CN116772811B - 一种基于无人机网络拓扑优化的测绘方法 - Google Patents

Abstract

本发明公开了一种基于无人机网络拓扑优化的测绘方法，应用于无人机群构成的网络拓扑结构中，对应方法包括：计算无人机群中每个无人机的相对高度，并根据相对高度控制无人机飞行到指定高度位置；基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构；根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果；其中，训练好的无人机群姿态识别网络为VGG16网络，利用VGG16网络预测无人机群中每个无人机的待选择动作集合。本发明可以更好的实现无人机对地面现状的图形和位置信息的监测。

Description

一种基于无人机网络拓扑优化的测绘方法

技术领域

本发明属于无人机技术领域，具体涉及一种基于无人机网络拓扑优化的测绘方法。

背景技术

土地测绘以全球定位***(Global Positioning System，简称GPS)、遥感(RemoteSensing，简称RS)、地理信息***(Geographic Information Systems，简称GIS)为技术核心，通过测量手段获得反映地面现状的图形和位置信息，供工程建设的规划设计和行政管理之用。

土地测绘过程中，利用无人机群构成的网络拓扑结构对地面现状的图形和位置信息进行监测，并将监测数据返回地面站进行数据分析。可见，无人机在整个监测过程中至关重要。但无人机在监测过程中，存在由于无人机覆盖不全面、外界信号干扰、天气变化等因素的影响，使得无人机监测数据不够准确，导致获取的遥感影像不精确，进而导致后续土地分析过程出现较大偏差；同时，在监测过程中，若无人机受到外界信号干扰、天气变化等影响时，由于遇到短暂信号干扰而失去控制而出现失控炸机的现象。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于无人机网络拓扑优化的测绘方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于无人机网络拓扑优化的测绘方法，应用于无人机群构成的网络拓扑结构中，对应方法包括：

计算无人机群中每个无人机的相对高度，并根据所述相对高度控制无人机飞行到指定高度位置；

基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；

基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构；

根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果；

其中，训练好的无人机群姿态识别网络为VGG16网络，利用所述VGG16网络预测无人机群中每个无人机的待选择动作集合。

在本发明的一个实施例中，所述无人机群中每个无人机安装有飞行控制计算机、差分卫星导航***、地面气压高度计和机载气压高度计；对应计算网络拓扑结构中每个无人机的相对高度之前，还包括：

利用所述差分卫星导航***获取每个无人机飞行前与后分别对应的高度信息H₁和H₂，并利用所述飞行控制计算机，根据高度信息H₁和H₂计算对应的卫星相对高度；

利用所述地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H₄，并利用所述飞行控制计算机，根据高度信息H₃和H₄计算对应的第一高度变化量；

利用所述机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H₆，并利用所述飞行控制计算机，根据高度信息H₅和H₆计算对应的第二高度变化量；

根据所述第一高度变化量和所述第二高度变化量计算参考相对高度；

创建参考相对高度映射表，将所述参考相对高度及对应的卫星相对高度存储于所述参考相对高度映射表中。

在本发明的一个实施例中，每个无人机飞行后，当所述差分卫星导航***有效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：

将所述卫星相对高度作为网络拓扑结构中每个无人机的相对高度。

在本发明的一个实施例中，每个无人机飞行后，当所述差分卫星导航***无效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：

利用所述地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H'₄，并利用所述飞行控制计算机，根据高度信息H₃和H'₄计算对应的第三高度变化量；

利用所述机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H'₆，并利用所述飞行控制计算机，根据高度信息H₅和H'₆计算对应的第四高度变化量；

