作群组中挑选多个模板飞行航线的飞行操作纪录生成目标模板飞行数据连串，结合所述目标模板飞行数据连串中的各模板飞行航线的飞行操作纪录，确定所述各模板飞行航线的飞行动作矢量阵列；
生成紧邻寻找域，所述紧邻寻找域中包括若干个检索元素；
将所述各模板飞行航线的飞行动作矢量阵列，依次导入所述紧邻寻找域中的各检索元素；
确定本次待导入所述紧邻寻找域的本次模板飞行航线的本次飞行动作矢量阵列，并结合紧邻寻找哈希块对所述本次飞行动作矢量阵列进行紧邻寻找哈希，结合紧邻寻找哈希结果为所述本次飞行动作矢量阵列在所述紧邻寻找域中分配目标检索元素；
结合所述本次飞行动作矢量阵列和所述目标检索元素中预置的各参考飞行动作矢量阵列之间的矢量偏离参数，从所述各参考飞行动作矢量阵列所对应的模板飞行航线中确定所述本次模板飞行航线的类模板飞行航线；
在存在所述类模板飞行航线时，将所述本次飞行动作矢量阵列导入所述目标检索元素；
在不存在所述类模板飞行航线时，将所述本次飞行动作矢量阵列导入所述目标检索元素，且将所述本次模板飞行航线导入待注释飞行航线簇中；
在所述各模板飞行航线的飞行动作矢量阵列均导入所述紧邻寻找域后，将所述待注释飞行航线簇中的模板飞行航线，确定为对所述多个模板飞行航线进行去噪后的W个模板飞行航线；
获取所述W个模板飞行航线的飞行短板主题注释，将所述W个模板飞行航线作为W个第一模板飞行航线；
结合所述W个第一模板飞行航线的飞行短板主题注释和相应的飞行操作纪录，生成W个指导性飞行学习数据；
从所述多个模板飞行航线中除所述W个模板飞行航线之外的其它模板飞行航线中，确定R个第二模板飞行航线；
对各第二模板飞行航线的飞行操作纪录进行多增强维度的属性增强，确定各第二模板飞行航线的增强飞行操作纪录；
结合各第二模板飞行航线的飞行操作纪录和相应的增强飞行操作纪录，生成R个非指导性飞行学习数据集。
5.根据权利要求4所述的基于人工智能的无人机飞行短板分析方法，其特征在于，在存在所述类模板飞行航线时，所述方法还包括：
结合所述本次模板飞行航线的飞行操作纪录和所述类模板飞行航线的飞行操作纪录，计算所述本次模板飞行航线和所述类模板飞行航线之间的航线类比值；
假设所述航线类比值小于预设值，则将所述本次模板飞行航线导入待注释飞行航线簇中。
6.根据权利要求4所述的基于人工智能的无人机飞行短板分析方法，其特征在于，每个所述飞行操作纪录包括多个飞行动作活动；
所述结合所述目标模板飞行数据连串中的各模板飞行航线的飞行操作纪录，确定所述各模板飞行航线的飞行动作矢量阵列，包括：
对于所述目标模板飞行数据连串中的每个模板飞行航线，将各模板飞行航线的飞行操作纪录中表达各模板飞行航线的航线特性内容的飞行动作活动，确定为各模板飞行航线的目标飞行动作活动；
对所述目标模板飞行数据连串中的各模板飞行航线的目标飞行动作活动进行图自编码处理，确定所述各模板飞行航线对应的各图自编码数据；
分别结合所述各模板飞行航线对应的图自编码数据，生成所述各模板飞行航线的启发式搜索编码数据；
分别对所述各模板飞行航线的启发式搜索编码数据进行显著性特征提取，确定所述各模板飞行航线的选择编码矢量；
将所述各模板飞行航线的选择编码矢量，确定为所述各模板飞行航线的飞行动作矢量阵列。
7.根据权利要求4所述的基于人工智能的无人机飞行短板分析方法，其特征在于，所述从所述多个模板飞行航线中除所述W个模板飞行航线之外的其它模板飞行航线中，确定R个第二模板飞行航线，包括：
结合所述W个指导性飞行学习数据对所述基础飞行缺陷观测模型进行指导性训练，确定模糊飞行缺陷观测模型；
确定所述多个模板飞行航线中除所述W个模板飞行航线之外的其它模板飞行航线，并将所述其它模板飞行航线中的各个模板飞行航线均作为目标模板飞行航线；
利用所述模糊飞行缺陷观测模型结合各个目标模板飞行航线的飞行操作纪录，对所述各个目标模板飞行航线进行飞行缺陷观测，并结合生成的各个飞行短板主题观测数据分别确定所述各个目标模板飞行航线的扰动观测数据；
结合所述各个目标模板飞行航线的扰动观测数据，对所述各个目标模板飞行航线进行增量取样，并结合增量取样结果从所有目标模板飞行航线中挑选R个目标模板飞行航线作为R个第二模板飞行航线。
8.根据权利要求3-7任意一项所述的基于人工智能的无人机飞行短板分析方法，其特征在于，所述结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，以及各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，调整所述基础飞行缺陷观测模型的模型权值信息，包括：
结合各第一模板飞行航线的目标飞行短板主题观测数据和相应的飞行短板主题注释，确定所述基础飞行缺陷观测模型的指导性收敛指标；
结合各第二模板飞行航线的两个飞行短板主题观测数据之间的特征偏离度，确定所述基础飞行缺陷观测模型的非指导性收敛指标；
对所述指导性收敛指标和所述非指导性收敛指标进行融合，确定所述基础飞行缺陷观测模型的目标模型收敛指标，并结合所述目标模型收敛指标调整所述基础飞行缺陷观测模型的模型权值信息。
9.根据权利要求1所述的基于人工智能的无人机飞行短板分析方法，其特征在于，所述结合所述目标飞行缺陷观测模型进行无人机飞行短板分析的步骤，包括：
获取目标无人机操作人员所操作控制的目标飞行航线下的目标飞行操作纪录以及Q个航线融合辨识策略；一个航线融合辨识策略用于表达：一种飞行短板主题下的飞行航线的飞行操作纪录所联系的若干个短板飞行属性向量；
结合所述Q个航线融合辨识策略表达的各个短板飞行属性向量，结合所述目标飞行操作纪录对所述Q个航线融合辨识策略进行策略配对辨识；
