CN117320236B - 无人机的照明控制方法及*** - Google Patents

Abstract

本申请涉及无人机控制技术领域，公开了一种无人机的照明控制方法及***。所述方法包括：对目标无人机进行飞行状态监测，得到目标飞行状态数据并进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；进行状态识别，得到飞行状态特征集合并进行特征提取，得到照明功率特征集合和设备温度特征集合；进行特征编码转换，生成功率状态影响向量和温度状态影响向量；通过飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；通过飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；进行协同照明控制并进行异常状态监测，输出异常状态处理方案，本申请提高了无人机的散热效率和照明操作的智能性。

Description

无人机的照明控制方法及***

技术领域

本申请涉及无人机控制领域，尤其涉及一种无人机的照明控制方法及***。

背景技术

无人机的广泛应用提升了对其飞行效率与安全性的要求。随着无人机技术的快速发展，它们被广泛用于地理测绘、农业监测、灾害救援等多个领域。在这些应用中，无人机往往需要在复杂的环境中执行任务，如夜间飞行、恶劣天气条件下操作等。因此，研发一种高效的照明控制方法，不仅能提升无人机在夜间或低光环境中的操作效率，还能极大增强其在执行任务时的安全性。

智能控制技术的发展为无人机照明控制提供了新的可能性。随着大数据、云计算、人工智能等技术的快速进步，无人机的智能化水平不断提升。通过集成先进的传感器、数据处理算法和控制***，无人机能够实现更加精准和自动化的照明控制。这种智能化控制不仅能够根据环境和飞行状态自动调整照明设备，还能实时监测并响应潜在的异常状态，从而提升整体操作的灵活性和可靠性。

随着无人机应用领域的不断拓展，对其功能的要求也在日益增加。无人机在执行夜间摄影、紧急救援等任务时，高效的照明控制显得尤为重要。这种照明控制方法能够确保无人机在复杂环境中保持良好的视觉效果，同时也有助于减少能耗和延长设备寿命。因此，这项技术不仅提高了无人机的实用性，还为其在更多领域的应用奠定了基础。

发明内容

本申请提供了一种无人机的照明控制方法及***，用于提高了无人机的散热效率和照明操作的智能性。

第一方面，本申请提供了一种无人机的照明控制方法，所述无人机的照明控制方法包括：

对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。

第二方面，本申请提供了一种无人机的照明控制***，所述无人机的照明控制***包括：

监测模块，用于对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

识别模块，用于对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

编码模块，用于对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

照明分析模块，用于将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

散热分析模块，用于将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

协同控制模块，用于根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。

本申请提供的技术方案中，通过实时监测无人机的飞行状态数据和照明设备的功率、温度数据，该方法能够精确调整照明强度和模式，以适应不同的飞行条件和环境需求。这不仅提高了照明的能效，也确保了在各种环境下的最佳照明效果。该方法通过实时监测和分析无人机的飞行状态与照明设备的运行状况，及时调整照明策略和散热控制，从而保证了无人机在复杂环境下的安全飞行。同时，对照明设备的异常状态进行实时监测和处理，进一步提高了无人机的可靠性。利用先进的数据处理和分析技术，该方法能够自动识别和响应飞行状态的变化，实现照明和散热控制的智能化。这减少了人工干预的需要，提高了操作效率和准确性。通过优化照明功率和散热控制，该方法有助于降低能源消耗，从而减少电池负担，延长无人机的飞行时间和设备寿命。长远来看，这不仅有利于环境保护，也降低了运维成本。该控制方法设计灵活，易于根据不同类型和规格的无人机进行调整和优化。此外，其核心技术和原理可以应用于其他类型的无人机***，具有良好的扩展性，进而提高了无人机的散热效率和照明操作的智能性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中无人机的照明控制方法的一个实施例示意图；

图2为本申请实施例中无人机的照明控制***的一个实施例示意图。

具体实施方式

本申请实施例提供了一种无人机的照明控制方法及***。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中无人机的照明控制方法的一个实施例包括：