根据所述第三高度变化量和所述第四高度变化量计算每个无人机的实际相对高度；

利用每个无人机的实际相对高度查找所述参考相对高度映射表读取对应的参考相对高度及卫星相对高度，将所述卫星相对高度作为对应每个无人机的相对高度。

在本发明的一个实施例中，利用所述VGG16网络预测无人机群中每个无人机的待选择动作集合，包括：

获取无人机群中每个无人机的历史运动姿态集合；

将所述历史运动姿态集合作为训练数据输入初始的VGG16网络进行训练；

并将每个无人机飞行中当前运动姿态集合输入训练好的VGG16网络得到每个无人机的待选择动作集合。

在本发明的一个实施例中，将所述历史运动姿态集合输入初始的VGG16网络或所述当前运动姿态集合输入训练好的VGG16网络之前，还包括：

将运动姿态集合中每一视频数据转化为多帧静态图像；其中，所述运动姿态集合包括所述历史运动姿态集合和所述当前运动姿态集合；

针对每一帧静态图像，对对应的静态图像进行对比度变换。

在本发明的一个实施例中，对对应的静态图像进行对比度变换，包括：

通过直方图均衡化方法对对应的静态图像进行对比度变换。

在本发明的一个实施例中，基于扩展卡曼尔滤波策略，利用网络拓扑结构中每个无人机的待选择动作集合优化网络拓扑结构，包括：

基于网络拓扑结构中无人机j(j≠i)的待选择动作集合，无人机i计算无人机j的所有动作策略倾向；

遍历无人机i的待选择动作集合，执行以下过程：基于连续玻尔兹曼方程的自回归模型，无人机i根据从待选择动作集合中选择一待选动作计算无人机j选择该待选动作的策略倾向；基于无人机j选择该待选动作的策略倾向，无人机i通过连续玻尔兹曼分量更新无人机j选择该待选动作的策略概率；基于无人机j选择该待选动作的策略概率，计算无人机i对应所有无人机j选择该待选择动作的联合概率；基于所有无人机j选择该待选择动作的联合概率，计算所有无人机j的最可能待选动作；设计无人机i的奖励函数，基于所有无人机j选择最可能待选动作选择使奖励函数最大化对应无人机i的最佳选择动作；无人机i基于最佳选择动作进行移动，观察无人机j的动作变化；

重复执行上述过程，直至网络拓扑结构中无人机群均趋于稳定状态以优化网络拓扑结构。

在本发明的一个实施例中，对应方法还包括：

对所述监测结果进行配准处理。

在本发明的一个实施例中，对所述监测结果进行配准处理，包括：

利于预设的纠正模型对所述监测结果进行几何纠正；

选取若干几何纠正控制点，利用选取的若干几何纠正控制点对几何纠正后的监测结果进行配置处理。

本发明的有益效果：

本发明提出的基于无人机网络拓扑优化的测绘方法，从拍摄测绘数据的无人机群构成的网络拓扑结构出发，通过优化网络拓扑结构以拍摄更为精确的遥感图像，具体方法包括：计算无人机群中每个无人机的相对高度，并根据相对高度控制无人机飞行到指定高度位置；基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构；根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果；其中，训练好的无人机群姿态识别网络为VGG16网络，利用VGG16网络预测无人机群中每个无人机的待选择动作集合。可见，本发明实施例从两方面优化无人机网络拓扑结构，一方面实时计算网络拓扑结构中每一无人机的相对高度，控制无人机飞行到指定高度位置，以避免无人机监测过程中，由于受外界、环境变化等的影响，使得无人机可以起飞达到预先指定高度位置，在更合理的高度范围对地面进行监测，保证无人机覆盖率，获取更高精度的遥感图像，另一方面，基于无人机群姿态识别网络和扩展卡曼尔滤波策略实现无人机群中每一无人机的自主控制，针对无人机受到外界信号干扰、天气变化等影响导致失控后可自主飞行，其中无人机群姿态识别网络采用的是VGG16网络模型，VGG16网络模型识别局限性小、迁移性好、占用计算资源低，可实现较大规模的无人机姿态的实时识别，再通过扩展卡曼尔滤波策略实时观察无人机群中每个无人机相对其他无人机的移动状态，即使在信号干扰情况下，依然可以基于扩展卡曼尔滤波策略对无人机群中每个无人机做出快速动态调整，使得无人机可以避免在信号干扰下可能出现失控炸机的现象，进而通过快速调整后可以保证无人机覆盖率，进一步获取更高精度的遥感图像。基于上述优化后的网络拓扑结构，可以更好的实现无人机对地面现状的图形和位置信息的监测，以供工程建设的规划设计和行政管理之用。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于无人机网络拓扑优化的测绘方法的流程示意图；

图2是本发明实施例提供的计算无人机群中每个无人机的相对高度的流程示意图；

图3是本发明实施例提供的VGG16网络模型的结构示意图；

图4是本发明实施例提供的利用VGG16网络预测无人机群中每个无人机的待选择动作集合的流程示意图；

图5是本发明实施例提供的基于扩展卡曼尔滤波策略优化网络拓扑结构的流程示意图；

图6是本发明实施例提供的另一种基于无人机网络拓扑优化的测绘方法的流程示意图；

图7是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

为了更好的实现无人机对地面现状的图形和位置信息的监测，以供工程建设的规划设计和行政管理之用，请参见图1，本发明实施例提供了一种基于无人机网络拓扑优化的测绘方法，应用于无人机群构成的网络拓扑结构中，对应方法包括以下步骤：

