CN114139373B - 一种面向无人机反制车的多传感器自动协同管理方法 - Google Patents
一种面向无人机反制车的多传感器自动协同管理方法 Download PDFInfo
- Publication number
- CN114139373B CN114139373B CN202111439824.5A CN202111439824A CN114139373B CN 114139373 B CN114139373 B CN 114139373B CN 202111439824 A CN202111439824 A CN 202111439824A CN 114139373 B CN114139373 B CN 114139373B
- Authority
- CN
- China
- Prior art keywords
- target
- threat
- vehicle
- unmanned aerial
- sensor
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000012163 sequencing technique Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 22
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000005693 optoelectronics Effects 0.000 claims description 4
- 230000005622 photoelectricity Effects 0.000 claims description 4
- 230000001681 protective effect Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241001425390 Aphis fabae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种面向无人机反制车的多传感器自动协同管理方法，其中无人机反制车上车载的多传感器包含载车位置感知传感器、载车平台姿态感知传感器、雷达探测设备、光电探测设备、无线电侦测设备；根据融合的航迹识别信息、频谱特征识别、目标图像识别等类型的信息，采用概率的形式给出目标识别结果。再结合目标实时位置、与防护区域的接近/远离速度等因素，对目标威胁进行量化评估，并生成排序结果。根据目标的威胁排序结果采用相应的多传感器协同管理措施对目标进行跟综。本发明能够提高存在多个目标无人机的场景中，威胁评估排序的可靠性与准确性。
Description
技术领域
本发明属于无人机反制车应用技术领域，特别是涉及一种适用于无人机反制车的传感器自动协同管理方法。
背景技术
民用无人机的大量使用造成“黑飞”事件屡禁不止。无人机反制车是用于探测、反制无人机的车辆。无人机反制车上传感器多(包括载车位置感知传感器、载车平台姿态感知传感器、雷达探测设备、光电探测设备、无线电侦测设备各一台)，在使用过程中，能够探测多个目标。由于探测目标多，分配传感器(主要为雷达探测设备、光电探测设备)自动识别、跟踪哪一个特定目标是一个困难的问题，若无法高效合理分配利用无人机反制车上有限的传感器将造成传感器资源浪费、协同效率低下。靠人工去监控所有探测到的目标，不但达不到监控所有探测到的目标，而且会耗费大量的人力、时间以及精力。
因此，针对当前无人机反制车探测目标多，车上传感器任务分配难的问题，迫切需要研究面向无人机反制车的多传感器自动协同管理方法。
发明内容
为解决上述问题，本发明的发明目的在于提供一种面向无人机反制车的多传感器自动协同管理方法，能够有效解决在目标较多、传感器资源有限的情况下，传感器自动协同分配任务的问题，从而提高传感器资源与协同效率。
本发明的发明目的通过以下技术方案实现：
一种面向无人机反制车的多传感器自动协同管理方法，其中无人机反制车上车载的多传感器包含载车位置感知传感器、载车平台姿态感知传感器、雷达探测设备、光电探测设备、无线电侦测设备；
载车位置感知传感器用于获取无人机反制车当前时刻的地理位置，包括当前时刻的无人机反制车的经度、纬度与海拔高度；
载车平台姿态感知传感器用于获取无人机反制车当前时刻的姿态，包括当前时刻的无人机反制车的方位角、俯仰角与滚转角；
雷达探测设备采用周扫模式，用于获取当前时刻目标相对于雷达探测设备的方位、俯仰、距离；
无线电侦测设备采用预设位巡航模式，用于获取当前时刻目标相对于无线电侦测设备的方位、频谱；
