唐立，郝鵬，任沛閣，張祖耀，何翔，張學(xué)軍

1. 西華大學(xué) 智能空地融合載具及管控教育部工程研究中心，成都 610039 2. 國(guó)家空域管理中心，北京 100094 3. 西華大學(xué) 汽車(chē)與交通學(xué)院，成都 610039 4. 西華大學(xué) 航空航天學(xué)院，成都 610039

無(wú)人機(jī)產(chǎn)業(yè)迅猛發(fā)展，其應(yīng)用領(lǐng)域日益拓展，同時(shí)其種類(lèi)和數(shù)量也迅速增加。由于研發(fā)成本及技術(shù)門(mén)檻相對(duì)較低，現(xiàn)有技術(shù)對(duì)無(wú)人機(jī)的發(fā)現(xiàn)識(shí)別能力有限，且監(jiān)控法規(guī)制度及處置手段滯后，民用無(wú)人機(jī)“黑飛”現(xiàn)象日益增加，對(duì)公共安全、飛行安全及空防安全構(gòu)成嚴(yán)重威脅。因此，如何快速高效地檢測(cè)無(wú)人機(jī)的異常行為，對(duì)合作型無(wú)人機(jī)運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確監(jiān)控，對(duì)“黑飛”的非合作型無(wú)人機(jī)進(jìn)行精準(zhǔn)反制，成為無(wú)人機(jī)規(guī)范化管理的關(guān)鍵性問(wèn)題。

從研究對(duì)象上看，目前，關(guān)于低空輕小型無(wú)人機(jī)異常行為檢測(cè)的研究相對(duì)較少。Xiao等基于大型無(wú)人機(jī)運(yùn)行數(shù)據(jù)，提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的大型無(wú)人機(jī)異常行為檢測(cè)方法，能夠較準(zhǔn)確地區(qū)分輕微偏移和異常行為的差異，提高檢測(cè)準(zhǔn)確率。除了上述個(gè)別研究，大多數(shù)針對(duì)異常行為的研究仍主要集中在大型有人機(jī)、車(chē)輛以及行人等對(duì)象上。吳奇和儲(chǔ)銀雪采用深度學(xué)習(xí)的方法建立基于數(shù)據(jù)驅(qū)動(dòng)的航空器飛行狀態(tài)識(shí)別模型。張余和葛飛在針對(duì)航空器飛行狀態(tài)識(shí)別時(shí)，考慮了其飛行狀態(tài)點(diǎn)。潘新龍等考慮了目標(biāo)位置、速度特征，提出了一種基于多維航跡特征的異常行為檢測(cè)方法。Medel和Savakis提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)和變分自編碼器(Variational Auto-Encoder, VAE)的混合框架CNN-VAE，對(duì)視頻中的車(chē)輛軌跡進(jìn)行表示、分類(lèi)和異常檢測(cè)。祝彥森針對(duì)傳統(tǒng)孤立森林(iForest)算法中存在的分支過(guò)多和得分不一致的情況，提出了一種將孤立森林算法與K-means聚類(lèi)相結(jié)合的改進(jìn)算法，經(jīng)檢驗(yàn)有效提高了針對(duì)行人異常行為的檢測(cè)效率。

從異常行為的檢測(cè)方法上看，較流行的算法包括神經(jīng)網(wǎng)絡(luò)(Neural Network)、K-means、支持向量機(jī)(Support Vector Machine, SVM)以及孤立森林算法等。其中，孤立森林法對(duì)高維數(shù)據(jù)具有較好的魯棒性，并且在異常檢測(cè)中具有精度高、速度快的特點(diǎn)，但是其收斂速度和精確度會(huì)受切割點(diǎn)的影響；神經(jīng)網(wǎng)絡(luò)因其特殊的結(jié)構(gòu)，在異常檢測(cè)方面具有良好的表現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)圖像有較強(qiáng)的識(shí)別能力，但是其準(zhǔn)確度受卷積核特征的影響，而長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)在處理序列模型時(shí)具有較好的表現(xiàn)，能夠在一定程度上解決梯度爆炸等問(wèn)題，但由于其結(jié)構(gòu)特點(diǎn)，導(dǎo)致運(yùn)算效率有較大損失；此外，基于模型融合的集成學(xué)習(xí)方法在異常檢測(cè)領(lǐng)域也有應(yīng)用，該方法基于交叉驗(yàn)證思想，利用決策樹(shù)等分類(lèi)器構(gòu)造新的特征進(jìn)行訓(xùn)練，進(jìn)而提升了模型的魯棒性?，F(xiàn)有方法較少考慮研究對(duì)象的實(shí)際運(yùn)行特點(diǎn)，對(duì)異常行為的判定結(jié)果通常只給出了“異?！被颉罢！钡慕Y(jié)論，缺乏對(duì)異常類(lèi)型較細(xì)致的劃分。

