【技術實現步驟摘要】
本專利技術涉及無人機，尤其涉及一種基于多場景適配的無人機智能充電控制方法及系統。
技術介紹
1、隨著無人機在各行業領域的廣泛應用，無人機充電管理成為保障其持續穩定運行的關鍵環節。無人機在執行不同場景任務時，所面臨的環境條件和供電需求差異顯著。此外，不同場景下的供電條件也存在較大差異，包括供電電壓波動、功率限制等因素，都會對充電過程產生影響。因此，針對不同應用場景開發智能化的充電控制方法，對提升無人機續航能力和使用壽命具有重要意義。
2、現有的無人機充電控制方法主要存在一些不足，固定的充電策略無法根據實際場景特點進行自適應調節，導致充電效率低下或存在安全隱患；缺乏對環境因素的綜合考慮，難以應對復雜多變的應用場景；忽視電池健康狀態對充電過程的影響，未能實現動態優化，影響電池使用壽命；充電控制過程缺乏有效的閉環反饋機制，無法及時響應環境變化和電池狀態變化，存在較大的安全風險。
3、綜上所述，亟需一種基于多場景適配的無人機智能充電控制方法，通過實時采集環境數據，進行場景識別和特征提取，建立場景特征與充電策略的映射關系；對充電策略進行動態優化，實現充電參數的自適應調節；建立充電過程的閉環控制機制，確保充電過程的安全性和可靠性。本專利技術能夠解決現有技術中的問題。
技術實現思路
1、本專利技術實施例提供一種基于多場景適配的無人機智能充電控制方法及系統，能夠解決現有技術中的問題。
2、本專利技術實施例的第一方面，提供一種基于多場景適配的無人機智能充電控制方法，
3、在一種可選的實施例中，通過設置于無人機上的多類型傳感器采集環境監測數據，將所述環境監測數據輸入場景識別模型，所述場景識別模型基于深度學習算法對所述環境監測數據進行特征提取，生成場景特征向量包括：通過設置于無人機上的毫米波雷達陣列、光譜成像器和環境多參數傳感網絡，獲取包含場景點云數據、場景光譜數據和場景環境數據的環境監測數據；基于環境監測數據，通過降噪處理，生成降噪數據，所述降噪數據通過時空映射，生成特征張量，經過運算和分解，得到多模態特征張量；構建動態神經架構搜索框架，所述動態神經架構搜索框架包括超網絡模塊和子網絡模塊；所述超網絡模塊包括網絡結構編碼單元、強化學習代理單元和結構評估單元；通過網絡結構編碼單元將所述多模態特征張量的特征維度信息編碼為網絡結構搜索空間，所述強化學習代理單元基于深度強化學習算法，在所述網絡結構搜索空間中進行策略搜索，確定網絡結構，所述結構評估單元對網絡結構進行性能評估并輸出網絡結構優化策略；所述子網絡模塊基于所述網絡結構優化策略構建可變形卷積單元，包括空間采樣子單元和特征加權子單元；通過空間采樣子單元對所述多模態特征張量進行自適應空間采樣，得到特征點位置信息，基于所述特征點位置信息構建多頭注意力網絡，計算特征權重分布；將所述特征權重分布與所述多模態特征張量進行張量乘法運算，生成場景特征向量。
4、在一種可選的實施例中，基于環境監測數據，通過降噪處理，生成降噪數據，所述降噪數據通過時空映射，生成特征張量，經過運算和分解，得到多模態特征張量包括：對所述場景點云數據進行空間濾波處理，得到第一降噪數據，對所述場景光譜數據進行頻率域濾波處理，得到第二降噪數據，對所述場景環境數據進行小波變換處理，得到第三降噪數據；構建時空映射矩陣，所述時空映射矩陣包含時間特征映射子矩陣和空間特征映射子矩陣；將所述第一降噪數據輸入所述時間特征映射子矩陣進行時序分解，得到第一特征張量，將所述第二降噪數據輸入所述空間特征映射子矩陣進行空間分解，得到第二特征張量，將所述第三降噪數據分別輸入所述時間特征映射子矩陣和所述空間特征映射子矩陣進行時空分解，得到第三特征張量；構建包含核心張量生成模塊和投影矩陣計算模塊的特征融合單元，通過核心張量生成模塊對所述第一特征張量、所述第二特征張量和所述第三特征張量進行張量積運算，得到融合核心張量，所述投影矩陣計算模塊基于所述融合核心張量計算模態投影矩陣，將所述融合核心張量與所述模態投影矩陣進行tucker分解運算，生成多模態特征張量。
5、在一種可選的實施例中，將所述場景特征向量輸入場景分類單元進行場景類型識別，得到場景類型標識信息；基于所述場景特征向量計算環境參數值和供電功率值，生成場景參數數據集包括：將所述場景特征向量輸入場景分類單元，所述場景分類單元基于所述場景特征向量構建節點特征矩陣，基于節點間的空間位置關系構建邊關系矩陣，將所述節點特征矩陣和所述邊關系矩陣組合生成場景要素關系圖；將所述場景要素關系圖輸入圖卷積網絡進行特征聚合運算，得到節點向量，對所述節點向量進行全局池化運算得到場景結構特征；對所述場景結構特征進行空間維度特征聚合，得到空間特征向量，對所述空間特征向量進行通道維度特征聚合，得到場景類型標識信息；對所述場景特征向量進行概率編碼得到先驗分布參數，基于所述先驗分布參數構建高斯過程回歸模型，將所述場景特征向量輸入所述高斯過程回歸模型計算得到環境參數值；將所述場景特征向量輸入負荷預測模型，基于所述環境參數值對所述負荷預測模型的預測結果進行修正，得到供電功率值；將所述環境參數值和所述供電功率值按照預設的數據結構格式組合生成場景參數數據集。