步骤S101、对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

可以理解的是，本申请的执行主体可以为无人机的照明控制***，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，首先，通过预置的惯性测量单元（IMU）传感器阵列对目标无人机进行飞行状态监测，这包括速度、高度、姿态等飞行参数的实时收集，从而获得初始飞行状态数据。同时，通过安装在无人机上的功率传感器阵列对照明设备进行功率检测，以及通过温度传感器阵列对照明设备进行温度检测，分别获得初始照明功率数据和初始设备温度数据。这些传感器阵列不仅能够提供精确的实时数据，还能够通过其高灵敏度确保数据的准确性和可靠性。接下来，分别将这些初始数据传输至预置的中央控制***。该***负责对收集到的初始飞行状态数据进行数据滤波和去噪处理，从而得到更加准确和干净的目标飞行状态数据。数据滤波和去噪过程中，采用如卡尔曼滤波器等先进算法，以去除由于传感器误差、环境干扰等因素引入的噪声，确保数据质量。接着，中央控制***对初始照明功率数据和初始设备温度数据进行标准差阈值计算。通过这一计算，***确定数据的正常波动范围，并据此设置第一标准差阈值和第二标准差阈值。随后，通过这些标准差阈值，中央控制***对初始照明功率数据和初始设备温度数据进行异常值去除处理。排除由于设备故障、环境变化等非正常因素造成的数据异常，从而确保所得到的目标照明功率数据和目标设备温度数据的准确性和可靠性。最终，处理后的目标照明功率数据和目标设备温度数据将用于后续的无人机照明控制流程中，以实现对无人机照明***的高效、精确控制。

步骤S102、对目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对目标照明功率数据和目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

具体的，首先，获取目标无人机的多个状态参数标签，包括位置、速度、高度及姿态等关键参数。这些参数标签为状态识别提供了必要的维度，使得对飞行状态的分析更加全面和精确。接下来，基于这些多样的状态参数标签，确定目标飞行状态数据的多个状态参数聚类中心。通过聚类分析方法，如K-均值聚类，将相似的状态数据分组，从而识别出代表性的飞行状态模式。随后，对每个状态参数聚类中心的目标状态参数聚类结果进行特征值映射，进而得到飞行状态特征集合。这一过程中，特征值映射的作用在于将原始的飞行状态数据转换成更加抽象和概括的特征表示，便于后续的数据处理和分析。而为了进一步分析照明功率和设备温度的变化特征，***还需要获取目标照明功率数据的第一时间戳数据以及目标设备温度数据的第二时间戳数据。接下来，对目标照明功率数据和第一时间戳数据进行曲线拟合，生成照明功率变化曲线。在这一过程中，曲线拟合不仅能够揭示功率数据随时间的变化趋势，还能帮助识别关键的变化节点或特征点。通过对这些特征点的识别和提取，可以得到照明功率特征集合，这些特征有助于理解和预测无人机照明***的性能。同样的方法也用于处理目标设备温度数据和第二时间戳数据，通过曲线拟合得到设备温度变化曲线，并进一步进行特征点的识别和提取，最终得到设备温度特征集合。通过以上步骤，***不仅能够准确捕捉并分析无人机的飞行状态，还能深入理解照明功率和设备温度的变化规律。这些分析结果为后续的照明控制提供了数据基础。

步骤S103、对照明功率特征集合和飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对设备温度特征集合和飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

具体的，首先，对飞行状态特征集合进行均值和标准差的计算，获取飞行状态特征的统计特性，包括其平均水平和变异程度，从而为后续的特征权重分配提供依据。同样的计算也应用于照明功率特征集合和设备温度特征集合，以获取这些特征的均值和标准差。接下来，基于这些统计结果进行差异系数的计算。差异系数是一个描述特征变异程度相对于均值的重要指标，它能够反映不同特征之间的相对重要性。通过计算状态特征均值、状态特征标准差、功率特征均值和功率特征标准差的差异系数，可以得到第一差异系数。第一差异系数的计算结果用于生成第一特征权重数据，这些权重数据反映了不同特征在整个照明控制***中的相对重要性。随后，根据第一特征权重数据对照明功率特征集合和飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量。将原始特征数据通过编码转换成为模型可用的形式，即影响向量。这些影响向量不仅包含了原始数据的关键信息，还融合了特征之间的相对重要性，从而为后续的控制决策提供更加准确和有效的输入。随后，通过对状态特征均值、状态特征标准差、温度特征均值和温度特征标准差进行差异系数计算，得到第二差异系数。第二差异系数同样用于生成第二特征权重数据，这些数据随后被用于对设备温度特征集合和飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量。