通過(guò)上述分析可見(jiàn)，現(xiàn)有方法對(duì)無(wú)人機(jī)異常行為的研究相對(duì)缺乏，較少考慮無(wú)人機(jī)外觀特征和實(shí)際運(yùn)行場(chǎng)景，難以準(zhǔn)確對(duì)非合作型無(wú)人機(jī)的異常類(lèi)別進(jìn)行判斷。為解決上述問(wèn)題，本文參考行人和車(chē)輛識(shí)別領(lǐng)域的研究思想，重點(diǎn)針對(duì)無(wú)人機(jī)在城市高密度建筑群中飛行的場(chǎng)景，首先提出了一種基于索貝爾算子-卷積神經(jīng)網(wǎng)絡(luò)融合算法(Sobel Operator-CNN)，實(shí)現(xiàn)對(duì)非合作型無(wú)人機(jī)外觀特征參數(shù)的提取和分析，確定無(wú)人機(jī)的類(lèi)型。進(jìn)一步地，綜合考慮傳統(tǒng)孤立森林算法在異常行為檢測(cè)中的優(yōu)缺點(diǎn)，提出基于動(dòng)態(tài)最大生長(zhǎng)高度的改進(jìn)孤立森林算法，提高無(wú)人機(jī)異常行為檢測(cè)的收斂速度和準(zhǔn)確率。最后，通過(guò)仿真數(shù)據(jù)，驗(yàn)證了該方法的有效性和先進(jìn)性。

1 異常行為特征分析及參數(shù)提取

從無(wú)人機(jī)運(yùn)行管理的角度，可將無(wú)人機(jī)分為合作型無(wú)人機(jī)和非合作型無(wú)人機(jī)。合作型無(wú)人機(jī)一般搭載機(jī)載管控模塊，在運(yùn)行過(guò)程中，可實(shí)時(shí)向管理部門(mén)發(fā)送運(yùn)行狀態(tài)。因此，此類(lèi)無(wú)人機(jī)的異常行為主要體現(xiàn)在運(yùn)行姿態(tài)、航跡等方面。針對(duì)非合作型無(wú)人機(jī)，其主要具有飛行任務(wù)、運(yùn)行軌跡不明確等特點(diǎn)，一般存在較多監(jiān)控盲區(qū)，監(jiān)管難度較大。因此，非合作型無(wú)人機(jī)的異常行為主要體現(xiàn)在運(yùn)行姿態(tài)、航跡侵占、禁飛區(qū)侵入以及非法執(zhí)行高危任務(wù)等方面。

通過(guò)上述分析可見(jiàn)，無(wú)人機(jī)運(yùn)行特征提取的準(zhǔn)確性將是影響無(wú)人機(jī)異常行為檢測(cè)準(zhǔn)確度的關(guān)鍵因素。因此，本節(jié)將結(jié)合幾何學(xué)、計(jì)算機(jī)視覺(jué)以及運(yùn)動(dòng)學(xué)等領(lǐng)域知識(shí)，分析無(wú)人機(jī)的各種運(yùn)行特征，并提出針對(duì)多特征的參數(shù)提取方法。

1.1 合作型無(wú)人機(jī)特征分析和參數(shù)提取

1.1.1 運(yùn)行航跡

設(shè)某城市運(yùn)行空域，合作型無(wú)人機(jī)某次飛行計(jì)劃中有次信息反饋，則對(duì)應(yīng)航路點(diǎn)記為

(,,),∈{1, 2,…，}

式中:、、分別為時(shí)刻時(shí)，無(wú)人機(jī)計(jì)劃處于的經(jīng)度、緯度和高度。設(shè)無(wú)人機(jī)的實(shí)際飛行軌跡為(,,)，∈{1, 2, …，}，其中、、分別為在時(shí)刻，無(wú)人機(jī)實(shí)際的經(jīng)度、緯度和高度，如圖1所示。無(wú)人機(jī)在時(shí)刻的實(shí)際位置與報(bào)備位置的偏差(歐式距離)。

圖1 t時(shí)刻無(wú)人機(jī)報(bào)備位置偏差Fig.1 Reported position deviation of UAV at time t

這里，將航跡穩(wěn)定性作為判別合作型無(wú)人機(jī)航跡是否異常的關(guān)鍵參數(shù)。通過(guò)偏差值，可求得無(wú)人機(jī)時(shí)刻的偏差均值()，同時(shí)記錄偏差次數(shù)(即≠0的次數(shù))，即