光电探测设备采用全向工作模式，用于获取目标相对于光电探测设备的方位、俯仰和光学视频图像；
包含以下步骤：
步骤1：设置防护区域范围，将防护区域从重到轻依次划分为核心区域、反制区域、预警区域，反制区域进一步划分为硬杀伤区、软杀伤区；
步骤2：设置白名单数据；
步骤3：接收无人机反制车上车载的多传感器获取的数据；
步骤4：对多传感器获取的数据进行融合，生成：无人机反制车目前所在位置的经度、纬度与海拔高度；无人机反制车当前时刻的方位角、俯仰角与滚转角；目标相对于无人机反制车的方位、俯仰、距离；目标的经度、纬度、海拔高度；目标的速度；目标的无线电频谱；目标的光学视频图像；
步骤5：对目标进行威胁评估并按威胁等级排序，包含以下步骤：
步骤5.1：根据目标的无线电频谱数据识别目标和目标位移量，给出无线电侦测识别指数αI：其中：
无线电目标识别结果ca：
无线电目标位移量cb：
b为无线电侦测目标当前时刻与目标初次出现时刻的位移差
无线电侦测识别指数αI＝ca*cb；
步骤5.2：根据目标的光学视频图像识别目标类型，给出光电图像识别指数αE；其中：
目标类型cd：
光电图像识别指数αE：
αE＝cd*ce
ce为识别结果的相似度；
步骤5.3：基于多传感器对目标的探测锁定时长为依据对目标的航迹进行量化，给出航迹稳定性指数αR；
t为航迹持续时间；
步骤5.4：根据无线电侦测识别指数αI和光电图像识别指数αE给出目标综合识别结果，并给出目标综合识别指数Tr；
Tr＝θIαI+θEαE
其中，θI为无线电侦测识别指数αI的权值，θE为光电图像识别指数αE的权值；
根据目标综合识别指数对目标的敌我属性进行分类，Tr<0为第三方目标，Tr＝0为不明确目标，Tr>0为敌方；
步骤5.5：计算目标威胁指数Pr：
其中，为无线电侦测识别指数的权值、/>为光电图像识别指数的权值、/>为航迹稳定性指数的权值；
步骤5.6：根据目标的威胁类型、敌我属性信息、位置信息，确定各目标的威胁等级并输出目标威胁评估排序；
其中，目标的威胁类型分为四大类：
威胁分类A：对于已经确认的黑名单无人机；
威胁分类B：已确认为无人机的目标，但无法确认其敌我属性；
威胁分类C：目标类型及敌我属性均不明确；
无威胁：对于已经确定的白名单无人机或已经识别为非无人机目标；
针对威胁分类A威胁分类B根据目标分别侵入核心区、硬杀伤区、软杀伤区、预警区、预警区外进行等级划分；
若某威胁等级的目标有多个，则对该威胁等级内的多目标进行威胁评估排序：
(1)对于威胁分类A的目标威胁排序，综合目标与各等级防护区域边界的距离、目标接近/远离防护区的速度信息，以目标预计最快到达防护区边界的时间为依据进行威胁评估排序；
(2)对于威胁分类B的目标威胁排序，综合考虑目标综合识别威胁性Pr和目标接近核心区的趋势两方面进行威胁排序；
(3)对于威胁分类C的目标威胁排序，考虑目标综合识别威胁性作为目标威胁排序的依据；
步骤6：根据目标的威胁排序结果采用相应的多传感器协同管理措施对目标进行跟综。
优选地，所述步骤6包含以下步骤：
步骤6.1：使雷达处于周扫模式，光电处于预设位巡航模式，无线电测向处于开启全向工作模式；
步骤6.2：接收融合数据与威胁评估排序结果；
步骤6.3：判断是否存在目标，若不存在目标，则继续执行步骤6.1；若存在目标，则输入威胁排序第一的目标的融合数据；
步骤6.4：根据威胁排序第一的目标的融合数据得出该目标的目标类型；
步骤6.4.1：若该目标的目标类型为非无人机或敌我属性为合作类无人机，则不生成传感器协同管理任务，执行步骤6.1；
步骤6.4.2：若该目标的目标类型为不明确目标，则生成传感器识别任务；传感器识别任务的具体内容是根据目标的融合数据引导光电识别该目标的目标类型；若传感器识别任务失败，则执行步骤6.1；若传感器识别任务成功，则判断目标的目标类型，若目标类型为非无人机，则执行步骤6.1，若目标类型为无人机，则执行步骤6.4.3；
步骤6.4.3：若该目标的目标类型为无人机且敌我属性为敌方、第三方，则生成传感器跟踪任务；传感器跟踪任务的具体内容是根据目标的融合数据引导光电跟踪该目标飞行动态，根据目标的融合数据引导雷达做小范围扇扫，跟踪该目标飞行动态；若传感器跟踪任务失败，则执行步骤6.1；若传感器跟踪任务成功，则继续执行跟踪任务，直到该目标的威胁排序不为第一，或任务失败，则执行步骤6.1；
步骤7：判断任务结束条件是否触发，若触发，则结束，任务结束。
本发明的有益效果在于：
(1)威胁评估排序：提出了一种目标无人机威胁排序的算法，根据融合数据给出的无人机相关数据，有效排序出威胁排序等级最高的无人机，能够提高存在多个目标无人机的场景中，威胁评估排序的可靠性与准确性。