S10、计算无人机群中每个无人机的相对高度，并根据相对高度控制无人机飞行到指定高度位置。

经发明人研究发现，现有用于无人机飞行高度测量的方法主要包括气压高度计、卫星导航、雷达、超声波以及激光等，相对高度的测量大多采用雷达、超声波以及激光等。其中，雷达、超声波以及激光设备存在成本较高、且需要安装在无人机固定的空间，不利于无人机低成本、灵活性的需求。且经发明人研究还发现，气压高度计、卫星导航是典型无人机标配设备，差分卫星导航***测量精度高，但属于非自主测量，存在卫星导航信号覆盖不全面、信号抗干扰性能差，一旦因为外界遮挡或蓄意干扰会导致卫星导航失效问题；气压高度计属于自主测量，但易受天气变化影响测量精度。

基于上述分析，本发明实施例提供了一种可选方案，在无人机群中每个无人机安装有飞行控制计算机、差分卫星导航***、地面气压高度计和机载气压高度计，请参见图2，在上述配置下计算无人机群中每个无人机的相对高度。

具体地：

计算网络拓扑结构中每个无人机的相对高度之前，包括：利用差分卫星导航***获取每个无人机飞行前与后分别对应的高度信息H₁和H₂，并利用飞行控制计算机，根据高度信息H₁和H₂计算对应的卫星相对高度；利用地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H₄，并利用飞行控制计算机，根据高度信息H₃和H₄计算对应的第一高度变化量；利用机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H₆，并利用飞行控制计算机，根据高度信息H₅和H₆计算对应的第二高度变化量；根据第一高度变化量和第二高度变化量计算参考相对高度；创建参考相对高度映射表，将参考相对高度及对应的卫星相对高度存储于参考相对高度映射表中。可见，本发明实施例在无人机飞行前，分别利用差分卫星导航***、地面气压高度计和机载气压高度计获取高度信息H₁、H₃、H₅，同时在无人机飞行时，分别利用差分卫星导航***、地面气压高度计和机载气压高度计获取高度信息H₂、H₄、H₆，基于H₁、H₃、H₅、H₂、H₄、H₆，本发明实施例设计了两种计算网络拓扑结构中每个无人机的相对高度的方案，具体地：

本发明实施例提供了一种可选方案，每个无人机飞行后，当差分卫星导航***有效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：将卫星相对高度作为网络拓扑结构中每个无人机的相对高度。可见，对于差分卫星导航***有效的情况，利用差分卫星导航***的高精度特性，飞行控制计算机根据飞行机起飞前与后的高度信息H₁和H₂计算每个无人机的相对高度，该卫星相对高度表示为：H₁-H₂，并使用该卫星相对高度H₁-H₂控制飞行到指定高度位置。同时，本发明实施例利用地面气压高度计实时获取无人机飞行前与后的高度信息H₃和H₄，同时考虑到自然环境变化对高度预测的影响，本发明实施例利用机载气压高度计获取无人机飞行前与后的高度信息H₅和H₆，以消除自然环境变化对高度测量的影响，飞行控制计算机计算无人机的第一高度变化量表示为：H₃-H₄，并计算无人机的第二高度变化量表示为：H₅-H₆，进而根据第一高度变化量和第二高度变化量计算无人机的参考相对高度(H₃-H₄)-(H₅-H₆)，该参考相对高度(H₃-H₄)-(H₅-H₆)用于应对差分卫星导航***无效的情况。