(1)

偏差次數(shù)、偏差值以及偏差均值()為合作型無(wú)人機(jī)的航跡運(yùn)行異常判別的關(guān)鍵參數(shù)。相比于傳統(tǒng)的狀態(tài)特征分析，本文對(duì)偏差均值()的設(shè)計(jì)，可對(duì)符合最大航跡偏差范圍內(nèi)的飛行器進(jìn)行實(shí)時(shí)監(jiān)測(cè)，對(duì)航跡頻繁輕微波動(dòng)的異常無(wú)人機(jī)進(jìn)行檢測(cè)，彌補(bǔ)了傳統(tǒng)檢測(cè)方法中針對(duì)此類(lèi)異常特征檢測(cè)方法的不足。同時(shí)，將軌跡坐標(biāo)轉(zhuǎn)換為、、()這3個(gè)關(guān)聯(lián)性較強(qiáng)的數(shù)據(jù)作為改進(jìn)孤立森林算法的輸入數(shù)據(jù)，可提高異常行為檢測(cè)的準(zhǔn)確率。

1.1.2 運(yùn)行狀態(tài)

本文研究的無(wú)人機(jī)主要處于高密度的障礙物的城市低空環(huán)境，無(wú)人機(jī)的各項(xiàng)運(yùn)行參數(shù)(即速度、爬升率、俯仰角、航向等)不穩(wěn)定，將對(duì)其運(yùn)行安全造成影響。因此，需要通過(guò)結(jié)合無(wú)人機(jī)實(shí)時(shí)反饋的運(yùn)行參數(shù)與障礙物位置進(jìn)行綜合評(píng)估，并將評(píng)估值作為狀態(tài)異常的判定參數(shù)。

無(wú)人機(jī)運(yùn)行主要在爬升、下降和轉(zhuǎn)向等3個(gè)階段存在較大的安全隱患，本文將重點(diǎn)對(duì)無(wú)人機(jī)上述3個(gè)階段的運(yùn)行參數(shù)進(jìn)行提取分析。

1) 爬升、下降過(guò)程

在無(wú)人機(jī)爬升過(guò)程中，影響無(wú)人機(jī)運(yùn)行的關(guān)鍵參數(shù)為爬升率和與障礙物的距離。設(shè)無(wú)人機(jī)在、這2點(diǎn)間的爬升階段如圖2所示，此時(shí)的參考仰角為線(xiàn)段與其在平面上投影的夾角。

圖2 爬升階段示意圖Fig.2 Schematic diagram of climbing stage

在爬升段，時(shí)刻無(wú)人機(jī)的實(shí)際爬升角度為無(wú)人機(jī)相鄰時(shí)刻所在位置連線(xiàn)與其在平面上投影的夾角。

則可得無(wú)人機(jī)時(shí)刻的爬升角度均值為

(2)

通過(guò)余弦值對(duì)爬升過(guò)程中實(shí)際角度和參考角度吻合度進(jìn)行分析，可得爬升差異系數(shù)為

=|cos(())-cos|

(3)

爬升過(guò)程中無(wú)人機(jī)實(shí)時(shí)爬升角度與參考角度的差異系數(shù)可作為爬升過(guò)程中的關(guān)鍵參數(shù)，下降過(guò)程此方法仍然適用。相比于傳統(tǒng)的狀態(tài)特征分析，本文對(duì)爬升差異系數(shù)的設(shè)計(jì)，一方面可有效地對(duì)無(wú)人機(jī)爬升過(guò)程相鄰時(shí)間點(diǎn)角度變化異常進(jìn)行檢測(cè)，另一方面將水平距離與爬升高度進(jìn)行融合判斷，可有效降低無(wú)人機(jī)爬升過(guò)程中前期爬升率小(大)，后期爬升率大(小)的異常狀態(tài)。同時(shí)，將爬升差異系數(shù)，作為第2節(jié)改進(jìn)孤立森林算法輸入數(shù)據(jù)，降低了數(shù)據(jù)維度，使算法收斂性速度更快，準(zhǔn)確率更高。

2) 轉(zhuǎn)彎過(guò)程

設(shè)無(wú)人機(jī)轉(zhuǎn)彎階段為(,,)、(,,)，報(bào)備航跡在此階段的轉(zhuǎn)彎半徑為，如圖3所示。

圖3 轉(zhuǎn)彎半徑示意圖Fig.3 Schematic diagram of turning radius

無(wú)人機(jī)進(jìn)入轉(zhuǎn)彎階時(shí)，提取無(wú)人機(jī)、+1、+2 連續(xù)時(shí)刻位置數(shù)據(jù)，可得無(wú)人機(jī)實(shí)時(shí)的轉(zhuǎn)彎半徑。

