多源数据融合的无人机性能参数智能感知研究

刘 航，吕国林

(1. 郑州航空工业管理学院管理工程学院，河南 郑州 450000；2. 卡尔加里大学舒力克工程学院，卡尔加里 加拿大 T2N 1N4)

1 引言

现代无人机因其低廉的飞行成本，丰富的工作单元，以及高效的数据采集等优势，被越来越多的应用在各类遥感遥测领域，比如气象监测、地质勘察、农林监测、建设巡检等[1，2]。无人机执行任务时，会携带各类传感设备，产生大量检测数据。同时在飞行过程中，会产生大量的控制、姿态、动力等数据。此外，还会产生大量的模块间数据和用户交互数据等。这些海量数据中包含了众多对无人机任务执行有用的信息，是无人机控制决策的基础。但是，由于这些数据来自不同的生产源，且数据的采样方式、时间基准、空间位置等均不同，彼此的关联毫无规律，给数据的高效处理带来了严峻挑战[3]。如何有效的处理并利用这些数据，决定了无人机控制决策与任务执行的综合效能。数据融合技术能够通过某些规则对多源数据采取自动分析，提取特征与关联，从而充分利用多源数据之间的互补与证明功能，优化数据处理效果[4]。因此，将数据融合技术用于无人机多源数据的处理中，有利于提升无人机运行参数感知性能。关于多源数据融合技术，目前缺乏通用框架，需要根据应用场景的数据特征，进行针对性设计。文献[5]针对电力多源数据特点，分别对差异性参数采取横向与纵向融合，从而降低多源异构对参数感知的影响，取得了较好的融合效率。文献[6]针对不同时空的数据源，设计了可信度分配机制，并通过D-S证据评估数据融合结果，方法取得了较好的融合准确度。文献[7]针对用户推荐问题，从主题数据分析出发对用户采取社区分类，并引入学习算法构造社区评估模型，根据评估筛选出推荐结果。文献[8]针对无人机高度测量设计了数据分层融合策略，将融合过程分解为两层，并在每一层中设计了相应的处理算法，实现了无人机高度测量精度的提升。由于现有的多源数据融合算法都是针对特定场景设计的，移植到其它场景下会令算法性能失效，所以，本文针对无人机多源数据的时基、空基差异特性，设计了包含特征点、簇间距离与密度函数描述的多源数据度量集合，并根据高斯混合推导出数据融合模型，从而提升数据融合质量，实现无人机性能参数的准确可靠感知。

2 多源数据融合模型

(1)

然后通过簇间距离li，可以进一步比较出集合D中任意数据子集A=[Ai1，Ai2，…，Ain]和B=[Bi1，Bi2，…，Bin]存在的度量差异。关于数据簇的距离计算及其对应的性质描述如下

(2)

其中，a和b为任意常数。虽然数据簇的邻域未知，但是可以确定在Ai的周围一定能够找到某个领域，用于推测出数据集的范围，关于领域的描述如下

(3)

其中，Rn代表维度为n的欧式空间；γ代表簇间距离限定。于是，根据领域描述，推测出数据集的范围如下

(4)

其中，A+和A-依次代表了数据集的上下边界。

最后为了得到数据集度量的密度函数，引入高斯模型，于是得到如下函数表达式

(5)

其中，μ表示期望，φ表示协方差矩阵。d(X，μ，φ)函数具有连续分布属性，μ和φ是该函数的主要影响因子。当度量集Mi内所有的Ai彼此独立时，Mi对应的密度函数表示如下

(6)

其中，d(Ai，μ，φ)为Ai的密度函数。通过度量集合的密度函数，便能够计算出主要影响因子μ和φ。这里采取似然估计进行推导，求解(μ，φ)的过程如下

(7)

在对多源数据进行融合操作过程中，将相同来源的数据采取密度计算，于是，某单源的数据融合可表示为

(8)

此时，把融合结果向量与高斯模型结合

(9)

为了计算密度函数，对式(9)求解μ和σ的偏导，处理如下

(10)

融合过程通过迭代计算不断更新密度函数与融合结果，考虑到数据的度量差异，迭代计算时采用度量集代替当次的融合集，于是，密度函数的迭代处理描述为

(11)

3 数据融合感知质量分析

由于本文方法在进行多源数据融合时，采用的是单源分析，所以采取先对于单源数据融合质量进行评估，再进行多源合成的方式，进而保证密度函数与融合更新过程的有效性。

首先对数据融合的准确度进行评估，融合感知的无人机性能参数与实际值相同，说明数据融合感知准确。但是在融合感知过程中，无从获取无人机实际的性能参数，于是，采用前一次的融合结果作为实际参数值，在后一次融合的迭代计算中，始终与上一次的融合结果作比较。这里假定单源数据融合向量Ifi=(ii1，ii2，…，iim)，Ifi∈If，则单源融合数据与实际参数的二值映射表示为

(12)

对应的数据融合准确度计算如下

(13)