步骤S104、将功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

具体的，首先，将功率状态影响向量输入到预设的飞行照明分析模型中。这个模型是一个多层次的神经网络结构，包含输入层、多个策略分析网络层以及输出层。然后，输入层接收功率状态影响向量，并对其进行标准化处理以生成标准功率状态向量。标准化的目的是为了统一不同数据源的尺度，确保模型分析的准确性和一致性。随后，这个标准化后的功率状态向量被分发到模型中的多个策略分析网络。每个策略分析网络内部包含一个随机森林网络，这是一种高效的集成学习方法，通过构建多个决策树来进行复杂数据分析和模式识别。每个随机森林网络负责对标准功率状态向量进行详细的照明强度和照明模式分析，从而生成针对每种情况的初始照明策略。随机森林网络的优势在于它能处理大量的输入特征并且对数据噪声具有较强的抵抗力，这使得它适合用于复杂和多变的飞行环境下的照明分析。这些不同的随机森林网络生成的初始照明策略随后被汇总到输出层。在输出层，这些策略经过综合融合处理，产生最终的飞行照明操作方案。策略融合考虑了各个策略分析网络生成的多个初始照明策略，并综合这些策略的优势，排除冗余或相互矛盾的部分，以得到一个既全面又高效的飞行照明操作方案。这个操作方案不仅考虑了照明强度和模式的最优化，还考虑了无人机的当前飞行状态和能源效率，确保在满足照明需求的同时，也保证了无人机的能源效率和飞行安全。

步骤S105、将温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

具体的，首先，将温度状态影响向量输入预置的飞行散热控制模型中，该模型是一个复杂的神经网络，包括双层门限循环单元、单层门限循环单元以及全连接网络这三个主要部分。在模型的第一部分，即双层门限循环单元，共有256个门限循环单元被用于对输入的温度状态影响向量进行深入的特征分析，从而提取出温度隐藏特征向量。这些门限循环单元在处理时序数据方面表现出色，能够有效捕捉温度数据随时间变化的动态特性。然后，通过单层门限循环单元中的128个门限循环单元对温度隐藏特征向量进行特征解码，对隐藏特征向量进行进一步的解码处理，从而得到目标解码特征序列，将复杂的温度特征转换成更加具体和可操作的形式，为最终的散热控制参数提供了基础。最后，通过模型的全连接网络中的ReLU（Rectified Linear Unit）函数，对目标解码特征序列进行运算，以生成飞行散热控制参数集合。ReLU函数在处理非线性问题时效果显著，它能够有效地增强模型的学习能力和表达能力。运用这些控制参数，最终形成的飞行散热控制方案不仅能够精准地调节无人机的散热***，还能够根据不同的飞行条件和环境变化做出相应的调整。通过这一系列的处理和转换，飞行散热控制模型能够将复杂的温度状态数据转化为实际可行的散热控制方案，确保无人机在执行任务时的温度始终保持在安全范围内。这种智能化的温度管理策略不仅提高了无人机的可靠性和安全性，也延长了其使用寿命，为无人机的高效运行提供了有力保障。

步骤S106、根据飞行照明操作方案以及飞行散热控制方案对目标无人机进行协同照明控制，并对目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。

具体的，首先，将飞行照明操作方案与飞行散热控制方案进行综合整合，以形成一个统一的无人机照明控制方案。这一整合过程不仅需要考虑照明强度和模式的最优化，还需考虑到散热需求和无人机的整体性能。通过整合这两个方案，可以确保无人机在执行任务时既能保持良好的照明效果，又能有效地控制设备温度，从而避免因过热造成的损害。接下来，通过预置的多变量协同控制算法，根据无人机照明控制方案对目标无人机进行协同照明控制。这个算法基于无人机的实际飞行条件和环境变化，动态调整照明设备的功率和散热***的运行状态。多变量协同控制算法的关键在于其能够同时处理多种输入变量，并根据这些变量的实时变化做出快速而准确的控制决策。这种算法的运用确保了无人机在各种飞行环境下的照明和散热***都能协同高效地工作。然后，对目标无人机的照明设备进行异常状态监测，得到异常状态监测数据。通过不断收集照明设备的运行数据，如功率消耗、温度变化等，***能够及时发现任何的异常状态。这些异常状态监测数据随后被用于进行异常状态处理匹配，通过分析监测数据，识别的故障原因，并根据这些信息输出相应的异常状态处理方案。例如，如果监测到的数据显示照明设备温度异常升高，***会提出降低功率消耗或增强散热效果的处理方案。

本申请实施例中，通过实时监测无人机的飞行状态数据和照明设备的功率、温度数据，该方法能够精确调整照明强度和模式，以适应不同的飞行条件和环境需求。这不仅提高了照明的能效，也确保了在各种环境下的最佳照明效果。该方法通过实时监测和分析无人机的飞行状态与照明设备的运行状况，及时调整照明策略和散热控制，从而保证了无人机在复杂环境下的安全飞行。同时，对照明设备的异常状态进行实时监测和处理，进一步提高了无人机的可靠性。利用先进的数据处理和分析技术，该方法能够自动识别和响应飞行状态的变化，实现照明和散热控制的智能化。这减少了人工干预的需要，提高了操作效率和准确性。通过优化照明功率和散热控制，该方法有助于降低能源消耗，从而减少电池负担，延长无人机的飞行时间和设备寿命。长远来看，这不仅有利于环境保护，也降低了运维成本。该控制方法设计灵活，易于根据不同类型和规格的无人机进行调整和优化。此外，其核心技术和原理可以应用于其他类型的无人机***，具有良好的扩展性，进而提高了无人机的散热效率和照明操作的智能性。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的IMU传感器阵列对目标无人机进行飞行状态监测，得到初始飞行状态数据；