設(shè)、+1、+2坐標(biāo)分別為(,,)、(+1、+1,+1)、(+2,+2,+2)，無(wú)人機(jī)轉(zhuǎn)彎形成的弧線(xiàn)為圓方程：++++=0的一部分，其中：

無(wú)人機(jī)轉(zhuǎn)彎的實(shí)時(shí)半徑為

(4)

無(wú)人機(jī)的最小轉(zhuǎn)彎半徑為，在≥的前提下，提取此段轉(zhuǎn)彎半徑偏差Δ為

Δ=|-|∈[1，-2]

(5)

此階段的轉(zhuǎn)彎波動(dòng)均值(Δ)為

(6)

無(wú)人機(jī)實(shí)時(shí)轉(zhuǎn)彎半徑以及轉(zhuǎn)彎的波動(dòng)(Δ)，并實(shí)時(shí)地與最小轉(zhuǎn)彎半徑進(jìn)行對(duì)比分析，可作為轉(zhuǎn)彎過(guò)程的關(guān)鍵性參數(shù)。相比于傳統(tǒng)的狀態(tài)特征分析，轉(zhuǎn)彎波動(dòng)均值(Δ)的設(shè)計(jì)，可有效對(duì)無(wú)人機(jī)轉(zhuǎn)彎半徑波動(dòng)情況進(jìn)行檢測(cè)，并根據(jù)波動(dòng)大小對(duì)無(wú)人機(jī)轉(zhuǎn)彎狀態(tài)的異常行為進(jìn)行判斷。同時(shí)，將轉(zhuǎn)彎過(guò)程的坐標(biāo)數(shù)據(jù)處理為(Δ)、數(shù)據(jù)，作為第2節(jié)的改進(jìn)孤立森林算法輸入數(shù)據(jù)。

1.2 非合作型無(wú)人機(jī)特征參數(shù)分析

對(duì)于非合作型無(wú)人機(jī)，一般無(wú)法準(zhǔn)確地獲得其各項(xiàng)參數(shù)。目前，對(duì)非合作型無(wú)人機(jī)的數(shù)據(jù)獲取一般使用光電設(shè)備和低空探測(cè)雷達(dá)。獲取的信息通常有實(shí)時(shí)軌跡數(shù)據(jù)、外觀等。因此，本文重點(diǎn)從非合作型無(wú)人機(jī)的實(shí)時(shí)軌跡、無(wú)人機(jī)類(lèi)型與運(yùn)行環(huán)境等特征結(jié)合進(jìn)行提取。

1.2.1 航跡特征

非合作型無(wú)人機(jī)的航跡異常主要體現(xiàn)在航跡侵占、禁飛區(qū)侵入、飛行航跡沖突3個(gè)方面，如圖4 所示。其中，航跡侵占指非合作型無(wú)人機(jī)占用合作型無(wú)人機(jī)的報(bào)備航跡；禁飛區(qū)侵入指無(wú)人機(jī)有侵入禁飛區(qū)的趨勢(shì)；航跡沖突指非合作型無(wú)人機(jī)與周?chē)渌w行器發(fā)生碰撞的概率較大。

圖4 非合作型無(wú)人機(jī)航跡異常類(lèi)型Fig.4 Types of track anomaly of non-cooperative UAV

1) 航跡侵占

非合作型無(wú)人機(jī)的航跡侵占參數(shù)，可通過(guò)非合作型無(wú)人機(jī)與報(bào)備航線(xiàn)之間的偏差和偏差均值()來(lái)判定非合作型無(wú)人機(jī)航跡與報(bào)備航跡的吻合程度。具體方法可參考1.1.1節(jié)中提到的合作型無(wú)人機(jī)運(yùn)行航跡穩(wěn)定性提取方法，此處不再詳細(xì)贅述。

2) 禁飛區(qū)侵入

目前禁飛區(qū)一般是指某一指定區(qū)域以上的空域。因此，在對(duì)非合作型無(wú)人機(jī)禁飛區(qū)的研究中，運(yùn)行高度將不作為影響因素，可將三維環(huán)境的運(yùn)行軌跡轉(zhuǎn)化為二維環(huán)境運(yùn)行軌跡進(jìn)行分析。設(shè)相鄰2個(gè)觀測(cè)時(shí)間點(diǎn)非合作型無(wú)人機(jī)先后通過(guò)(,)、(,)，禁飛區(qū)圓心坐標(biāo)為(,)，半徑為。無(wú)人機(jī)相鄰觀測(cè)點(diǎn)所在位置距離為，上一時(shí)刻觀測(cè)點(diǎn)位置與圓心坐標(biāo)的連線(xiàn)為，設(shè)∠=，設(shè)無(wú)人機(jī)與圓心坐標(biāo)連線(xiàn)與切線(xiàn)夾角為∠=，如圖5所示。