(2)多传感器自动协同管理：提出了一种根据融合数据与无人机威胁排序结果的多传感器自动协同管理方法。能够有效提高传感器的应用效率，解决在空中目标多，传感器资源有限的情况下，合理高效分配传感器资源的问题。
附图说明
图1为实施例所示的一种面向无人机反制车的多传感器自动协同管理方法的流程示意图。
图2目标图像检测效果。
图3目标威胁评估逻辑。
图4多传感器自动协同管理逻辑。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
本实施例所示的一种面向无人机反制车的多传感器自动协同管理方法，其中无人机反制车上车载的多传感器包含载车位置感知传感器、载车平台姿态感知传感器、雷达探测设备、光电探测设备、无线电侦测设备。
载车位置感知传感器用于获取无人机反制车当前时刻的地理位置，包括当前时刻的无人机反制车的经度、纬度与海拔高度。
载车平台姿态感知传感器用于获取无人机反制车当前时刻的姿态，包括当前时刻的无人机反制车的方位角、俯仰角与滚转角。
雷达探测设备采用周扫模式，用于获取当前时刻目标相对于雷达探测设备的方位、俯仰、距离。
无线电侦测设备采用预设位巡航模式，用于获取当前时刻目标相对于无线电侦测设备的方位、频谱。
光电探测设备采用全向工作模式，用于获取目标相对于光电探测设备的方位、俯仰和光学视频图像。
参见图1所示，一种面向无人机反制车的多传感器自动协同管理方法由计算机程序实现，包含以下步骤：
步骤1：设置防护区域范围，所述防护区域按照威胁等级划分成N级区域，设置各个等级区域的中心点与区域半径。本实施例作为举例说明，可以将防护区域从重到轻依次划分为核心区域、反制区域、预警区域，反制区域还可以进一步划分为硬杀伤区、软杀伤区。
步骤2：设置白名单数据。白名单为安全目标。
步骤3：接收无人机反制车上车载的多传感器获取的数据。
步骤4：对多传感器获取的数据进行融合，生成：无人机反制车目前所在位置的经度、纬度与海拔高度；无人机反制车当前时刻的方位角、俯仰角与滚转角；目标相对于无人机反制车的方位、俯仰、距离；目标的经度、纬度、海拔高度；目标的速度；目标的无线电频谱；目标的光学视频图像。
步骤5：对目标进行威胁评估并按威胁等级排序。
在本步骤中，综合利用航迹识别信息、频谱特征识别、目标图像识别等类型的信息，采用概率的形式给出目标识别结果。其中，频谱特征识别是对目标无线电频谱信息满足靶机频谱特征的量化描述；目标图像识别是通过目标图形与样本库中有关图像比对，得到目标与无人机相似的量化信息；航迹识别信息是根据目标航迹的持续时间作为目标威胁程度的依据(友方、己方、单雷达数据不参与)。再结合目标实时位置、与防护区域的接近/远离速度等因素，对目标威胁进行量化评估，并生成排序结果。具体流程为：
步骤5.1：根据目标的无线电频谱数据识别目标和目标位移量，给出无线电侦测识别指数αI。
在本实施例中，使用无线电辐射源信号侦收与识别技术对目标的无线电频谱数据进行截获、识别，以无线电目标识别结果及目标位移量两个因素作为无线电侦测识别指数的依据。
(1)无线电目标识别结果
令ca为评价无线电目标识别结果的参数，即
(2)无线电目标位移量
设b为无线电侦测目标当前时刻与目标初次出现时刻的位移差，令cb为评价无线电目标位移量的参数，
(3)综合无线电目标识别结果和无线电目标位移量，得到无线电侦测识别指数αI＝ca*cb。αI是评价目标无线电特征的参数，αI越大，目标越接近为无人机，目标具有更高的威胁性。
步骤5.2：根据目标的光学视频图像识别目标的类型，给出光电图像识别指数αE。
在本实施例中，采用基于深度学习的图像视频目标识别技术对目标的光学视频图像进行识别。基于深度学习的图像视频目标识别技术是采用深度卷积神经网络技术，对可见光/红外拍摄的目标，进行图像检测和识别，进行给出目标类型、属性等信息的技术，分为线上检测识别与线下训练两部分。
线上检测识别部分部署在车载平台上，以光电探测设备获取的可见光或者红外图像为输入，根据加载的目标检测识别深度神经网络模型进行神经网络计算，得到监视目标检测与人、车辆、无人机、其它目标这几个类别以及更细化的分类结果，最后将检测识别结果输出显示或输出给数据融合软件。如图2所示
线下训练部分部署在生产工厂，主要进行目标样本标注以及对目标检测识别深度神经网络模型进行神经网络训练。详细工作包括：1)收集并积累对空对地目标可见光/红外图像数据，然后对这些图像中的人、车辆、无人机以及其它目标等类型的目标进行标注，形成目标检测识别训练样本集；2)模型训练：以训练样本为输入，使用深度神经网络训练方法训练预先设计好网络结构的深度神经网路，得到目标检测识别深度神经网络模型。