6、在一種可選的實施例中，根據所述場景類型標識信息從預設的充電策略數據庫中調取對應的基礎充電策略，將所述場景參數數據集輸入充電優化模型，所述充電優化模型基于強化學習算法構建策略評估函數，根據所述策略評估函數的計算結果對所述基礎充電策略進行優化調整，生成充電控制參數包括：根據所述場景類型標識信息從預設的充電策略數據庫中調取基礎充電策略，采用多頭注意力機制對所述基礎充電策略進行時序特征分析，得到特征權重，將所述特征權重輸入殘差連接網絡提取長短期依賴特征，基于所述本文檔來自技高網...
【技術保護點】
1.基于多場景適配的無人機智能充電控制方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過設置于無人機上的多類型傳感器采集環境監測數據，將所述環境監測數據輸入場景識別模型，所述場景識別模型基于深度學習算法對所述環境監測數據進行特征提取，生成場景特征向量包括：
3.根據權利要求2所述的方法，其特征在于，基于環境監測數據，通過降噪處理，生成降噪數據，所述降噪數據通過時空映射，生成特征張量，經過運算和分解，得到多模態特征張量包括：
4.根據權利要求2所述的方法，其特征在于，將所述場景特征向量輸入場景分類單元進行場景類型識別，得到場景類型標識信息；基于所述場景特征向量計算環境參數值和供電功率值，生成場景參數數據集包括：
5.根據權利要求1所述的方法，其特征在于，根據所述場景類型標識信息從預設的充電策略數據庫中調取對應的基礎充電策略，將所述場景參數數據集輸入充電優化模型，所述充電優化模型基于強化學習算法構建策略評估函數，根據所述策略評估函數的計算結果對所述基礎充電策略進行優化調整，生成充電控制參數包括：
6.根
7.根據權利要求1所述的方法，其特征在于，執行所述充電控制指令，通過電池管理系統采集電池的電壓數據、電流數據和溫度數據，將電壓數據、電流數據和溫度數據分別與對應的預設安全閾值進行實時比對，當任一數據超出對應的預設安全閾值時，觸發充電保護控制；基于電壓數據和電流數據計算電池健康指數，將所述電池健康指數輸入電池性能評估單元，生成電池性能狀態數據，并反饋至所述充電優化模型，更新所述策略評估函數的優化目標，完成充電過程的閉環控制包括：
8.基于多場景適配的無人機智能充電控制系統，用于實現前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：處理器；
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的方法。
...【技術特征摘要】
1.基于多場景適配的無人機智能充電控制方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過設置于無人機上的多類型傳感器采集環境監測數據，將所述環境監測數據輸入場景識別模型，所述場景識別模型基于深度學習算法對所述環境監測數據進行特征提取，生成場景特征向量包括：
3.根據權利要求2所述的方法，其特征在于，基于環境監測數據，通過降噪處理，生成降噪數據，所述降噪數據通過時空映射，生成特征張量，經過運算和分解，得到多模態特征張量包括：
4.根據權利要求2所述的方法，其特征在于，將所述場景特征向量輸入場景分類單元進行場景類型識別，得到場景類型標識信息；基于所述場景特征向量計算環境參數值和供電功率值，生成場景參數數據集包括：
5.根據權利要求1所述的方法，其特征在于，根據所述場景類型標識信息從預設的充電策略數據庫中調取對應的基礎充電策略，將所述場景參數數據集輸入充電優化模型，所述充電優化模型基于強化學習算法構建策略評估函數，根據所述策略評估函數的計算結果對所述基礎充電策略進行優化調整，生成充電控制參數包括：
...【專利技術屬性】
技術研發人員：崔起源，馮春，孫羽，劉重陽，李帛洋，李智，馬瑞峰，
申請(專利權)人：中電國科技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。