圖5 禁飛區(qū)侵入異常Fig.5 Intrusion anomaly in no-fly zone

=arctan{[(-)(-)+

(7)

=arccos{[(-)+(-)+

(-)+(-)-(-)+

(8)

理想情況下，若≥，則無(wú)人機(jī)此時(shí)運(yùn)動(dòng)方向?yàn)榻w區(qū)方向，否則為遠(yuǎn)離禁飛區(qū)。由于數(shù)據(jù)獲取存在一定的誤差，因此需設(shè)定閾值判定禁飛區(qū)角度差，即

=-

(9)

值作為判斷非合作型無(wú)人機(jī)是否具有禁飛區(qū)侵入異常的參數(shù)。區(qū)別于傳統(tǒng)的數(shù)據(jù)和特征分析方法，將作為禁飛區(qū)侵入異常的判定，可以提高無(wú)人機(jī)禁飛區(qū)侵入趨勢(shì)異常的判定準(zhǔn)確度，同時(shí)可有效對(duì)具有禁飛區(qū)入侵趨勢(shì)的無(wú)人機(jī)進(jìn)行預(yù)警。此外，將多維數(shù)據(jù)轉(zhuǎn)化為一維數(shù)據(jù)，可進(jìn)一步提高改進(jìn)森林算法的準(zhǔn)確率和收斂速度，提高預(yù)警的時(shí)效性。

3) 航跡沖突

非合作型無(wú)人機(jī)的運(yùn)行軌跡具有多樣性的特點(diǎn)，因此存在較大概率與周?chē)w行器相撞。記錄2個(gè)相鄰時(shí)刻，相鄰2架無(wú)人機(jī)的坐標(biāo)如下：時(shí)刻，設(shè)1號(hào)無(wú)人機(jī)位置為(,1,,1,,1)，2號(hào)無(wú)人機(jī)位置為(,2,,2,,2)；+1時(shí)刻，1號(hào)無(wú)人機(jī)位置為(+1,1,+1,1,+1,1)，2號(hào)無(wú)人機(jī)位置為(+1,2,+1,2,+1,2)，如圖6所示。

圖6 航跡沖突Fig.6 Track conflict

、+1時(shí)刻2架無(wú)人機(jī)之間的間隔(歐氏距離)、+1，則相鄰2架無(wú)人機(jī)的距離變化量為

Δ=+1-

(10)

若相鄰2架無(wú)人機(jī)在安全距離之外存在連續(xù)的Δ<0，則可判斷為2架無(wú)人機(jī)存在沖突的概率較大。此項(xiàng)參數(shù)將作為后續(xù)判定無(wú)人機(jī)航跡沖突的關(guān)鍵性指標(biāo)。

1.2.2 飛行目的特征

1) 無(wú)人機(jī)類(lèi)型判別

無(wú)人機(jī)類(lèi)型是作為判斷非合作型無(wú)人機(jī)異常行為的先決條件。目前將常用的非合作型無(wú)人機(jī)主要分為物流、航拍和其他3類(lèi)。本節(jié)將重點(diǎn)對(duì)上述3種無(wú)人機(jī)的類(lèi)別進(jìn)行判斷，并基于在圖像識(shí)別技術(shù)中比較成熟的卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)其進(jìn)行區(qū)分。由于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)并非本次研究的重點(diǎn)，因此本文不再詳述其基本原理。物流無(wú)人機(jī)一般具備關(guān)鍵裝備貨架，在識(shí)別時(shí)，可將貨架作為物流無(wú)人機(jī)的關(guān)鍵特征；航拍無(wú)人機(jī)關(guān)鍵特征為攝像頭。而將除這2種類(lèi)型之外的無(wú)人機(jī)劃分為其他類(lèi)別。

分類(lèi)步驟：

基于索貝爾算子(Sobel Operator)，對(duì)無(wú)人機(jī)進(jìn)行邊緣檢測(cè)，并獲得無(wú)人機(jī)外觀輪廓。設(shè)定水平和豎直方向的卷積因子分別為、，即

(11)

(12)