假设所述目标飞行操作纪录配对某个航线融合辨识策略，则利用所述目标飞行缺陷观测模型结合所述目标飞行操作纪录，对所述目标飞行航线进行飞行缺陷观测，确定所述目标飞行航线的飞行短板主题观测数据，并结合所述目标飞行航线的飞行短板主题观测数据确定在所述目标飞行航线中的飞行短板集合。
10.一种无人机服务系统，其特征在于，所述无人机服务系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于人工智能的无人机飞行短板分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311393324.1A CN117171893B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的无人机飞行短板分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311393324.1A CN117171893B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的无人机飞行短板分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171893A true CN117171893A (zh) | 2023-12-05 |
| CN117171893B CN117171893B (zh) | 2024-01-23 |
Family
ID=88930003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311393324.1A Active CN117171893B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的无人机飞行短板分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171893B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420809A (zh) * | 2023-12-18 | 2024-01-19 | 台山市南特金属科技有限公司 | 基于人工智能的曲轴加工优化决策方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106679670A (zh) * | 2017-01-05 | 2017-05-17 | 北京航空航天大学 | 一种基于融合赋权的无人飞行器航迹规划决策方法 |
| CN115129030A (zh) * | 2022-07-19 | 2022-09-30 | 中国民航大学 | 一种基于模型与神经网络组合的无人机故障诊断系统 |
| WO2023142316A1 (zh) * | 2022-01-25 | 2023-08-03 | 南方科技大学 | 飞行决策生成方法和装置、计算机设备、存储介质 |
| CN116663864A (zh) * | 2023-07-28 | 2023-08-29 | 天之翼(苏州)科技有限公司 | 应用人工智能的无人机飞行调度分析方法、服务器及介质 |
-
2023
- 2023-10-25 CN CN202311393324.1A patent/CN117171893B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106679670A (zh) * | 2017-01-05 | 2017-05-17 | 北京航空航天大学 | 一种基于融合赋权的无人飞行器航迹规划决策方法 |
| WO2023142316A1 (zh) * | 2022-01-25 | 2023-08-03 | 南方科技大学 | 飞行决策生成方法和装置、计算机设备、存储介质 |
| CN115129030A (zh) * | 2022-07-19 | 2022-09-30 | 中国民航大学 | 一种基于模型与神经网络组合的无人机故障诊断系统 |
| CN116663864A (zh) * | 2023-07-28 | 2023-08-29 | 天之翼(苏州)科技有限公司 | 应用人工智能的无人机飞行调度分析方法、服务器及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420809A (zh) * | 2023-12-18 | 2024-01-19 | 台山市南特金属科技有限公司 | 基于人工智能的曲轴加工优化决策方法及系统 |
| CN117420809B (zh) * | 2023-12-18 | 2024-03-01 | 台山市南特金属科技有限公司 | 基于人工智能的曲轴加工优化决策方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171893B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11138376B2 (en) | Techniques for information ranking and retrieval | |
| CN117171893B (zh) | 基于人工智能的无人机飞行短板分析方法及系统 | |
| CN115879535A (zh) | 一种自动驾驶感知模型的训练方法、装置、设备和介质 | |
