[發明專利]一種基于類別激活映射技術的空域安全態勢評估方法

有效

• 申請號: 201911148779.0
• 申請日: 2019-11-21
• 公開（公告）號: CN110991502B
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 杜文博;曹先彬;郭通;張晉通;李宇萌
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 冀學軍

本發明公開了一種基于類別激活映射技術的空域安全態勢評估方法，屬于飛行器技術領域。首先針對某無人機收集的歷史機載圖片構建數據集，并進行人工標簽處理，將標簽處理后的數據集分為訓練集、驗證集和測試集。然后構建殘差網絡結構作為感知網絡主體模型，并輸入訓練集進行訓練，利用驗證集進行驗證。將測試集輸入訓練好的感知網絡主體模型中，當準確率達到90％以上結束。針對實際的飛行無人機，利用訓練好的感知網絡主體模型進行判斷，對當前無人機的態勢進行實時評估。根據每一時刻圖像的實時評估可視化結果，指引無人機遠離危險區域并向安全區域行進。本發明更為直觀，采用更簡單樸素的方式規定無人機遠離危險區域。

技術領域

本發明屬于飛行器技術領域，涉及一種基于類別激活映射技術的空域安全態勢評估方法。

背景技術

目前與無人機自主導航相關的技術，按照功能劃分為感知、決策和協同三部分。一些團隊為了方便模型后續的封裝與部署，更習慣于采用端到端的方式，即采用一個神經網絡模型完成上述三個部分。這種端到端的模型一般會以無人機采集到的原始數據作為輸入，然后以某一特定策略或動作作為輸出。雖然能夠簡化操作的復雜度，但也帶來了模型可解釋性的問題。采用一個神經網絡模型完成多項任務，會使得模型趨近于一個不可解釋的“黑箱”。與此同時，一個模型解決多項任務意味著模型需要訓練的參數更多，神經網絡需要有更深的深度作為保障，這將對計算資源提出很大的要求，科研人員調整模型的超參數時也會遇到很大的難題。所以，目前仍有不少學者選擇將感知，決策和協同這三個部分分步解決。

而在這三個部分之中，感知扮演著很重要的角色；如果感知的效果好，比較直觀，后續做決策的難度也將大大降低，這意味著無人機在自主導航的過程中犯錯甚至發生碰撞的概率也將降低。而態勢評估又是感知這一部分內的重要環節，在收集到傳感器所接收到的原始數據之后，對無人機的當前形勢進行評估。精確而高效的評估能直接幫助無人機在后一步的決策環節做出快速而正確的動作。目前應用較多的是一種基于動態貝葉斯網絡的態勢評估方法。這種方法能夠處理不確定性信息且能夠進行實時評估，但是這種方法過于重視信息的傳遞和積累，導致無人機不能對一些突發狀況做出較好的判斷。于是，提出一種能彌補上述缺陷的無人機空域安全態勢評估方法是很有必要的。

類別激活映射本意是用來解釋卷積神經網絡中卷積層所關注的圖像特征。它可以將模型所關注的部分在原始圖片上標出，將目標特征與背景分開來。這門技術對于解釋神經網絡的識別方式有著重大的意義。

發明內容

針對上述問題，本發明提供了一種基于類別激活映射技術的空域安全態勢評估方法，通過類別激活映射完成對模型感知內容的可視化操作，進而完成了較為直觀的無人機空域安全態勢評估；大大降低無人機決策環節的難度。與此同時，該方法具有較好的可解釋性以及非常直觀的表現形式，方便科研人員理解與應用。

所述的基于類別激活映射技術的空域安全態勢評估方法，具體步驟如下：

步驟一、針對某無人機，收集歷史機載圖片構建數據集；

步驟二、對收集到的機載圖片進行人工標簽處理，并將標簽處理后的數據集分為訓練集、驗證集和測試集；

標簽包括危險和安全；標簽處理為：判斷圖片中障礙物與無人機之間的距離是否在閾值范圍之內，如果是，將這張圖片打上危險標簽，標記為0。否則，將這張圖片打上安全標簽，標記為1。

閾值根據需要人為設定。

在每一個集合內，標簽為0的危險圖片和標簽為1的安全圖片比例為1:1。

步驟三、構建殘差網絡結構作為感知網絡主體模型，并輸入訓練集進行訓練，利用驗證集進行驗證。

殘差網絡結構包括：輸入層，卷積層，池化層，殘差卷積塊1，殘差卷積塊2，殘差卷積塊3和輸出層。

步驟四、將測試集輸入訓練好的感知網絡主體模型中，當準確率達到90％以上結束。