接着，本发明实施例创建参考相对高度映射表，记录参考相对高度为50、100、150、200、250、300、350、400、450、500，以及参考相对高度为50、100、150、200、250、300、350、400、450、500时对应的卫星相对高度H₁-H₂。以参考相对高度为50作为实例，当((H₃-H₄)-(H₅-H₆))-50绝对值小于0.5时，将参考相对高度50记录到数组X中的X[1]中，并将X[1]设为只读模式，同时将卫星相对高度H₁-H₂记录到数组Y中的Y[1]中，并将Y[1]设为只读模式；类似的，参考相对高度为150作为实例，当((H₃-H₄)-(H₅-H₆))-150绝对值小于0.5时，将参考相对高度150记录到数组X中的X[3]中，并将X[3]设为只读模式，同时将卫星相对高度H₁-H₂记录到数组Y中的Y[3]中，并将Y[3]设为只读模式。最后将只读模式的数组X、数组Y一一对应存储于参考相对高度映射表。这里，也可以直接将参考相对高度(H₃-H₄)-(H₅-H₆)存储于参考相对高度映射表中，但为了后续计算方便，本发明实施例将参考相对高度(H₃-H₄)-(H₅-H₆)在某一预设误差内(比如0.5)的取整结果作为参考相对高度映射表中的参考相对高度。

本发明实施例提供了另一种可选方案，每个无人机飞行后，当差分卫星导航***无效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：利用地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H'₄，并利用飞行控制计算机，根据高度信息H₃和H'₄计算对应的第三高度变化量；利用机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H'₆，并利用飞行控制计算机，根据高度信息H₅和H'₆计算对应的第四高度变化量；根据第三高度变化量和第四高度变化量计算每个无人机的实际相对高度；利用每个无人机的实际相对高度查找所述参考相对高度映射表读取对应的参考相对高度及卫星相对高度，将卫星相对高度作为对应每个无人机的相对高度。可见，对于差分卫星导航***无效的情况，从参考相对高度映射表获取相关信息并计算无人机飞行的相对高度。如何通过参考相对高度映射表计算无人机飞行的相对高度，本发明实施例设计了一种方案，首先利用地面气压高度计获取当前无人机飞行时的高度信息H'₄，以及机载气压高度计获取当前无人机飞行时的高度信息H'₆，结合之前获取的无人机飞行前的高度信息H₃、H₅，利用飞行控制计算机计算无人机的第三高度变化量表示为：H₃-H'₄，以及第四高度变化量表示为H₅-H'₆，并根据第三高度变化量和第四高度变化量计算无人机的实际相对高度(H₃-H'₄)-(H₅-H'₆)，根据实际相对高度查找参考相对高度映射表，从参考相对高度映射表中读取对应的参考相对高度及卫星相对高度，将卫星相对高度作为对应每个无人机的相对高度。

本发明实施例提供了一种可选方案，从参考相对高度映射表中读取对应的参考相对高度及卫星相对高度，包括：根据实际相对高度查找参考相对高度表时，首先从参考相对表中查找并读取与实际相对高度对应的参考相对高度，然后利用比例插值法计算并读取与参考相对高度对应的卫星相对高度。

比如，参考相对高度表中，存储的参考相对高度分别为50、100、150、200、250、300、350、400、450、500，即数组X中：X[1]为50，X[2]为100，X[3]为150，X[4]为200，X[5]为250，X[6]为300，X[7]为350，X[8]为400，X[9]为450，X[10]为500，对应存储的卫星相对高度为100、200、300、400、500、600、700、800、900、1000，即数组Y中：Y[1]为100，Y[2]为200，Y[3]为300，Y[4]为400，Y[5]为500，Y[6]为600，Y[7]为700，Y[8]为800，Y[9]为900，Y[10]为1000。若此时计算得到的实际相对高度为100，则在参考相对高度表中可以查找到参考相对高度为100的记录，即为参考相对高度X[2]，则进一步查找与参考相对高度X[2]对应的卫星相对高度Y[2]，并将卫星相对高度Y[2]作为当前无人机的相对高度，即将200作为当前无人机的相对高度，利用该相对高度控制无人机飞行到指定高度位置；若此时计算得到的实际相对高度为325，则在参考相对高度表中并没有直接记录的325，此时本发明实施例首先计算参考相对高度，可以看到的是325是位于X[6]＝300与X[7]＝350的中间值，则对应可以取Y[6]＝600与Y[7]＝700的中间值650作为当前无人机的相对高度，利用该相对高度控制无人机飞行到指定高度位置；若此时计算得到的实际相对高度为410，则在参考相对高度表中并没有直接记录的410，此时本发明实施例利用计算参考相对高度，可以看到的是410是位于X[8]＝400与X[9]＝450之间，可以确定410至400和450的一个比例关系，X[8]＝400和X[9]＝450之间的差值为50，410距X[8]＝400占差值的1/5，410距X[9]＝450占差值的4/5，根据这个比例关系，则对应可以取Y[8]＝800与Y[9]＝900之间的值，按比例插值计算，Y[8]＝800和Y[9]＝900之间的差值为100，本发明实施例可以取Y[8]＝800加差值的1/5作为卫星相对高度，即计算将820作为当前无人机的相对高度，利用该相对高度控制无人机飞行到指定高度位置，也可以取Y[9]＝900减差值的4/5作为卫星相对高度，即依然计算将820作为当前无人机的相对高度，利用该相对高度控制无人机飞行到指定高度位置；其他情况计算类似，在此不再赘述。