| US20210312799A1 (en) | Detecting traffic anomaly event | |
| CN110598065A (zh) | 一种数据挖掘方法、装置和计算机可读存储介质 | |
| CN112232524A (zh) | 多标签信息的识别方法、装置、电子设备和可读存储介质 | |
| Wang et al. | Research on anomaly detection and real-time reliability evaluation with the log of cloud platform | |
| CN113626612A (zh) | 一种基于知识图谱推理的预测方法和系统 | |
| Sun | Study on application of data mining technology in university computer network educational administration management system | |
| CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
| Tlili et al. | Artificial intelligence based approach for fault and anomaly detection within UAVs | |
| Liu et al. | Auto-sharing parameters for transfer learning based on multi-objective optimization | |
| Qiao et al. | Mp-fedcl: Multi-prototype federated contrastive learning for edge intelligence | |
| Zhou et al. | Lightweight unmanned aerial vehicle video object detection based on spatial‐temporal correlation | |
| Huang et al. | A multivariable optical remote sensing image feature discretization method applied to marine vessel targets recognition | |
| Ji et al. | STAE‐YOLO: Intelligent detection algorithm for risk management of construction machinery intrusion on transmission lines based on visual perception | |
| Luan et al. | Evaluation for sortie generation capacity of the carrier aircraft based on the variable structure RBF neural network with the fast learning rate | |
| US20220027400A1 (en) | Techniques for information ranking and retrieval | |
| Xiao et al. | STFormer: A dual-stage transformer model utilizing spatio-temporal graph embedding for multivariate time series forecasting | |
| Ghebriout et al. | Harmonic-NAS: Hardware-Aware Multimodal Neural Architecture Search on Resource-constrained Devices | |
| Li et al. | Multimodel Anomaly Identification and Control in Wet Limestone‐Gypsum Flue Gas Desulphurization System | |
| Zhen et al. | Intelligent fusion algorithm for multi-sensor information in integrated power grid operation system | |
| Wu et al. | Safety: A spatial and feature mixed outlier detection method for big trajectory data | |
| Zhang | A non-supervised automatic method of aircraft maneuver partition | |
| Luo et al. | Intelligent Identification over Power Big Data: Opportunities, Solutions, and Challenges. |
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 |