假设cd为目标的类型，即
并且ce为识别结果的相似度，令αE为光电图像识别指数，即
αE＝cd*ce
则αE是评价目标光电识别结果的参数，αE越大，目标越接近为无人机，具有更高的威胁性。
步骤5.3：基于多传感器对目标的探测锁定时长为依据对目标的航迹进行量化，给出航迹稳定性指数αR。
在融合航迹中运动轨迹比较稳定、航迹维持时间较长的航迹目标往往具有较高的潜在威胁。航迹识别在目标运动分析、目标告警、目标行为意图分析中有非常重要的作用。
设航迹持续时间为t，αR为航迹稳定性指数：
则αR是评价目标航迹持续性的参数，αR越大，目标航迹越稳定，具有更高的威胁性。
步骤5.4：根据无线电侦测识别指数αI和光电图像识别指数αE给出目标综合识别结果，并给出目标综合识别指数Tr。
目标综合识别采用无线电侦测识别指数αI、光电图像识别指数αE的加权求和值，令Tr为目标综合识别指数，即
Tr＝θIαI+θEαE
其中，θI为无线电侦测识别指数αI的权值，θE为光电图像识别指数αE的权值，θI、θE根据实际效果进行调整，默认初始值θI＝0.5、θE＝0.5。
目标综合识别指数的取值范围为[0，1]，数值越大表示目标越接近与无人机。根据目标综合识别指数对目标的敌我属性进行分类，Tr<0为第三方目标，Tr＝0为不明确目标，Tr>0为敌方，分类结果目标如表1所示。(白名单目标不作该划分处理)
表1目标综合识别指数划分
| 序号 | Tr取值 | 敌我属性 |
| 1 | <0 | 第三方目标 |
| 2 | ＝0 | 不明确目标 |
| 3 | >0 | 敌方 |
步骤5.5：计算目标威胁指数Pr
目标威胁指数的计算则采用无线电侦测识别指数、光电图像识别指数、航迹稳定性指数的加权求和值，令Pr为目标威胁指数，即
其中，为无线电侦测识别指数的权值、/>为光电图像识别指数的权值、/>为航迹稳定性指数的权值，默认初始值/>
步骤5.6：根据目标的威胁类型、敌我属性信息、位置信息，确定各目标的威胁等级并输出目标威胁评估排序，逻辑流程如图3所示。
其中，目标的威胁类型分为四大类：确定性威胁、敌我属性不确定威胁、类型及敌我属性不确定威胁、无威胁四类；
确定性威胁(威胁分类A)：对于已经确认的黑名单无人机按照确定性威胁进行管理；
敌我属性不确定性威胁(威胁分类B)：已确认为无人机的目标，但无法确认其敌我属性；
类型及敌我属性不确定威胁(威胁分类C)：目标类型及敌我属性均不明确；
无威胁：对于已经确定的白名单无人机或已经识别为非无人机目标等；
对目标类型与威胁类型进行手动配置管理，针对确定性威胁(威胁分类A)和敌我属性不确定威胁(威胁分类B)，根据目标分别侵入核心区、硬杀伤区、软杀伤区、预警区、预警区外，对各类威胁分类进行等级划分；
威胁分类A的目标分别侵入核心区、硬杀伤区、软杀伤区、预警区、预警区外，则目标威胁等级分别为A1、A2、A3、A4、A5；威胁分类B的目标分别侵入核心区、硬杀伤区、软杀伤区、预警区、预警区外，则目标威胁等级分别为B1、B2、B3、B4、B5，如表2所示
表2目标威胁等级划分
各威胁等级排序规则为：
A1>A2>A3>A4>A5>B1>B2>B3>B4>B5>C
若某威胁分类内的目标只有一个，无须进行下一步对目标接近/远离核心区的判断；若某威胁等级的目标有多个，则进行下一步对该威胁等级内的多目标进行威胁评估排序。
a)对各威胁等级内的目标进行威胁评估结果排序；
(1)威胁分类A的目标威胁排序
对所属威胁等级A1，A2，A3，A4，A5的各目标，根据目标接近/远离核心区进行威胁评估。
综合目标与防护区边界的距离、目标接近/远离防护区的速度信息，以目标可能的最快到达防护区边界的时间为依据进行威胁评估排序。
令各目标距离核心区边界的径向距离为目标接近/远离核心区的速度为/>(接近核心区取负值，远离核心区取正值)，其中X表示目标类型，Y表示目标编号，则目标到达核心区边界的时间为：
根据目标到达核心区边界的时间指标由小到大，更新目标威胁排序结果；
若防控任务包含多个核心区，则分别计算目标至各核心区的取最小值作为该目标到达核心区边界的最短时间。
(2)威胁分类B的目标威胁排序
对所属威胁等级B1，B2，B3，B4，B5的各目标，综合考虑目标综合识别威胁性和目标接近核心区的趋势两方面进行威胁排序。其中目标综合识别威胁性的量化依据为数据融合与综合识别软件输出的目标威胁指数，表征了目标在尺寸、速度、飞行高度、白名单关联、无线电辐射、光电图像识别等方面与黑飞无人机的相似度；目标接近核心区的趋势则考虑了目标与防护区边界的距离、目标的突防速度等因素，作为目标突防核心区的威胁性依据。公式如下：