（2）通过预置的功率传感器阵列对目标无人机的照明设备进行功率检测，得到初始照明功率数据，并通过预置的温度传感器阵列对目标无人机的照明设备进行温度检测，得到初始设备温度数据；

（3）分别将初始飞行状态数据、初始照明功率数据以及初始设备温度数据传输至预置的中央控制***；

（4）通过中央控制***对初始飞行状态数据进行数据滤波和数据去噪，得到目标飞行状态数据；

（5）通过中央控制***分别对初始照明功率数据以及初始设备温度数据进行标准差阈值计算，得到初始照明功率数据的第一标准差阈值和初始设备温度数据的第二标准差阈值；

（6）通过第一标准差阈值，对初始照明功率数据进行异常值去除，得到目标照明功率数据，并通过第二标准差阈值，对初始设备温度数据进行异常值去除，得到目标设备温度数据。

具体的，首先，通过预置的IMU（惯性测量单元）传感器阵列对无人机进行飞行状态监测。IMU传感器阵列能够精确测量无人机的加速度、旋转速率和方向，从而提供关于无人机位置、速度和姿态的初始飞行状态数据。例如，当无人机在空中执行飞行任务时，IMU传感器阵列可以实时捕捉其倾斜角度、高度变化和加速度等关键飞行参数。为了确保照明***的有效运行，无人机上还装备了功率传感器阵列和温度传感器阵列。功率传感器阵列对无人机照明设备的功率消耗进行监测，从而得到初始照明功率数据。例如，如果无人机正在进行夜间飞行，功率传感器会记录下照明灯具消耗的电力量，以便于监控和控制能耗。同时，温度传感器阵列监测照明设备的温度，以获取初始设备温度数据。例如在高温环境下执行任务时，温度传感器能够及时检测到照明设备的温度升高，以便采取相应措施。接下来，分别将这些初始飞行状态数据、初始照明功率数据以及初始设备温度数据传输至预置的中央控制***。中央控制***是无人机照明控制的大脑，它负责处理和分析从各个传感器收集来的数据。在处理初始飞行状态数据时，中央控制***执行数据滤波和去噪操作，以确保得到准确无误的目标飞行状态数据。例如，通过使用卡尔曼滤波器或其他高级滤波算法，可以去除由于传感器误差或外部环境干扰导致的噪音，从而获得更为精确的飞行状态信息。同时，中央控制***对初始照明功率数据和初始设备温度数据进行标准差阈值计算，识别和剔除的异常值，确保数据的可靠性和有效性。例如，通过计算初始照明功率数据的标准差，***确定功率数据的正常波动范围，超出这个范围的数据是由设备故障或其他异常情况引起的，应当被视为异常值并予以剔除。同样的方法也用于处理初始设备温度数据，通过计算第二标准差阈值，***能够识别出温度数据中的异常波动。在确定了第一和第二标准差阈值之后，中央控制***分别对初始照明功率数据和初始设备温度数据进行异常值去除。例如，如果某一时刻的照明功率数据远高于平均水平并超出了第一标准差阈值，这个数据点将被视为异常并被剔除。同理，如果检测到的设备温度突然升高到异常范围，这一温度读数也会被排除在外。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）获取目标无人机的多个状态参数标签，多个状态参数标签包括：位置参数标签、速度参数标签、高度参数标签及姿态参数标签；

（2）根据多个状态参数标签确定目标飞行状态数据的多个状态参数聚类中心，并通过多个状态参数聚类中心对目标飞行状态数据进行特征聚类，得到每个状态参数聚类中心的目标状态参数聚类结果；