本发明实施例采用差分卫星导航***作为主测量单元，地面气压高度计、机载气压高度计作为备测量单元，通过实时修正技术实现无人机相对高度的测量，能够有效解决差分卫星导航***失效时，无人机相对高度高精度测量问题，实现无人机群构成的网络拓扑结构中每个无人机飞行高度的精确控制。

S20、基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；其中，训练好的无人机群姿态识别网络为VGG16网络，利用VGG16网络预测无人机群中每个无人机的待选择动作集合。

在本发明实施例中，训练好的无人机群姿态识别网络为VGG16网络，请参见图3，该VGG16网络由13个卷积层、3个全连接层和5个池化层所组成。首先经过两次由64个3*3大小的卷积核组成的卷积层，步长为1，然后经过一次2*2大小的最大池化层，步长为2；再经过两次由128个3*3大小的卷积核组成的卷积层，步长为1，然后经过一次2*2大小的最大池化层，步长为2；再经过三次由256个3*3大小的卷积核组成的卷积层，步长为1，然后经过一次2*2大小的最大池化层，步长为2；再经过三次512个3*3卷积核大小的卷积层，步长为1，然后经过一次2*2大小的最大池化层，步长为2；再经过三次512个3*3卷积核大小的卷积层，步长为1，然后经过一次2*2大小的最大池化层，步长为2；之后经过3个全连接层。

最后，通过SoftMax回归分类器输出预测分类结果。

进一步地，请参见图4，本发明实施例利用VGG16网络预测无人机群中每个无人机的待选择动作集合，包括：

S201、获取无人机群中每个无人机的历史运动姿态集合。

本发明实施例获取的无人机历史运动姿态集合，包括无人机群中每个无人机在城市、草地、沙漠、戈壁、海洋等多个场景下的运动视频，将无人机拍摄的运动视频根据无人机的运动方向分类为“前”、“后”、“左”、“右”、“悬停”、“左前”、“左后”、“右前”、“右后”9种运动姿态。

S202、将历史运动姿态集合作为训练数据输入初始的VGG16网络进行训练。

在本发明的实施例中，将历史运动姿态集合输入初始的VGG16网络之前，还包括：

将运动姿态集合中每一视频数据转化为多帧静态图像；

针对每一帧静态图像，通过直方图均衡化方法对对应的静态图像进行对比度变换，对比度变换公式表示为：其中，n表示每一帧静态图像的总像素个数，表示每一帧静态图像中灰度级为i的像素个数，k表示图像灰度级的级数。

将经过上述灰度变换的每一帧静态图像作为训练数据输入初始的VGG16网络进行训练，训练过程可以采用现有的算法，比如采用Adam梯度下降优化算法，训练迭代过程中使用交叉熵计算损失函数，进行最大迭代次数迭代后得到训练好的VGG16网络。n_i

S203、将每个无人机飞行中当前运动姿态集合输入训练好的VGG16网络得到每个无人机的待选择动作集合。

获取无人机群中每个无人机飞行过程中当前运动姿态集合，在将当前运动姿态集合输入训练好的VGG16网络之前，类似历史运动姿态集合，需要将运动姿态集合中每一视频数据转化为多帧静态图像；针对每一帧静态图像，通过直方图均衡化方法对对应的静态图像进行对比度变换。最后将对比度变换的当前运动姿态集合输入训练好的VGG16网络得到每个无人机的待选择动作集合。待选择动作集合是对每个无人机移动方向的预测。

S30、基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构。

在本发明实施例中，请参见图5，基于扩展卡曼尔滤波策略，利用网络拓扑结构中每个无人机的待选择动作集合优化网络拓扑结构，包括：

S301、基于网络拓扑结构中无人机j(j≠i)的待选择动作集合，无人机i计算无人机j的所有动作策略倾向，公式表示为：

其中，i∈N,N＝{1,2,…,i,…,n}，N表示无人机群的集合，n表示无人机群中无人机的数量，表示t-1时刻无人机i计算无人机j的所有动作策略倾向，α_h表示h时刻的相关系数，/>表示h时刻无人机i计算无人机j的动作策略倾向，ε(t-1)表示t-1时刻的随机误差项。