其中，Pr取值为目标综合识别结果的威胁指数(Pr)，Indexapproach计算方法如下：
令各目标距离核心区边界的径向距离为目标接近/远离核心区的速度为/>(接近核心区取负值，远离核心区取正值)，其中X表示目标类型，Y表示目标编号，则目标到达核心区边界的时间(单位：秒)为：
若防控任务包含多个核心区，则分别计算目标至各核心区的取最小值作为该目标到达核心区边界的最短时间。
小于0表示目标远离防护区，/>大于0表示目标正接近防护区，令
将Pthreat作为目标威胁评价的依据，Pthreat越大，目标威胁排序排名越靠前。
(3)威胁分类C的目标威胁排序
对所属威胁等级C的各目标，考虑目标综合识别威胁性作为目标威胁排序的依据，指标为目标综合识别结果的威胁指数(Pr)，Pr越大，目标威胁排序越靠前。
步骤6：根据目标的威胁排序结果采用相应的多传感器协同管理措施对目标进行跟综。如图4所示
步骤6.1：使雷达处于周扫模式，光电处于预设位巡航模式，无线电测向处于开启全向工作模式。
步骤6.2：接收融合数据与威胁评估排序结果。
步骤6.3：判断是否存在目标，若不存在目标，则继续执行步骤6.1；若存在目标，则输入威胁排序第一的目标的融合数据。
步骤6.4：根据威胁排序第一的目标的融合数据得出该目标的目标类型。
步骤6.4.1：若该目标的目标类型为非无人机或敌我属性为合作类无人机，则不生成传感器协同管理任务，执行步骤6.1。
步骤6.4.2：若该目标的目标类型为不明确目标，则生成传感器识别任务。传感器识别任务的具体内容是根据目标的融合数据引导光电，识别该目标的目标类型。若传感器识别任务失败，则执行步骤6.1；若传感器识别任务成功，则判断目标的目标类型，若目标类型为非无人机，则执行步骤6.1，若目标类型为无人机，则执行步骤6.4.3。
步骤6.4.3：若该目标的目标类型为无人机且敌我属性为敌方、第三方，则生成传感器跟踪任务。传感器跟踪任务的具体内容是根据目标的融合数据引导光电，跟踪该目标飞行动态；根据目标的融合数据引导雷达做小范围扇扫，跟踪该目标飞行动态。若传感器跟踪任务失败，则执行步骤6.1；若传感器跟踪任务成功，则继续执行跟踪任务，直到该目标的威胁排序不为第一，或任务失败，则执行步骤6.1。
步骤7：判断任务结束条件是否触发，若触发，则结束，任务结束。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (2)
1.一种面向无人机反制车的多传感器自动协同管理方法，其中无人机反制车上车载的多传感器包含载车位置感知传感器、载车平台姿态感知传感器、雷达探测设备、光电探测设备、无线电侦测设备；
载车位置感知传感器用于获取无人机反制车当前时刻的地理位置，包括当前时刻的无人机反制车的经度、纬度与海拔高度；
载车平台姿态感知传感器用于获取无人机反制车当前时刻的姿态，包括当前时刻的无人机反制车的方位角、俯仰角与滚转角；
雷达探测设备采用周扫模式，用于获取当前时刻目标相对于雷达探测设备的方位、俯仰、距离；
无线电侦测设备采用预设位巡航模式，用于获取当前时刻目标相对于无线电侦测设备的方位、频谱；
光电探测设备采用全向工作模式，用于获取目标相对于光电探测设备的方位、俯仰和光学视频图像；
其特征在于包含以下步骤：
步骤1：设置防护区域范围，将防护区域从重到轻依次划分为核心区域、反制区域、预警区域，反制区域进一步划分为硬杀伤区、软杀伤区；
步骤2：设置白名单数据；
步骤3：接收无人机反制车上车载的多传感器获取的数据；
步骤4：对多传感器获取的数据进行融合，生成：无人机反制车目前所在位置的经度、纬度与海拔高度；无人机反制车当前时刻的方位角、俯仰角与滚转角；目标相对于无人机反制车的方位、俯仰、距离；目标的经度、纬度、海拔高度；目标的速度；目标的无线电频谱；目标的光学视频图像；
步骤5：对目标进行威胁评估并按威胁等级排序，包含以下步骤：
步骤5.1：根据目标的无线电频谱数据识别目标和目标位移量，给出无线电侦测识别指数αI：其中：
无线电目标识别结果ca：
无线电目标位移量cb：
b为无线电侦测目标当前时刻与目标初次出现时刻的位移差
无线电侦测识别指数αI＝ca*cb；
步骤5.2：根据目标的光学视频图像识别目标类型，给出光电图像识别指数αE；其中：
目标类型cd：
光电图像识别指数αE：
αE＝cd*ce
ce为识别结果的相似度；
步骤5.3：基于多传感器对目标的探测锁定时长为依据对目标的航迹进行量化，给出航迹稳定性指数αR；
t为航迹持续时间；
步骤5.4：根据无线电侦测识别指数αI和光电图像识别指数αE给出目标综合识别结果，并给出目标综合识别指数Tr；
Tr＝θIαI+θEαE