（3）分别对目标状态参数聚类结果进行特征值映射，得到飞行状态特征集合；

（4）获取目标照明功率数据的第一时间戳数据以及目标设备温度数据的第二时间戳数据；

（5）对目标照明功率数据和第一时间戳数据进行曲线拟合，得到照明功率变化曲线，并对照明功率变化曲线进行特征点识别和提取，得到照明功率特征集合；

（6）对目标设备温度数据和第二时间戳数据进行曲线拟合，得到设备温度变化曲线，并对设备温度变化曲线进行特征点识别和提取，得到设备温度特征集合。

具体的，首先，获取目标无人机的多个状态参数标签。这些状态参数包括位置参数、速度参数、高度参数以及姿态参数，每个参数都提供了无人机在特定飞行条件下的关键信息。例如，位置参数能够告诉***无人机在空间中的确切位置，速度参数显示了其移动的快慢，高度参数表明了无人机相对于地面的垂直距离，而姿态参数描述了无人机相对于水平面的倾斜程度。接下来，基于这些状态参数，***确定目标飞行状态数据的多个状态参数聚类中心。通过使用聚类算法，如K-均值算法，将飞行状态数据划分为几个类别，每个类别代表一种特定的飞行状态。例如，一组数据代表低速飞行状态，而另一组数据代表高速飞行状态。这种分类方法有助于更清晰地理解无人机在不同飞行条件下的行为模式。随后，对每个状态参数聚类中心的目标状态参数聚类结果进行特征值映射，得到飞行状态特征集合。特征值映射是一个将原始数据转换为更加易于分析和处理的形式的过程。例如，通过对聚类结果进行维度缩减或变换，可以将复杂的原始数据转化为更简单的形式，从而便于进一步的数据分析和应用。然后，***获取目标照明功率数据的第一时间戳数据以及目标设备温度数据的第二时间戳数据。这些时间戳数据提供了照明功率和设备温度随时间变化的关键信息，是进行有效控制的基础。例如，第一时间戳数据显示，在夜间任务期间，照明功率随着时间的推移而逐渐增加。接下来，***对目标照明功率数据和第一时间戳数据进行曲线拟合，以得到照明功率变化曲线。曲线拟合是一种统计方法，用于找出数据点之间的最佳匹配曲线。例如，通过使用多项式或指数函数进行拟合，可以准确地描述照明功率如何随时间变化。一旦曲线拟合完成，***将对照明功率变化曲线进行特征点识别和提取，以得到照明功率特征集合。特征点提取是一个识别数据中重要变化点的过程，如功率峰值或突变点。类似地，***也对目标设备温度数据和第二时间戳数据进行曲线拟合，以得到设备温度变化曲线。这可以帮助***理解照明设备在运行过程中的温度变化趋势。例如，如果温度曲线显示在特定时间段内温度急剧上升，这表明设备正在过热，需要采取措施进行冷却。通过对这些曲线进行特征点识别和提取，***能够得到设备温度特征集合，这些特征有助于实施有效的散热控制策略。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）对飞行状态特征集合进行均值和标准差计算，得到状态特征均值和状态特征标准差；

（2）对照明功率特征集合进行均值和标准差计算，得到功率特征均值和功率特征标准差，并对设备温度特征集合进行均值和标准差计算，得到温度特征均值和温度特征标准差；

（3）对状态特征均值、状态特征标准差、功率特征均值和功率特征标准差进行差异系数计算，得到第一差异系数，并根据第一差异系数生成第一特征权重数据；

（4）根据第一特征权重数据对照明功率特征集合和飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量；

（5）对状态特征均值、状态特征标准差、温度特征均值和温度特征标准差进行差异系数计算，得到第二差异系数，并根据第二差异系数生成第二特征权重数据；

（6）根据第二特征权重数据对设备温度特征集合和飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量。

具体的，首先，***对飞行状态特征集合进行均值和标准差的计算，对无人机的位置、速度、高度和姿态等多个飞行参数的综合分析。计算均值和标准差是为了得到每种飞行状态的平均水平及其变化范围。例如，通过计算无人机在一段时间内的平均速度和速度变化的标准差，可以得到关于无人机速度稳定性的重要信息。同样的计算方法也适用于照明功率特征集合和设备温度特征集合。照明功率特征集合的均值和标准差计算可以揭示无人机照明***的平均能耗及其在不同飞行条件下的波动情况。例如，如果在夜间飞行任务中，照明功率的均值相对较高，而标准差较小，这表明照明***在夜间运行时能耗较高但相对稳定。对于设备温度特征集合，计算其均值和标准差可以帮助监测和控制照明设备的温度，防止过热。例如，如果温度特征的标准差较大，这意味着设备在某些飞行条件下容易过热。进一步地，***对这些特征的均值和标准差进行差异系数计算。差异系数是一种描述数据变异程度相对于平均值的指标，能够反映出不同特征的相对重要性。例如，如果照明功率特征的差异系数相对较大，这意味着照明***在不同飞行状态下的能耗变化较大，需要特别关注。通过计算得到的第一差异系数用于生成第一特征权重数据，这些数据能够反映出在无人机照明控制中各个特征的相对重要性。接下来，根据第一特征权重数据，***对照明功率特征集合和飞行状态特征集合进行特征编码转换，从而生成对应的功率状态影响向量。将原始特征数据通过编码转换成为模型可用的形式，即影响向量。这些影响向量包含了原始数据的关键信息，并结合了特征之间的相对重要性，为后续的控制决策提供更加准确和有效的输入。最后，通过对状态特征均值、状态特征标准差、温度特征均值和温度特征标准差进行差异系数计算，得到第二差异系数。这个第二差异系数用于生成第二特征权重数据，这些数据随后被用于对设备温度特征集合和飞行状态特征集合进行特征编码转换，从而生成对应的温度状态影响向量。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）将功率状态影响向量输入预置的飞行照明分析模型，飞行照明分析模型包括输入层、多个策略分析网络以及输出层；