遍历无人机i的待选择动作集合，执行以下过程：

S302、基于连续玻尔兹曼方程的自回归模型，无人机i根据从待选择动作集合中选择一待选动作计算无人机j选择该待选动作的策略倾向。

本发明实施例中，无人机i的待选择动作集合记为Αⁱ，无人机j的待选择动作集合记为A^j，无人机i从待选择动作集合Αⁱ中选择一待选动作记待选动作/>包括“前”、“后”、“左”、“右”、“悬停”、“左前”、“左后”、“右前”、“右后”9种姿态动作。则无人机j选择该待选动作/>的策略倾向公式表示为：

其中，表示在t-1时刻无人机j选择待选动作/>的策略倾向，/>表示在t-1时刻无人机j选择待选动作/>的策略倾向，/>表示在t-1时刻无人机j选择待选动作/>的策略倾向噪。

S303、基于无人机j选择该待选动作的策略倾向，无人机i通过连续玻尔兹曼分量更新无人机j选择该待选动作的策略概率；

本发明实施例中，无人机j的策略概率公式表示为：

其中，表示在t时刻无人机j选择待选动作/>的策略概率，/>表示在t时刻无人机j选择待选动作/>的策略倾向，/>表示无人机j在策略倾向/>处的连续玻尔兹曼分量，τ表示连续玻尔兹曼方程中的熵值参数，A^j表示无人机j的待选动作集合。

S304、基于无人机j选择该待选动作的策略概率，计算无人机i对应所有无人机j选择该待选择动作的联合概率；

本发明实施例中，无人机i对应所有无人机j选择待选择动作的联合概率公式表示为：

S305、基于所有无人机j选择该待选择动作的联合概率，计算所有无人机j的最可能待选动作；

本发明实施例中，将联合概率转换为纯策略，该转换方式有利于将无人机群中每个无人机更大的概率选择相同的姿态动作策略，将该选择的相同姿态动作作为所有无人机j在当前时刻最大可能选择的待选动作，记为a，则计算所有无人机j的最可能的待选动作公式表示为：

其中，表示所有无人机j的最可能待选动作，/>表示无人机i对应所有无人机j选择最可能待选动作/>的联合概率。

S306、设计无人机i的奖励函数，基于所有无人机j选择最可能待选动作选择使奖励函数最大化对应无人机i的最佳选择动作；

本发明实施例中，设计的无人机i的奖励函数公式表示为：

其中，表示在t时刻无人机i的奖励函数，/>表示无人机i的Αⁱ中一待选动作，表示在t时刻无人机i选择待选动作/>的策略概率，/>表示所有无人机j的最可能待选动作，/>表示在t时刻无人机i对应所有无人机j选择最可能待选动作/>的联合概率，Αⁱ表示无人机i的待选动作集合，c表示惩罚系数，/>表示在t时刻无人机i选择待选动作/>与无人机j选择最大可能待选动作/>时的奖励函数值，/>表示无人机i选择待选动作/>的取值函数，当无人机i与无人机j倾向于选择相同的待选动作时，当无人机i与无人机j倾向于选择不同的待选动作时，A^j表示无人机j的待选动作集合。

基于奖励函数和最佳响应决策公式，并通过Adam梯度下降算法得到最优决策，使得奖励函数最大化得到对应无人机i的最佳选择动作公式表示为：

其中，表示在t时刻无人机i应用最佳响应决策规则对应的最佳响应决策。

S307、无人机i基于最佳选择动作进行移动，观察无人机j的动作变化。

重复执行上述S302～S307过程，直至网络拓扑结构中无人机群均趋于稳定状态以优化网络拓扑结构。

S40、根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果。基于优化后的网络拓扑结构，可以拍摄得到精确的遥感影像。

进一步地，本发明实施例为了获得更为精确的遥感影像，请参见图6，对应方法还包括：

S50、对监测结果进行配准处理。

本发明实施例提供了一种可选方案，对监测结果进行配准处理，包括：利于预设的纠正模型对监测结果进行几何纠正；选取若干几何纠正控制点，利用选取的若干几何纠正控制点对几何纠正后的监测结果进行配置处理。具体地：