其中，θI为无线电侦测识别指数αI的权值，θE为光电图像识别指数αE的权值；
根据目标综合识别指数对目标的敌我属性进行分类，Tr＜0为第三方目标，Tr＝0为不明确目标，Tr＞0为敌方；
步骤5.5：计算目标威胁指数Pr：
其中，为无线电侦测识别指数的权值、/>为光电图像识别指数的权值、/>为航迹稳定性指数的权值；
步骤5.6：根据目标的威胁类型、敌我属性信息、位置信息，确定各目标的威胁等级并输出目标威胁评估排序；
其中，目标的威胁类型分为四大类：
威胁分类A：对于已经确认的黑名单无人机；
威胁分类B：已确认为无人机的目标，但无法确认其敌我属性；
威胁分类C：目标类型及敌我属性均不明确；
无威胁：对于已经确定的白名单无人机或已经识别为非无人机目标；
针对威胁分类A威胁分类B根据目标分别侵入核心区、硬杀伤区、软杀伤区、预警区、预警区外进行等级划分；
若某威胁等级的目标有多个，则对该威胁等级内的多目标进行威胁评估排序：
(1)对于威胁分类A的目标威胁排序，综合目标与各等级防护区域边界的距离、目标接近/远离防护区的速度信息，以目标预计最快到达防护区边界的时间为依据进行威胁评估排序；
(2)对于威胁分类B的目标威胁排序，综合考虑目标综合识别威胁性Pr和目标接近核心区的趋势两方面进行威胁排序；
(3)对于威胁分类C的目标威胁排序，考虑目标综合识别威胁性作为目标威胁排序的依据；
步骤6：根据目标的威胁排序结果采用相应的多传感器协同管理措施对目标进行跟综。
2.权利要求1所述的一种面向无人机反制车的多传感器自动协同管理方法，其特征在于所述步骤6包含以下步骤：
步骤6.1：使雷达处于周扫模式，光电处于预设位巡航模式，无线电测向处于开启全向工作模式；
步骤6.2：接收融合数据与威胁评估排序结果；
步骤6.3：判断是否存在目标，若不存在目标，则继续执行步骤6.1；若存在目标，则输入威胁排序第一的目标的融合数据；
步骤6.4：根据威胁排序第一的目标的融合数据得出该目标的目标类型；
步骤6.4.1：若该目标的目标类型为非无人机或敌我属性为合作类无人机，则不生成传感器协同管理任务，执行步骤6.1；
步骤6.4.2：若该目标的目标类型为不明确目标，则生成传感器识别任务；传感器识别任务的具体内容是根据目标的融合数据引导光电识别该目标的目标类型；若传感器识别任务失败，则执行步骤6.1；若传感器识别任务成功，则判断目标的目标类型，若目标类型为非无人机，则执行步骤6.1，若目标类型为无人机，则执行步骤6.4.3；
步骤6.4.3：若该目标的目标类型为无人机且敌我属性为敌方、第三方，则生成传感器跟踪任务；传感器跟踪任务的具体内容是根据目标的融合数据引导光电跟踪该目标飞行动态，根据目标的融合数据引导雷达做小范围扇扫，跟踪该目标飞行动态；若传感器跟踪任务失败，则执行步骤6.1；若传感器跟踪任务成功，则继续执行跟踪任务，直到该目标的威胁排序不为第一，或任务失败，则执行步骤6.1；
步骤7：判断任务结束条件是否触发，若触发，则结束，任务结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111439824.5A CN114139373B (zh) | 2021-11-30 | 2021-11-30 | 一种面向无人机反制车的多传感器自动协同管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111439824.5A CN114139373B (zh) | 2021-11-30 | 2021-11-30 | 一种面向无人机反制车的多传感器自动协同管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114139373A CN114139373A (zh) | 2022-03-04 |
| CN114139373B true CN114139373B (zh) | 2024-04-12 |
Family
ID=80389431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111439824.5A Active CN114139373B (zh) | 2021-11-30 | 2021-11-30 | 一种面向无人机反制车的多传感器自动协同管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114139373B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114963879B (zh) * | 2022-05-20 | 2023-11-17 | 中国电子科技集团公司电子科学研究院 | 无人机综合反制***及综合反制方法 |