（2）通过输入层接收功率状态影响向量，并对功率状态影响向量进行标准化处理，得到标准功率状态向量；

（3）将标准功率状态向量分发至多个策略分析网络，并通过每个策略分析网络中的随机森林网络对标准功率状态向量进行照明强度和照明模式分析，得到每个策略分析网络对应的初始照明策略；

（4）通过输出层对每个策略分析网络对应的初始照明策略进行策略融合，得到飞行照明操作方案。

具体的，首先，构建一个飞行照明分析模型，该模型主要由三部分组成：输入层、多个策略分析网络以及输出层。输入层负责接收功率状态影响向量。功率状态影响向量包含了关于无人机照明***的功率使用情况和飞行状态的综合信息。对功率状态影响向量进行标准化处理。标准化处理的目的是将数据转换成具有统一标准的格式，这有助于减少不同数据尺度和分布带来的影响，确保模型分析的准确性和一致性。例如，如果原始功率数据的范围在0到1000瓦特之间，通过标准化处理，***将这些数据转换为0到1的范围内的值。接下来，将标准化后的功率状态向量分发至模型中的多个策略分析网络。这些策略分析网络是模型的核心，每个网络都包含一个随机森林网络，这是一种基于多个决策树的集成学***衡的照明强度。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）将温度状态影响向量输入预置的飞行散热控制模型，飞行散热控制模型包括双层门限循环单元、单层门限循环单元以及全连接网络；

（2）通过双层门限循环单元中的256个门限循环单元对温度状态影响向量进行温度隐藏特征提取，得到温度隐藏特征向量；

（3）通过单层门限循环单元中的128个门限循环单元对温度隐藏特征向量进行特征解码，得到目标解码特征序列；

（4）通过全连接网络中的ReLU函数对目标解码特征序列进行飞行散热控制参数运算，输出飞行散热控制参数集合；

（5）对飞行散热控制参数集合进行方案集成，得到飞行散热控制方案。

具体的，首先，将温度状态影响向量输入到预置的飞行散热控制模型中，这个模型包含三个关键部分：双层门限循环单元、单层门限循环单元以及全连接网络。通过双层门限循环单元中的256个门限循环单元对温度状态影响向量进行温度隐藏特征提取，得到温度隐藏特征向量。门限循环单元能够有效捕捉温度数据随时间变化的动态特性。例如，如果无人机在执行长时间的飞行任务时，双层门限循环单元可以捕捉到由于连续运行引起的温度逐渐升高的趋势。接着，通过单层门限循环单元中的128个门限循环单元对温度隐藏特征向量进行特征解码，得到目标解码特征序列。将复杂的温度特征转换成更加具体和可操作的形式，为最终的散热控制参数提供了基础。例如，通过这些门限循环单元，***识别出在特定飞行阶段中设备温度的关键变化点，这些信息有助于对于实现有效的温度控制。最后，通过全连接网络中的ReLU函数对目标解码特征序列进行飞行散热控制参数运算，输出飞行散热控制参数集合。ReLU函数能够有效地增强模型的学习能力和表达能力。通过全连接网络的运算，***能够从目标解码特征序列中提取出飞行散热控制参数集合。这些参数集合是散热控制策略的核心，它们基于从温度状态数据中提取的关键特征，提供了对无人机散热***的具体控制指令。接下来，***对这些飞行散热控制参数集合进行综合分析和方案集成，以形成最终的飞行散热控制方案。这个方案集成的过程涉及到评估和综合不同散热参数的相互作用和影响，以确保在实际飞行中实现最优的散热效果。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）对飞行照明操作方案以及飞行散热控制方案进行方案整合，得到无人机照明控制方案；