在本发明实施例中，选取合适的纠正模型，比如可以选取有理函数纠正模型(Rational Function Model-RFM)和几何多项式模型等，对输入的监测结果进行几何纠正。以有理函数纠正模型为例，有理函数纠正模型是将像点坐标(r,c)表示为以相应地面点空间(X,Y,Z)为自变量的多项式的比值，通过计算函数多项式里的系数，从而构造大地坐标与遥感影像坐标之间的关系，其中多项式的项数越多，拟合的精度越高，之后用该多项式对遥感影像进行纠正，这里遥感影像即为监测结果。

然后，选取若干几何纠正控制点，在基础底图和高程数据的基础上，根据选取的多个不同数量且分布均匀的纠正控制点，对纠正后的监测结果进行配准，以确保监测过程中监测结果的纠正精度，从而更好的满足测绘要求。这里，如何基于基础底图和高程数据进行配准，可以参考现有技术，在此不再赘述。

综上所述，本发明实施例提出的基于无人机网络拓扑优化的测绘方法，从拍摄测绘数据的无人机群构成的网络拓扑结构出发，通过优化网络拓扑结构以拍摄更为精确的遥感图像，具体方法包括：计算无人机群中每个无人机的相对高度，并根据相对高度控制无人机飞行到指定高度位置；基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构；根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果；其中，训练好的无人机群姿态识别网络为VGG16网络，利用VGG16网络预测无人机群中每个无人机的待选择动作集合。可见，本发明实施例从两方面优化无人机网络拓扑结构，一方面实时计算网络拓扑结构中每一无人机的相对高度，控制无人机飞行到指定高度位置，以避免无人机监测过程中，由于受外界、环境变化等的影响，使得无人机可以起飞达到预先指定高度位置，在更合理的高度范围对地面进行监测，保证无人机覆盖率，获取更高精度的遥感图像，另一方面，基于无人机群姿态识别网络和扩展卡曼尔滤波策略实现无人机群中每一无人机的自主控制，针对无人机受到外界信号干扰、天气变化等影响导致失控后可自主飞行，其中无人机群姿态识别网络采用的是VGG16网络模型，VGG16网络模型识别局限性小、迁移性好、占用计算资源低，可实现较大规模的无人机姿态的实时识别，再通过扩展卡曼尔滤波策略实时观察无人机群中每个无人机相对其他无人机的移动状态，即使在信号干扰情况下，依然可以基于扩展卡曼尔滤波策略对无人机群中每个无人机做出快速动态调整，使得无人机可以避免在信号干扰下可能出现失控炸机的现象，进而通过快速调整后可以保证无人机覆盖率，进一步获取更高精度的遥感图像。基于上述优化后的网络拓扑结构，可以更好的实现无人机对地面现状的图形和位置信息的监测，以供工程建设的规划设计和行政管理之用。

请参见图7，本发明实施例提供了一种电子设备，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701、通信接口702、存储器703通过通信总线704完成相互的通信；

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现上述基于无人机网络拓扑优化的测绘方法的步骤。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述基于无人机网络拓扑优化的测绘方法的步骤。

对于电子设备/存储介质实施例而言，由于其基本相近于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看说明书及其附图，可理解并实现所述公开实施例的其他变化。在说明书中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于无人机网络拓扑优化的测绘方法，其特征在于，应用于无人机群构成的网络拓扑结构中，对应方法包括：

计算无人机群中每个无人机的相对高度，并根据所述相对高度控制无人机飞行到指定高度位置；

基于训练好的无人机群姿态识别网络识别无人集群中控制飞行高度后的每个无人机的待选择动作集合；其中，训练好的无人机群姿态识别网络为VGG16网络，利用所述VGG16网络预测无人机群中每个无人机的待选择动作集合；

基于扩展卡曼尔滤波策略，利用无人集群中每个无人机的待选择动作集合优化网络拓扑结构；

根据优化后的网络拓扑结构进行测绘数据监测，并输出相应的监测结果；

其中，所述无人机群中每个无人机安装有飞行控制计算机、差分卫星导航***、地面气压高度计和机载气压高度计；对应计算网络拓扑结构中每个无人机的相对高度之前，还包括：

利用所述差分卫星导航***获取每个无人机飞行前与后分别对应的高度信息H₁和H₂，并利用所述飞行控制计算机，根据高度信息H₁和H₂计算对应的卫星相对高度；利用所述地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H₄，并利用所述飞行控制计算机，根据高度信息H₃和H₄计算对应的第一高度变化量；利用所述机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H₆，并利用所述飞行控制计算机，根据高度信息H₅和H₆计算对应的第二高度变化量；根据所述第一高度变化量和所述第二高度变化量计算参考相对高度；创建参考相对高度映射表，将所述参考相对高度及对应的卫星相对高度存储于所述参考相对高度映射表中；

