[发明专利]一种面向精准感知的无人机分层逻辑决策系统

说明书

本发明公开了一种面向精准感知的无人机分层逻辑决策系统，属于无人机感知与决策技术领域。系统包括感知层、语义层、信号层、逻辑决策层和系统资源层。首先，感知层获取影像信息，提取特征；随后，语义层对特征进行分析，获取目标类别等语义信息；然后，信号层记录置信度、目标尺度等信号量，并分析其变化趋势；最后，逻辑决策层根据评估结果，设计决策模型，并对系统资源进行动态调度。本发明实现了无人机系统软硬件一体化感知，具有较好的自主性，对小目标等复杂场景和需要融合决策的场景具有较好的感知效果。

技术领域

本发明涉及无人机感知领域，特别适用于复杂场景下目标的精准感知。

背景技术

无人机作为一种新型遥感传感器,目前被越来越多地应用于农林、国土、交通、环境监测、火灾预警等领域。无人机影像目标检测技术作为该应用领域的核心技术，对于无人机影像的应用具有极其重要的意义。尽管当前无人机视觉感知的智能化建设已有一定基础，能够对行人、车辆等目标进行比较准确的识别，但在数据、模型方面还存在很多问题。

在数据方面，无人机航拍影像具有如下特征：(1)小目标占比多。在相对尺度方面，航拍影像中多数目标边界框面积与图像面积之比中位数在0.08％～0.58％之间；在绝对尺度方面，航拍影像中有较多分辨率小于32像素×32像素的目标。(2)尺度差异大。由于无人机飞行高度不固定，载荷相机焦距不固定，造成无人机航拍影像中目标尺度多样化。(3)背景复杂。由于无人机飞行高度和俯仰角的变化，航拍影像中往往包含复杂的语义信息，如光照剧烈变化、目标遮挡、目标稠密相连、图像形状失真等问题。

在模型方面，目前提出了多种多样的航拍影像目标检测方法：针对复杂背景的检测方法有sRPN、MDA-NET、多尺度空洞卷积等；针对小目标的检测方法有ICN、DIN、LSN、特征金字塔等；针对旋转目标的检测方法有RRPN、DRN、ROI Transformer等。

目前在无人机目标感知领域，大多是通过提出新的目标检测模型来提升感知精度。然而，不同模型均有适用的领域，没有哪一种模型可以在所有类型的目标上都做到最优，同时对模型精度的过度追求也忽视了无人机本身和载荷的灵活性。因此，精准感知不仅需要优秀的算法和模型，更需要从系统层面进行设计，通过对遥感影像的智能获取和多种信息的融合决策，实现算法模型和系统硬件的一体化感知。

发明内容

针对复杂场景下目标信息难以精准感知的问题，提出了一种分层逻辑决策系统，对信息感知、信息提取、信息融合、逻辑决策、资源调度等无人机全流程、全要素进行统筹规划。本方法可以实现无人机在复杂场景下对目标的精准感知。

为了实现上述目的，本发明采用的技术方案为：

一种面向精准感知的无人机分层逻辑决策系统，包括：

感知层：基于深度学习算法，训练特征提取模型，并接收图像数据，基于训练好的特征提取模型提取目标的颜色、纹理和边缘特征，并进行多尺度特征融合；

语义层：根据感知层获得的目标特征，提取需要的目标语义，包括可见光目标语义、红外目标语义和场景分割语义；

信号层：根据语义层获得的目标语义，提取目标置信度、目标位置、目标尺度和目标速度；

逻辑决策层：对信号层提取的信息进行融合决策，分析无人机和载荷应当采取的行动，并向无人机和载荷发布对应的控制指令，包括扫描、变倍和数引；

系统资源层：在无人机和载荷执行控制指令后，将最新的感知信息发送给感知层，进入下一个循环。

进一步的，信号层提取目标置信度、目标位置、目标尺度和目标速度的具体计算方式为：

从语义层输出直接获取有无目标、目标置信度和目标边界框信息；