（2）通过预置的多变量协同控制算法，根据无人机照明控制方案对目标无人机进行协同照明控制；

（3）对目标无人机的照明设备进行异常状态监测，得到异常状态监测数据；

（4）对异常状态监测数据进行异常状态处理匹配，输出异常状态处理方案。

具体的，首先，对飞行照明操作方案以及飞行散热控制方案进行方案整合，得到无人机照明控制方案。飞行照明操作方案通常包括对无人机照明***的光强度、光模式和运行时间等方面的控制策略，而飞行散热控制方案则关注如何高效地管理无人机的散热***，以避免过热并保持设备在最佳工作状态。方案整合的关键在于找到这两个方案之间的最佳平衡点，以确保在提供足够照明的同时，也能有效地控制设备温度。接下来，通过预置的多变量协同控制算法，根据综合后的无人机照明控制方案对目标无人机进行协同照明控制。多变量协同控制算法是一种高级的控制方法，能够处理来自多个不同源的数据和控制需求，并据此做出最优的控制决策。算法会实时分析无人机的飞行状态、环境条件、照明***和散热***的运行数据，然后调整照明强度、模式和散热策略，以适应不断变化的飞行条件。例如，当无人机进入一个暗环境时，协同控制算法会增加照明强度，而在温度传感器检测到设备温度升高时，则会增强散热效率。接着，对目标无人机的照明设备进行异常状态监测，得到异常状态监测数据。异常状态监测主要是通过各种传感器实时跟踪无人机照明***和相关设备的运行状态，如功率消耗、温度变化、光强度等，以便及时发现任何异常迹象。例如，如果某个传感器突然检测到照明设备的温度异常升高，这是过载或设备故障的信号，需要立即采取措施。最后，***对收集到的异常状态监测数据进行分析，以确定适当的异常状态处理方案。这包括对异常数据进行分类、分析的原因和影响，以及制定相应的应急措施。例如，如果发现照明设备的温度升高是由于外部环境温度增高所致，那么处理方案是暂时降低照明强度或调整飞行路线以避免过热。如果异常是由设备故障引起的，***需要启动备用照明设备，同时发送故障报告以便进行维修或更换。

上面对本申请实施例中无人机的照明控制方法进行了描述，下面对本申请实施例中无人机的照明控制***进行描述，请参阅图2，本申请实施例中无人机的照明控制***一个实施例包括：

监测模块201，用于对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

识别模块202，用于对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

编码模块203，用于对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

照明分析模块204，用于将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

散热分析模块205，用于将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

协同控制模块206，用于根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。

通过上述各个组成部分的协同合作，通过实时监测无人机的飞行状态数据和照明设备的功率、温度数据，该方法能够精确调整照明强度和模式，以适应不同的飞行条件和环境需求。这不仅提高了照明的能效，也确保了在各种环境下的最佳照明效果。该方法通过实时监测和分析无人机的飞行状态与照明设备的运行状况，及时调整照明策略和散热控制，从而保证了无人机在复杂环境下的安全飞行。同时，对照明设备的异常状态进行实时监测和处理，进一步提高了无人机的可靠性。利用先进的数据处理和分析技术，该方法能够自动识别和响应飞行状态的变化，实现照明和散热控制的智能化。这减少了人工干预的需要，提高了操作效率和准确性。通过优化照明功率和散热控制，该方法有助于降低能源消耗，从而减少电池负担，延长无人机的飞行时间和设备寿命。长远来看，这不仅有利于环境保护，也降低了运维成本。该控制方法设计灵活，易于根据不同类型和规格的无人机进行调整和优化。此外，其核心技术和原理可以应用于其他类型的无人机***，具有良好的扩展性，进而提高了无人机的散热效率和照明操作的智能性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，***和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种无人机的照明控制方法，其特征在于，所述无人机的照明控制方法包括：

对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。

2.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据，包括：

通过预置的IMU传感器阵列对目标无人机进行飞行状态监测，得到初始飞行状态数据；

通过预置的功率传感器阵列对所述目标无人机的照明设备进行功率检测，得到初始照明功率数据，并通过预置的温度传感器阵列对所述目标无人机的照明设备进行温度检测，得到初始设备温度数据；

分别将所述初始飞行状态数据、所述初始照明功率数据以及所述初始设备温度数据传输至预置的中央控制***；

通过所述中央控制***对所述初始飞行状态数据进行数据滤波和数据去噪，得到目标飞行状态数据；

通过所述中央控制***分别对所述初始照明功率数据以及所述初始设备温度数据进行标准差阈值计算，得到所述初始照明功率数据的第一标准差阈值和所述初始设备温度数据的第二标准差阈值；

通过所述第一标准差阈值，对所述初始照明功率数据进行异常值去除，得到目标照明功率数据，并通过所述第二标准差阈值，对所述初始设备温度数据进行异常值去除，得到目标设备温度数据。

3.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合，包括：

获取所述目标无人机的多个状态参数标签，所述多个状态参数标签包括：位置参数标签、速度参数标签、高度参数标签及姿态参数标签；

根据所述多个状态参数标签确定所述目标飞行状态数据的多个状态参数聚类中心，并通过所述多个状态参数聚类中心对所述目标飞行状态数据进行特征聚类，得到每个状态参数聚类中心的目标状态参数聚类结果；