| CN116577776B (zh) * | 2023-07-12 | 2023-09-22 | 中国电子科技集团公司第二十八研究所 | 一种多源自主协同的目标探测与智能识别方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御*** |
| CN110531784A (zh) * | 2019-09-03 | 2019-12-03 | 中航天元防务技术（北京）有限公司 | 一种针对无人飞行器的威胁评估方法 |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和*** |
| CN110968941A (zh) * | 2019-11-11 | 2020-04-07 | 海丰通航科技有限公司 | 基于空域安全评估的无人机管控平台及管控方法 |
| US10907940B1 (en) * | 2017-12-12 | 2021-02-02 | Xidrone Systems, Inc. | Deterrent for unmanned aerial systems using data mining and/or machine learning for improved target detection and classification |
| CN112596049A (zh) * | 2021-03-02 | 2021-04-02 | 陕西山利科技发展有限责任公司 | 一种提升无人机侦测准确率的方法 |
| CN112797846A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 一种无人机防控方法及*** |
| CN112902759A (zh) * | 2021-03-31 | 2021-06-04 | 中国科学院长春光学精密机械与物理研究所 | 一种反无人机*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9715009B1 (en) * | 2014-12-19 | 2017-07-25 | Xidrone Systems, Inc. | Deterent for unmanned aerial systems |
-
2021
- 2021-11-30 CN CN202111439824.5A patent/CN114139373B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10907940B1 (en) * | 2017-12-12 | 2021-02-02 | Xidrone Systems, Inc. | Deterrent for unmanned aerial systems using data mining and/or machine learning for improved target detection and classification |
| CN110133573A (zh) * | 2019-04-23 | 2019-08-16 | 四川九洲电器集团有限责任公司 | 一种基于多元传感器信息融合的自主低空无人机防御*** |
| CN110531784A (zh) * | 2019-09-03 | 2019-12-03 | 中航天元防务技术（北京）有限公司 | 一种针对无人飞行器的威胁评估方法 |
| CN110866887A (zh) * | 2019-11-04 | 2020-03-06 | 深圳市唯特视科技有限公司 | 一种基于多传感器的目标态势融合感知方法和*** |
| CN110968941A (zh) * | 2019-11-11 | 2020-04-07 | 海丰通航科技有限公司 | 基于空域安全评估的无人机管控平台及管控方法 |
| CN112797846A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 一种无人机防控方法及*** |
| CN112596049A (zh) * | 2021-03-02 | 2021-04-02 | 陕西山利科技发展有限责任公司 | 一种提升无人机侦测准确率的方法 |
| CN112902759A (zh) * | 2021-03-31 | 2021-06-04 | 中国科学院长春光学精密机械与物理研究所 | 一种反无人机*** |