通過(guò)步驟1可得物流無(wú)人機(jī)(圖7)與航拍無(wú)人機(jī)(圖8)的外觀輪廓，同時(shí)可獲得二值化圖像矩陣。

圖7 物流無(wú)人機(jī)外觀Fig.7 Appearance of logistics UAV

圖8 航拍無(wú)人機(jī)外觀Fig.8 Appearance of aerial UAV

將二值化圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入樣本進(jìn)行訓(xùn)練，設(shè)定卷積神經(jīng)網(wǎng)絡(luò)的卷積層為3層，采用ReLU激活函數(shù)，選用最大值池化原則(Max-Pooling)進(jìn)行池化，卷積核個(gè)數(shù)為20個(gè)。

通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)無(wú)人機(jī)進(jìn)行分類(lèi)，并結(jié)合環(huán)境和無(wú)人機(jī)類(lèi)型設(shè)定各類(lèi)無(wú)人機(jī)的威脅系數(shù)，且該數(shù)據(jù)能夠根據(jù)實(shí)際情況調(diào)整，如表1所示。

2) 參數(shù)特征分析

航拍無(wú)人機(jī)在執(zhí)行拍攝任務(wù)時(shí)，一般處于懸?；蛘哐埠綘顟B(tài)。因此，本文將分析無(wú)人機(jī)運(yùn)行環(huán)境及無(wú)人機(jī)的懸停狀態(tài)，進(jìn)而對(duì)無(wú)人機(jī)拍攝特征參數(shù)進(jìn)行提取。

根據(jù)環(huán)境的密級(jí)程度設(shè)定某區(qū)域的密級(jí)系數(shù)為(∈[0,1],為區(qū)域代號(hào))。通過(guò)無(wú)人機(jī)相鄰監(jiān)測(cè)時(shí)段的位置移動(dòng)參數(shù)，對(duì)無(wú)人機(jī)的懸停進(jìn)行判斷。設(shè)無(wú)人機(jī)相鄰監(jiān)測(cè)時(shí)段為(,,)、(+1,+1,+1)，可得2個(gè)時(shí)刻的歐式距離，根據(jù)式(1)可得無(wú)人機(jī)的波動(dòng)均值即位置移動(dòng)參數(shù)，該無(wú)人機(jī)飛行目的異常參考系數(shù)，即

(13)

此階段，根據(jù)無(wú)人機(jī)在涉密區(qū)域停留的時(shí)間及涉密區(qū)域系數(shù)，可將作為無(wú)人機(jī)飛行目的異常的關(guān)鍵參數(shù)。相比于傳統(tǒng)方式，提出不同運(yùn)行環(huán)境下的無(wú)人機(jī)威脅系數(shù)，并融合Sobel Operator-CNN算法對(duì)無(wú)人機(jī)類(lèi)型進(jìn)行判定，設(shè)計(jì)了無(wú)人機(jī)飛行目的異常參考系數(shù)，實(shí)現(xiàn)了融合無(wú)人機(jī)外觀特征和運(yùn)行數(shù)據(jù)特征的狀態(tài)特征分析方法，彌補(bǔ)了傳統(tǒng)特征分析方法中缺乏對(duì)無(wú)人機(jī)外觀狀態(tài)特征分析的不足。

表1 無(wú)人機(jī)威脅系數(shù)
Table 1 UAV threat coefficient

2 異常特征判斷方法

當(dāng)前研究中，孤立森林算法在異常數(shù)據(jù)檢測(cè)中具有準(zhǔn)確率高、判別速度快的特點(diǎn)，因此本文將其用來(lái)識(shí)別異常無(wú)人機(jī)類(lèi)型。

孤立森林是由若干個(gè)二叉樹(shù)組合而成，算法具體流程如下：

選取總數(shù)據(jù)中個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)，樣本數(shù)據(jù)最大值為，最小值為，放入一顆二叉樹(shù)的根節(jié)點(diǎn)。

隨機(jī)選擇數(shù)據(jù)樣本中的一個(gè)維度和切割點(diǎn)(∈(,))，切割點(diǎn)將此維度下小于的點(diǎn)放左節(jié)點(diǎn)，大于等于的點(diǎn)放右節(jié)點(diǎn)。

在下一節(jié)點(diǎn)以遞歸的形式重復(fù)步驟1～步驟2，直到每個(gè)節(jié)點(diǎn)只有一個(gè)數(shù)據(jù)存在或者達(dá)到樹(shù)的最大生長(zhǎng)高度。

選擇下一個(gè)二叉樹(shù)重復(fù)步驟1～步驟3，直到所有二叉樹(shù)訓(xùn)練完成。

計(jì)算每棵孤立樹(shù)的路徑平均長(zhǎng)度()， 即

(14)