每个无人机飞行后，当所述差分卫星导航***有效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：

将所述卫星相对高度作为网络拓扑结构中每个无人机的相对高度；

每个无人机飞行后，当所述差分卫星导航***无效时，对应计算网络拓扑结构中每个无人机的相对高度的过程，包括：

利用所述地面气压高度计获取每个无人机飞行前与后分别对应的高度信息H₃和H'₄，并利用所述飞行控制计算机，根据高度信息H₃和H'₄计算对应的第三高度变化量；利用所述机载气压高度计获取每个无人机飞行前与后分别对应的高度信息H₅和H'₆，并利用所述飞行控制计算机，根据高度信息H₅和H'₆计算对应的第四高度变化量；

根据所述第三高度变化量和所述第四高度变化量计算每个无人机的实际相对高度；利用每个无人机的实际相对高度查找所述参考相对高度映射表读取对应的参考相对高度及卫星相对高度，将所述卫星相对高度作为对应每个无人机的相对高度。

2.根据权利要求1所述的基于无人机网络拓扑优化的测绘方法，其特征在于，利用所述VGG16网络预测无人机群中每个无人机的待选择动作集合，包括：

获取无人机群中每个无人机的历史运动姿态集合；

将所述历史运动姿态集合作为训练数据输入初始的VGG16网络进行训练；

并将每个无人机飞行中当前运动姿态集合输入训练好的VGG16网络得到每个无人机的待选择动作集合。

3.根据权利要求2所述的基于无人机网络拓扑优化的测绘方法，其特征在于，将所述历史运动姿态集合输入初始的VGG16网络或所述当前运动姿态集合输入训练好的VGG16网络之前，还包括：

将运动姿态集合中每一视频数据转化为多帧静态图像；其中，所述运动姿态集合包括所述历史运动姿态集合和所述当前运动姿态集合；

针对每一帧静态图像，对对应的静态图像进行对比度变换。

4.根据权利要求3所述的基于无人机网络拓扑优化的测绘方法，其特征在于，对对应的静态图像进行对比度变换，包括：

通过直方图均衡化方法对对应的静态图像进行对比度变换。

5.根据权利要求1所述的基于无人机网络拓扑优化的测绘方法，其特征在于，基于扩展卡曼尔滤波策略，利用网络拓扑结构中每个无人机的待选择动作集合优化网络拓扑结构，包括：

基于网络拓扑结构中无人机j(j≠i)的待选择动作集合，无人机i计算无人机j的所有动作策略倾向；

遍历无人机i的待选择动作集合，执行以下过程：基于连续玻尔兹曼方程的自回归模型，无人机i根据从待选择动作集合中选择一待选动作计算无人机j选择该待选动作的策略倾向；基于无人机j选择该待选动作的策略倾向，无人机i通过连续玻尔兹曼分量更新无人机j选择该待选动作的策略概率；基于无人机j选择该待选动作的策略概率，计算无人机i对应所有无人机j选择该待选择动作的联合概率；基于所有无人机j选择该待选择动作的联合概率，计算所有无人机j的最可能待选动作；设计无人机i的奖励函数，基于所有无人机j选择最可能待选动作选择使奖励函数最大化对应无人机i的最佳选择动作；无人机i基于最佳选择动作进行移动，观察无人机j的动作变化；

重复执行上述过程，直至网络拓扑结构中无人机群均趋于稳定状态以优化网络拓扑结构。

6.根据权利要求1所述的基于无人机网络拓扑优化的测绘方法，其特征在于，对应方法还包括：

对所述监测结果进行配准处理。

7.根据权利要求6所述的基于无人机网络拓扑优化的测绘方法，其特征在于，对所述监测结果进行配准处理，包括：

利于预设的纠正模型对所述监测结果进行几何纠正；

选取若干几何纠正控制点，利用选取的若干几何纠正控制点对几何纠正后的监测结果进行配置处理。