Non-Patent Citations (2)
| Title |
|---|
| 基于区间数排序的高超声速飞行器目标威胁评估方法;王楚燕;战晓苏;;军事运筹与***工程;20170330(01);全文 * |
| 雷达网对侦察无人机突防的威胁评估模型;王新增;李俊山;慈林林;余宁;;火力与指挥控制;20110815(08);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114139373A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Unlu et al. | Using shape descriptors for UAV detection | |
| CN114139373B (zh) | 一种面向无人机反制车的多传感器自动协同管理方法 | |
| CN1166922C (zh) | 多传感器多目标信息融合方法 | |
| CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和*** | |
| US8712098B2 (en) | Method and system for detecting target objects | |
| US11371851B2 (en) | Method and system for determining landmarks in an environment of a vehicle | |
| CN115761421A (zh) | 一种多源信息融合低慢小目标探测方法及无人空防*** | |
| CN112596049B (zh) | 一种提升无人机侦测准确率的方法 | |
| CN113014866B (zh) | 机场低空鸟类活动监视与风险报警*** | |
| CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
| CN106022372B (zh) | 基于多维特征的目标异常行为检测方法 | |
| US8275172B2 (en) | Multipass data integration for automatic detection and classification of objects | |
| CN114676743B (zh) | 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法 | |
| CN111612673A (zh) | 一种无人驾驶飞行器对多要地威胁程度确认方法及*** | |
| Ajakwe et al. | Tractable minacious drones aerial recognition and safe-channel neutralization scheme for mission critical operations | |
| CN117311393B (zh) | 一种无人机自主飞行路径规划方法及*** | |
| CN111596277B (zh) | 基于模糊综合评价法的飞行目标威胁度识别方法及*** | |
| Sumalan et al. | Flood evaluation in critical areas by UAV surveillance | |
| CN110287957B (zh) | 一种低慢小目标的定位方法及定位装置 | |
| Tiwari et al. | Detection of Camouflaged Drones using Computer Vision and Deep Learning Techniques | |
| CN114355960B (zh) | 一种无人机防御智能决策方法及***、服务器及介质 | |
| CN111413681B (zh) | 基于熵权法的飞行目标威胁度识别方法、***和存储介质 | |
| CN112465867B (zh) | 一种基于卷积神经网络的红外点目标实时检测跟踪方法 | |
| Bhagat et al. | Moving camera-based automated system for drone identification using focus measures | |
| CN111580083B (zh) | 基于决策树的飞行目标威胁度识别方法、***和存储介质 |
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 |