分别对所述目标状态参数聚类结果进行特征值映射，得到飞行状态特征集合；

获取所述目标照明功率数据的第一时间戳数据以及所述目标设备温度数据的第二时间戳数据；

对所述目标照明功率数据和所述第一时间戳数据进行曲线拟合，得到照明功率变化曲线，并对所述照明功率变化曲线进行特征点识别和提取，得到照明功率特征集合；

对所述目标设备温度数据和所述第二时间戳数据进行曲线拟合，得到设备温度变化曲线，并对所述设备温度变化曲线进行特征点识别和提取，得到设备温度特征集合。

4.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量，包括：

对所述飞行状态特征集合进行均值和标准差计算，得到状态特征均值和状态特征标准差；

对所述照明功率特征集合进行均值和标准差计算，得到功率特征均值和功率特征标准差，并对所述设备温度特征集合进行均值和标准差计算，得到温度特征均值和温度特征标准差；

对所述状态特征均值、所述状态特征标准差、所述功率特征均值和所述功率特征标准差进行差异系数计算，得到第一差异系数，并根据所述第一差异系数生成第一特征权重数据；

根据所述第一特征权重数据对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量；

对所述状态特征均值、所述状态特征标准差、所述温度特征均值和所述温度特征标准差进行差异系数计算，得到第二差异系数，并根据所述第二差异系数生成第二特征权重数据；

根据所述第二特征权重数据对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量。

5.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案，包括：

将所述功率状态影响向量输入预置的飞行照明分析模型，所述飞行照明分析模型包括输入层、多个策略分析网络以及输出层；

通过所述输入层接收所述功率状态影响向量，并对所述功率状态影响向量进行标准化处理，得到标准功率状态向量；

将所述标准功率状态向量分发至所述多个策略分析网络，并通过每个策略分析网络中的随机森林网络对所述标准功率状态向量进行照明强度和照明模式分析，得到每个策略分析网络对应的初始照明策略；

通过所述输出层对每个策略分析网络对应的初始照明策略进行策略融合，得到飞行照明操作方案。

6.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案，包括：

将所述温度状态影响向量输入预置的飞行散热控制模型，所述飞行散热控制模型包括双层门限循环单元、单层门限循环单元以及全连接网络；

通过所述双层门限循环单元中的256个门限循环单元对所述温度状态影响向量进行温度隐藏特征提取，得到温度隐藏特征向量；

通过所述单层门限循环单元中的128个门限循环单元对所述温度隐藏特征向量进行特征解码，得到目标解码特征序列；

通过所述全连接网络中的ReLU函数对所述目标解码特征序列进行飞行散热控制参数运算，输出飞行散热控制参数集合；

对所述飞行散热控制参数集合进行方案集成，得到飞行散热控制方案。

7.根据权利要求1所述的无人机的照明控制方法，其特征在于，所述根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案，包括：

对所述飞行照明操作方案以及所述飞行散热控制方案进行方案整合，得到无人机照明控制方案；

通过预置的多变量协同控制算法，根据所述无人机照明控制方案对所述目标无人机进行协同照明控制；

对所述目标无人机的照明设备进行异常状态监测，得到异常状态监测数据；

对所述异常状态监测数据进行异常状态处理匹配，输出异常状态处理方案。

8.一种无人机的照明控制***，其特征在于，所述无人机的照明控制***包括：

监测模块，用于对目标无人机进行飞行状态监测，得到目标飞行状态数据，并对所述目标无人机的照明设备进行功率检测和温度检测，得到目标照明功率数据和目标设备温度数据；

识别模块，用于对所述目标飞行状态数据进行状态识别，得到飞行状态特征集合，并分别对所述目标照明功率数据和所述目标设备温度数据进行特征提取，得到照明功率特征集合和设备温度特征集合；

编码模块，用于对所述照明功率特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的功率状态影响向量，并对所述设备温度特征集合和所述飞行状态特征集合进行特征编码转换，生成对应的温度状态影响向量；

照明分析模块，用于将所述功率状态影响向量输入预置的飞行照明分析模型进行飞行照明分析，生成飞行照明操作方案；

散热分析模块，用于将所述温度状态影响向量输入预置的飞行散热控制模型进行飞行散热控制分析，得到飞行散热控制方案；

协同控制模块，用于根据所述飞行照明操作方案以及所述飞行散热控制方案对所述目标无人机进行协同照明控制，并对所述目标无人机的照明设备进行异常状态监测，输出异常状态处理方案。