其中，n表示数据流的长度。考虑到数据流的动态特性，每个采样时间段内数据量会存在差异。因此，为了提高感知数据的质量，避免准确度评估出现大幅度振荡，这里对后一采样时间段内的数据流采取预估，引入预估量后，对应的准确度计算公式更新为

(14)

然后对数据融合的完整度进行评估，这里的完整度表示融合感知的单模数据量与整个数据流的比值，此时单源数据的融合感知映射关系可以表示为

(15)

其中，U表示融合感知的单模数据集。此时对完整度的计算方式描述如下

(16)

有些性能参数在融合感知过程中，可能受精度与时延影响，准确度评估未通过，但是其结果是正确的，针对这种情况，最后从相似度出发对数据融合进行评估。与其它评估指标一样，需要得到映射方式。假定对单源数据融合的相似集是，Si={Si1，Si2，…，Sin}则映射关系描述如下

(17)

其中，s表示相似度阈值。根据CFD规则，将相似度不小于s的数据集与数据流长度的比值作为最终相似度的评估指标，于是，相似度计算方式描述为

(18)

前述的三个评估角度都是针对单源数据分析，对其采取加权计算后才能得到多源数据的融合结果评估。因为每次采样的数据流中单源数据是变化的，所以，这里对所有数据源进行加权分配，将多元数据的加权集合表示为W={W1，W2，…，Wm}，此处的m表示数据源数量。于是，多源数据融合质量的三项评估指标依次表示为

(19)

(20)

(21)

4 仿真分析

仿真环境为Matlab，实验程序中，无人机的初始化惯量为diag{0.7，0.8，0.8}(kg·m2)，稳定阶段无人机的惯量参数设定为diag{0.8，0.6，0.7}(kg·m2)，在第25s将惯量突变为diag{0.5，0.4，0.5}(kg·m2)。该过程符合无人机完成一次空投动作的惯量变化。为充分验证本文方法对于多源数据融合感知效果，通过仿真得到此过程中无人机惯量参数与姿态参数的感知结果，如图1和图2所示。

图1 惯量参数的感知与实际值比较

图2 姿态参数的感知与实际值比较

从惯量参数与姿态参数的结果曲线分析，在初始阶段由于缺少经验数据判定多源数据融合的质量，导致参数感知出现较大的振荡，但数据融合的收敛速度很快，在5s以内即可达到感知参数稳定。当系统处于稳定时，参数感知曲线和实际值曲线重叠，表明具有良好的多源数据融合感知性能。当系统受突变影响时，感知参数振荡效果比较微弱，而且几乎没有延时，这是由于在数据融合质量判定时，采用了超前比较策略，准确度判定对下一次融合进行了预判，提高了参数感知的响应速度。

为进一步验证本文方法对于多源数据融合的效果，通过改变数据源的数量，得到对应情况下三种判定指标的变化趋势，仿真中，数据源的数量依次增长5个，最多为50，每种数量重复10次作为最终结果，如图3所示。从结果曲线分析，在数据源增加的过程中，数据融合的完整度几乎处于稳定状态。而准确度与相似度呈现出微小的下降趋势。表明本文方法能够有效应对多源异构数据的融合，且对于多源数据具有出色的融合感知质量。形成该结果的原因是由于本文方法在多源数据融合时，融合模型引入了多源数据的度量差异，并在此模型基础上，迭代处理引入了数据融合质量评估，只有评估通过才能作为最终的参数感知结果。

图3 数据融合质量与数据源数量的关系

移植文献[8]中的方法与本文方法进行数据融合感知的准确率对比，该准确率通过方法感知参数与设定参数比较得到，仿真得到各方法准确率与数据源数量之间的关系如图4所示。从准确率曲线对比分析，受数据源数量增加的影响，文献方法的参数感知准确率下降明显，而本文方法参数感知准确率下降较为平缓，且在同一数据源数量下，其准确率要明显高于文献方法。这种现象产生的原因也是由于本文方法在数据融合时引入高斯混合设计了多源数据度量的密度函数，并通过多方面的指标评估，有效控制了数据融合质量。

图4 参数感知准确率对比曲线

5 结束语

随着无人机任务的复杂化，无人机平台产生的传感数据、应用数据、交互数据也越来越多，由于这些多源异构数据在时基和空基上存在很多差异，所以给融合感知带来很大困难。为此，本文提出了一种新型多源数据融合的参数感知方法。针对多源数据融合质量提升，设计了包含特征点、簇间距离与密度函数描述的多源数据度量集合，并根据高斯混合推导出数据融合模型，通过迭代不断更新密度函数与融合结果。同时设计了单源数据融合质量的多方面评估策略，

迭代过程中只有评估通过才能作为最终的参数感知结果。通过仿真结果，证明了本文方法对于多源数据具有良好的融合质量，同时也具有良好的参数感知响应速度；另外，即便在数据源变化的情况下，也能拥有良好的数据融合稳定性。