式中：()為調(diào)和數(shù)，該值可以被估計(jì)為()+(其中歐拉常數(shù)≈058)和路徑長(zhǎng)度()的期望(())，最后由(())求得樣本的異常分?jǐn)?shù)(,)，即

(15)

當(dāng)(,)≈1時(shí)，該點(diǎn)一定為異常點(diǎn)；當(dāng)(,)≈0.5 時(shí)，該點(diǎn)樣本中幾乎不是異常點(diǎn)；當(dāng)(,)?0.5時(shí)，該點(diǎn)一定不為異常點(diǎn)。

孤立森林中每顆孤立樹(shù)的異常點(diǎn)區(qū)分能力存在一定差異，結(jié)果導(dǎo)致算法的收斂性和識(shí)別速度具有較大差異。因此，根據(jù)研究重點(diǎn)，本文提出了一種基于動(dòng)態(tài)最大生長(zhǎng)高度的改進(jìn)孤立森林算法。本文改進(jìn)算法的關(guān)鍵步驟為對(duì)每個(gè)二叉樹(shù)單個(gè)節(jié)點(diǎn)的區(qū)分性進(jìn)行判斷，具體算法步驟如下：

傳統(tǒng)算法步驟2中，由于隨機(jī)選擇的切分點(diǎn)和維度，記放入左側(cè)集合的數(shù)據(jù)數(shù)量，右側(cè)集合的數(shù)據(jù)數(shù)量為。

對(duì)節(jié)點(diǎn)的區(qū)分有效性進(jìn)行判斷?；诠铝⑸值幕驹恚舳鏄?shù)節(jié)點(diǎn)能較大程度地將異常點(diǎn)和正常點(diǎn)區(qū)分，則此二叉樹(shù)的節(jié)點(diǎn)區(qū)分度高，可以判斷為優(yōu)良節(jié)點(diǎn)二叉樹(shù)，并繼續(xù)往下生長(zhǎng)，否則此二叉樹(shù)節(jié)點(diǎn)為拙劣節(jié)點(diǎn)，二叉樹(shù)停止生長(zhǎng)，選擇下一棵二叉樹(shù)進(jìn)行訓(xùn)練。有效性參數(shù)的判別公式為

(16)

若∈[0.80, 1.28]，則切割點(diǎn)左右兩側(cè)的集合元素?cái)?shù)量幾乎相等，可判斷此生長(zhǎng)節(jié)點(diǎn)為拙劣節(jié)點(diǎn)，則此二叉樹(shù)停止生長(zhǎng)。

重復(fù)步驟1和步驟2，直到所有二叉樹(shù)訓(xùn)練完成，結(jié)合式(14)和式(15)對(duì)異常點(diǎn)進(jìn)行判斷。

根據(jù)異常數(shù)據(jù)所處的位置，判斷無(wú)人機(jī)所屬的異常行為。

此改進(jìn)孤立森林算法由不同高度的二叉樹(shù)組成，可大幅降低計(jì)算量，同時(shí)提高對(duì)異常數(shù)據(jù)判斷的準(zhǔn)確性。

3 仿真結(jié)果及分析

本次仿真數(shù)據(jù)，基于airsim-ardupilot仿真平臺(tái)，以X-box遙感設(shè)備作為無(wú)人機(jī)操縱設(shè)備，對(duì)成都市二環(huán)內(nèi)低空環(huán)境進(jìn)行數(shù)據(jù)仿真。并基于mission planner對(duì)數(shù)據(jù)樣本進(jìn)行采集(如圖9所示)，采集訓(xùn)練數(shù)據(jù)為10 000條，其中由于搖桿設(shè)備操作失誤導(dǎo)致的無(wú)人機(jī)侵入禁飛區(qū)、與障礙物相撞、混合運(yùn)行干擾等異常數(shù)據(jù)為1 766條，如表2 所示。合作型無(wú)人機(jī)的特征為航跡偏差次數(shù)、航跡偏差均值()、爬升角度差異系數(shù)和轉(zhuǎn)彎半徑的波動(dòng)(Δ)；而非合作型無(wú)人機(jī)的特征為禁飛區(qū)侵入判定系數(shù)、無(wú)人機(jī)沖突距離變化量Δ和飛行目的參考系數(shù)。

