基于通感一体的低空空域管理方法及系统与流程

本发明涉及低空空域管理，尤其涉及基于通感一体的低空空域管理方法及系统。

背景技术：

1、随着无人机技术的快速发展和应用领域的不断拓展，低空空域日益拥挤，对低空空域管理提出了新的挑战。传统的空域管理方法主要针对有人驾驶航空器，难以有效适应无人机的大规模应用需求。因此，极需发展一种新的低空空域管理方法，以应对日益复杂的低空空域环境。

2、早期的航路规划主要采用预先规划的方式，如基于图搜索的a*算法、dijkstra算法等。这些方法对静态环境下的航路规划问题可以给出最优解，但难以适应低空环境的动态变化。为了适应动态环境，引入了基于随机搜索的航路规划方法，如遗传算法、粒子群优化算法等。这些方法可以在动态环境下搜索最优航路，但搜索效率和实时性还有待提高。人工势场方法通过构建虚拟的引力和斥力场，引导无人机在动态环境下进行航路规划。该方法具有一定的实时性，但容易陷入局部最优，且难以处理复杂的环境约束。低空无人机飞行环境不断变化，现有的技术方法在动态航路规划和冲突检测预警能力不足，不仅会危害低空空域的安全，还会降低运行效率，阻碍无人机产业的健康发展。

3、因此，本发明提供了一种基于通感一体的低空空域管理方法及系统。通过语义理解、多智能体交互建模、多目标优化航路规划、分布式协同控制以及实时飞行监测评估等一系列步骤，较好地解决了动态航路规划和冲突检测预警能力不足的问题，以提升低空无人机空域管理的智能化水平和安全性。

技术实现思路

1、基于此，有必要提供一种基于通感一体的低空空域管理方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于通感一体的低空空域管理方法，包括以下步骤：

3、步骤s1：对目标低空空域进行语义特征图谱构建，得到语义特征图谱；根据语义特征图谱进行低空环境时空推理分析，得到低空环境表征数据；

4、步骤s2：对低空环境表征数据进行实时语义分割，得到实时语义理解模型；根据实时语义理解模型进行在线增量学习，得到自适应语义理解模型；根据自适应语义理解模型进行低空环境几何目标检测，得到低空环境动态语义地图；

5、步骤s3：对低空环境动态语义地图进行多智能体交互图模型构建，得到多智能体交互图模型；根据多智能体交互图模型进行飞行轨迹预测，得到预测轨迹集；对预测轨迹集进行潜在风险评估，得到风险等级排序表；根据风险等级排序表进行风险时空传播演化，得到风险概率分布图；

6、步骤s4：根据风险概率分布图进行多目标优化问题分析，得到多目标优化模型；根据多目标优化模型进行启发式搜索并进行进化优化分析，得到启发式搜索算法库以及进化优化策略集；将启发式搜索算法库以及进化优化策略集应用于多目标优化模型进行无人机实时航路规划进行最优飞行航路规划，得到动态航路网络数据；

7、步骤s5：根据动态航路网络数据进行智能体博弈论决策，得到自适应协同控制数据；获取无人机能力和位置数据；根据无人机能力和位置数据进行分布式任务分配处理，得到分布式任务分配数据；根据无人机航路协同矩阵以及分布式控制架构图进行分布式一致性协议设计，得到分布式一致性决策数据；基于自适应协同控制数据、分布式任务分配数据以及分布式一致性决策数据进行协同控制指令生成，得到协同控制指令集；

8、步骤s6：获取无人机机载传感器数据；根据无人机机载传感器数据进行环境感知建模，得到实时环境感知模型；根据协同控制指令集以及实时环境感知模型进行通过一体化智能决策并进行飞行状态监测评估，得到飞行状态监测评估报告；将飞行状态监测评估报告作为无人机飞行状态反馈数据传输至地面控制中心，以实现低空空域管理作业。