圖9 數(shù)據(jù)仿真采集平臺(tái)Fig.9 Data simulation acquisition platform

表2 數(shù)據(jù)信息Table 2 Data information

設(shè)定隨機(jī)采取的樣本數(shù)量=256、樹(shù)的高度=8和有效二叉樹(shù)的數(shù)量=100(有效二叉樹(shù)：預(yù)先不設(shè)立二叉樹(shù)數(shù)量，累計(jì)可生長(zhǎng)二叉樹(shù)數(shù)量達(dá)到100后停止)。通過(guò)受試者工作特征(Receiver Operating Characteristic, ROC)曲線(xiàn)下方的面積大小(Area Under Curve, AUC)對(duì)預(yù)測(cè)精度進(jìn)行評(píng)價(jià)，其中AUC∈[0, 1]，AUC值越靠近1，說(shuō)明精度越高。基于同一組數(shù)據(jù)將傳統(tǒng)的孤立森林算法和改進(jìn)的孤立森林算法的精度評(píng)價(jià)、收斂速度進(jìn)行比較，如圖10(a)所示?？傻梅抡娼Y(jié)果數(shù)據(jù)如表3所示。

圖10 改進(jìn)算法與傳統(tǒng)算法比較Fig.10 Comparison between improved and traditional algorithms

根據(jù)表3可得，改進(jìn)孤立森林算法相比于傳統(tǒng)的孤立森林算法，AUC值更接近于1，因此算法精度較高；同時(shí)運(yùn)行時(shí)間快了5.179 s，樣本的預(yù)測(cè)精準(zhǔn)度高了3.2%，因此改進(jìn)算法具有明顯的優(yōu)越性。

表3 仿真結(jié)果Table 3 Experimental results

為了進(jìn)一步說(shuō)明算法的先進(jìn)性，基于同一數(shù)據(jù)集，選用了單類(lèi)支持向量機(jī)、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)以及決策樹(shù)算法進(jìn)行比較。經(jīng)測(cè)試，得出孤立森林算法預(yù)測(cè)精準(zhǔn)度為96.4%，神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)精準(zhǔn)度為83.2%，樸素貝葉斯算法預(yù)測(cè)精準(zhǔn)度為80.6%，單類(lèi)支持向量機(jī)算法的預(yù)測(cè)精準(zhǔn)度為81.8%，決策樹(shù)算法預(yù)測(cè)精準(zhǔn)度為78.1%，如圖10(b)所示。

無(wú)人機(jī)異常類(lèi)型判別結(jié)果如表4所示，實(shí)際檢測(cè)系統(tǒng)如圖11所示。

表4 異常行為判別結(jié)果Table 4 Discrimination results of abnormal behaviors

圖11 異常行為檢測(cè)系統(tǒng)Fig.11 Abnormal behavior detection system

4 結(jié)論與展望

本文針對(duì)無(wú)人機(jī)異常行為檢測(cè)中的關(guān)鍵問(wèn)題，主要提出了基于Sobel Operator-CNN算法的無(wú)人機(jī)類(lèi)別判定方法和基于動(dòng)態(tài)最大生長(zhǎng)高度的改進(jìn)孤立森林算法，以提升對(duì)合作型無(wú)人機(jī)和非合作型無(wú)人機(jī)異常行為檢測(cè)的準(zhǔn)確率和效率。在無(wú)人機(jī)飛行狀態(tài)特征分析方面，對(duì)于合作型無(wú)人機(jī)，針對(duì)航跡、爬升/下降和轉(zhuǎn)彎等狀態(tài)特征，提出了偏差均值、差異系數(shù)等關(guān)鍵參數(shù)；對(duì)于非合作型無(wú)人機(jī)，針對(duì)禁飛區(qū)侵入和飛行目的等特征，提出了基于Sobel Operator-CNN算法的無(wú)人機(jī)類(lèi)型判定方法，實(shí)現(xiàn)了無(wú)人機(jī)運(yùn)行場(chǎng)景和外觀特征的融合，形成了非合作型無(wú)人機(jī)異常參考系數(shù)。進(jìn)而，提出了基于動(dòng)態(tài)最大生長(zhǎng)高度的改進(jìn)孤立森林算法，對(duì)無(wú)人機(jī)異常行為進(jìn)行檢測(cè)。仿真結(jié)果表明，本文所提出的方法可有效提高無(wú)人機(jī)異常行為檢測(cè)的準(zhǔn)確性和效率。解決了無(wú)人機(jī)異常行為檢測(cè)中外觀特征數(shù)據(jù)與運(yùn)行環(huán)境融合的關(guān)鍵性問(wèn)題，進(jìn)一步降低了無(wú)人機(jī)異常行為檢測(cè)難度。下一步，擬將本方法與無(wú)人機(jī)感知和避撞系統(tǒng)相結(jié)合，實(shí)現(xiàn)中大型無(wú)人機(jī)“外觀特征+運(yùn)行數(shù)據(jù)”的異常行為檢測(cè)，進(jìn)一步推動(dòng)無(wú)人機(jī)全面融入國(guó)家空域系統(tǒng)。