9、本发明通过对目标低空空域进行语义特征图谱构建，可以形成对低空环境全面、结构化的语义表示。在此基础上，进行时空推理分析，可以揭示低空环境的时空演变规律，刻画动态变化特征，形成对低空环境更精准、更符合人类认知的表征数据。这为后续的环境理解、态势分析、风险评估等提供了基础。通过对低空环境表征数据进行实时语义分割，可以准确、及时地提取环境中的关键语义信息，构建实时语义理解模型。在此基础上，采用在线增量学习，可以使语义理解模型持续学习和进化，适应环境的动态变化，形成自适应的语义理解能力。进一步地，利用自适应语义理解模型进行几何目标检测，可以精准识别和定位低空环境中的关键实体和区域，生成语义丰富、动态更新的低空环境动态语义地图。通过对低空环境动态语义地图进行多智能体交互图模型构建，可以刻画低空环境中无人机等多个智能体之间的交互关系和约束条件。基于该模型进行飞行轨迹预测，可以估计无人机的未来运动趋势，形成预测轨迹集。在此基础上，对预测轨迹进行风险评估和排序，可以及时发现和量化潜在的冲突风险。进一步地，通过风险时空传播演化分析，可以刻画风险在时空维度上的动态变化和影响范围，生成直观、量化的风险概率分布图，为无人机航路规划提供风险约束信息。通过对风险概率分布图进行分析，可以将无人机航路规划问题形式化为一个多目标优化模型，综合考虑飞行安全、效率等多个性能指标。在此基础上，采用启发式搜索和进化优化策略，可以智能高效地求解该优化问题，得到一系列优质可行的航路方案。将搜索算法和优化策略集成应用到航路规划流程中，可以实现无人机航路的实时动态优化，生成安全、高效、动态适应的航路网络数据，指导无人机的实时飞行。基于动态航路网络数据，通过智能体博弈论决策，可以刻画无人机在航路协同过程中的策略制定和动态优化，生成自适应的协同控制方案。结合无人机的个体能力和位置信息，采用分布式任务分配，可以实现任务在无人机集群中的合理分工与优化，提升任务执行效率。同时，通过分布式一致性协议设计，可以实现无人机在局部信息交互的基础上达成一致决策，保证无人机集群行为的协调性。最终，综合协同控制、任务分配、一致性决策等数据，生成面向无人机集群的协同控制指令集，实现无人机集群的实时协同控制。通过获取无人机机载传感器数据，并进行环境感知建模，可以实时构建无人机周围环境的动态表示，形成实时环境感知模型。该模型可以准确刻画无人机所处的局部环境状态和变化趋势，为无人机的智能决策和控制提供感知基础。结合协同控制指令集，通过一体化智能决策，可以实现感知、决策、控制的无缝集成和快速闭环，使无人机能够根据实时感知信息和协同控制要求做出智能自主的行为决策，提升无人机在动态环境中的适应能力。同时，通过飞行状态监测和评估，可以实时跟踪无人机的飞行姿态、位置、速度等关键参数，全面评估当前飞行状态，生成飞行状态监测评估报告。将该报告作为反馈数据传输至地面控制中心，可以实现无人机与控制中心之间的信息闭环。

10、因此，本发明提供了一种基于通感一体的低空空域管理方法及系统。通过语义理解、多智能体交互建模、多目标优化航路规划、分布式协同控制以及实时飞行监测评估等一系列步骤，较好地解决了动态航路规划和冲突检测预警能力不足的问题，以提升低空无人机空域管理的智能化水平和安全性。

11、优选地，步骤s5包括以下步骤：

12、步骤s51：对动态航路网络数据进行无人机航路协同关系提取，得到无人机航路协同矩阵；根据无人机航路协同矩阵进行分布式控制架构分析，得到分布式控制架构图；

13、步骤s52：根据无人机航路协同矩阵以及分布式控制架构图进行多智能体强化学习，得到多智能体强化学习模型；根据无人机航路协同矩阵以及分布式控制架构图进行博弈论决策优化，得到博弈论决策优化数据；

14、步骤s53：根据多智能体强化学习模型以及博弈论决策优化数据进行自适应协同控制分析，得到自适应协同控制数据；

15、步骤s54：获取无人机能力和位置数据；根据无人机能力和位置数据进行分布式任务分配处理，得到分布式任务分配数据；

16、步骤s55：根据无人机航路协同矩阵以及分布式控制架构图进行分布式一致性协议设计，得到分布式一致性决策数据；

17、步骤s56：基于自适应协同控制数据、分布式任务分配数据以及分布式一致性决策数据进行协同控制指令生成，得到协同控制指令集。

18、本发明通过对动态航路网络数据进行分析，可以提取出无人机之间的航路协同关系，形成无人机航路协同矩阵。该矩阵量化了无人机在航路选择和飞行时间上的相互影响和依赖程度。在此基础上，进一步分析分布式控制架构，得到分布式控制架构图，明确了无人机群的控制结构和信息交互方式。这为后续的多智能体协同优化提供了重要的结构化信息。利用无人机航路协同矩阵和分布式控制架构图，通过多智能体强化学习，可以使无人机作为智能体，自主学习协同策略，不断优化群组性能，形成多智能体强化学习模型。同时，采用博弈论决策优化方法，可以刻画无人机在分布式架构下的策略互动和均衡，得到博弈论决策优化数据。这两种方法相结合，可以在分布式环境中实现无人机群的智能协同与优化决策。综合利用多智能体强化学习模型和博弈论决策优化数据，通过自适应协同控制分析，可以实现无人机群的动态协同优化。该方法能够根据无人机状态和环境变化，自适应地调整协同策略，实现群组行为的实时优化，提升系统的适应性和鲁棒性。输出的自适应协同控制数据，可直接指导无人机群的协同运动。通过获取无人机的能力参数(如探测范围、通信距离等)和实时位置数据，并进行分布式任务分配处理，可以根据无人机的个体特性和空间分布，合理分配任务子目标，形成分布式任务分配数据。这种分布式的任务分配方式，可以充分发挥无人机群的并行处理能力，提高任务执行效率，并减少通信负担。在分布式控制架构下，通过设计分布式一致性协议，可以实现无人机在局部信息交互的基础上，达成全局一致的决策共识，形成分布式一致性决策数据。这种一致性机制能够保证分布式无人机群的决策协调性，避免个体决策的冲突和矛盾，提升系统的一致性和稳定性。综合利用自适应协同控制数据、分布式任务分配数据以及分布式一致性决策数据，通过协同控制指令生成，可以形成面向无人机个体的可执行飞行控制指令，构成协同控制指令集。该指令集综合考虑了无人机的动态协同、任务分工、一致性决策等因素，能够指导无人机群体从全局角度执行协调一致的行动，完成整体任务目标。这种集中式指令生成与分布式执行相结合的方式，可以兼顾系统优化与个体自主性，提升无人机群的整体作业效能。