【技术实现步骤摘要】
本专利技术涉及雷达探测，具体为基于无人机的穿墙雷达探测系统。
技术介绍
1、穿墙雷达是一种通过电磁波信号探测墙体或者其他掩蔽物后方目标的设备，其利用超宽带雷达信号对非金属介质墙体等障碍物的强穿透性，穿透墙体等非金属障碍物后，遇到人员目标之后产生雷达回波，人体运动、呼吸心跳、身体晃动、肢体摆动等微弱运动会对回波形成多普勒效应，基于此对接收的回波进行处理和分析，从而获得墙体后方人员目标的位置、数量、姿态等信息，并在控制终端客户端软件界面上显示。
2、例如中国专利公开了一种基于无人机的穿墙雷达探测系统及探测方法，cn113820709b，此系统包括无人机、环境感知单元、穿墙雷达、云台和控制单元；无人机、环境感知单元、穿墙雷达、云台均与控制单元相连；穿墙雷达位于无人机上，用于对待测建筑物的外部结构、内部结构以及内部人员进行探测；环境感知单元位于无人机上，用于感知无人机的飞行环境信息，并将飞行环境信息发送至控制单元；控制单元根据飞行环境信息控制无人机的飞行，以使无人机与外墙体之间的距离保持在一定范围内；云台位于无人机上，穿墙雷达的收发天线位于云台上，控制单元根据飞行环境信息控制云台的动作以使收发天线的阵面与外墙体保持平行。该专利技术具有结构简单、探测性能好等优点。
3、虽然上述方案具有如上的优势，然而传统的穿墙雷达探测系统需要靠近墙壁进行探测，导致安全性问题和操作困难，同时近距离探测可能受到墙壁的干扰，影响信号的准确性，此外在无人机悬停或运动过程中，受到风速等外部环境因素的影响，导致无人机的稳定性和探测精度不足，因
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于无人机的穿墙雷达探测系统，解决现有技术中存在的无人机悬停或运动过程中，受到风速等外部环境因素的影响，导致无人机的稳定性和探测精度不足的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、本专利技术提供了基于无人机的穿墙雷达探测系统，包括：
4、传感器模块，用于获取建筑内部的环境数据和目标信息，所述传感器模块包括雷达单元、摄像头单元以及红外传感器单元，雷达单元，负责发射和接收雷达信号，获取建筑物内部的结构信息和目标反射信号，摄像头单元，拍摄建筑内部的图像，用于目标识别和跟踪，红外传感器单元，探测建筑内部的热信号，用于检测目标位置和活动状态；
5、数据处理与分析模块，对传感器数据进行实时处理和分析，进行目标识别、路径规划和探测模式选择，所述数据处理与分析模块包括数据预处理单元、目标识别与跟踪单元、路径规划单元以及探测模式选择单元，数据预处理单元对传感器数据进行预处理，去除噪声和干扰，提取有效信息，目标识别与跟踪单元，使用深度学习技术进行目标识别和跟踪，确定目标位置和运动轨迹，路径规划单元，根据目标位置和环境信息，规划无人机的飞行路径，探测模式选择单元，根据任务需求和目标特性选择合适的探测模式和参数；
6、飞行控制模块，用于控制无人机的飞行，执行动态路径规划和避障操作，所述飞行控制模块包括姿态控制单元、导航控制单元以及避障控制单元；
7、姿态控制单元，控制无人机的姿态和姿态变化，导航控制单元，根据路径规划结果，指导无人机的导航行为，避障控制单元，监测周围环境，避免障碍物和危险区域。
8、本专利技术进一步地设置为：所述数据预处理单元进行预处理步骤包括：
9、从传感器获取原始数据，其中表示时间，对数据进行时频分析，识别和分离噪声成分，采用小波变换进行多尺度分析，将信号分解为不同频率成分：，其中，是去噪后的信号，是小波基函数，表示尺度，表示平移；
10、根据传感器的误差特性和校准曲线，建立数学模型进行数据校正和修正，选用最小二乘法和卡尔曼滤波器进行数据修正：，其中，是校正后的数据，是原始数据，和是校准系数；
11、使用频率域方法提取频域特征：，其中，是频域特征，是预处理后的信号，是信号的长度，是频率，为负指数函数，为自然对数底，为离散时间序列的索引；
12、本专利技术进一步地设置为：所述目标识别与跟踪单元，确定目标位置和运动轨迹方法包括：
13、准备标记好的训练数据集，包含目标物体的图像、视频序列，并标注每个目标物体的位置和类别信息；
14、建立基于目标检测损失函数的深度学习网络，并采用卡尔曼滤波器预测更新公式；
15、使用准备好的训练数据集对深度学习网络进行训练，将训练图像输入网络，优化网络参数最小化目标检测和跟踪的损失函数，使网络准确识别和跟踪目标物体；
16、使用训练好的深度学习模型对输入图像、视频序列进行目标检测，确定图像中目标物体的位置和类别信息；
17、基于目标检测结果，进行目标的跟踪；
18、本专利技术进一步地设置为：所述目标识别与跟踪单元中深度学习模型中的目标检测损失函数具体为：，其中，是预测类别概率，是真实类别标签，是预测边界框位置，是真实边界框位置，是类别损失函数，是位置损失函数，是损失权重参数；
19、多目标跟踪算法中的卡尔曼滤波器预测更新方式为，预测步骤：，；
20、更新步骤：，，，
21、其中，是预测状态估计，是预测状态协方差矩阵，是卡尔曼增益，是更新后的状态估计，是更新后的状态协方差矩阵，是状态转移矩阵，是控制输入矩阵，是控制输入，是过程噪声协方差矩阵，是测量矩阵，是测量噪声协方差矩阵，是测量值；
22、本专利技术进一步地设置为：所述路径规划单元中，进行无人机的飞行路径规划步骤包括：
23、基于传感器模块所获取的地形信息，建立高精度的三维环境模型，包括地形、障碍物、风场和目标位置信息；
24、使用深度确定性策略梯度搜索从起始点到目标点的最优路径，其中加入风速和风向对路径的影响；
25、进行路径规划，结合模型预测控制mpc和递归最小二算法，对路径进行在线优化和更新，适应环境动态变化和飞行器实时反馈；
26、利用深度学习技术和感知模块对动态障碍物进行实时识别和预测，结合模型预测控制对路径进行调整；
27、本专利技术进一步地设置为：三维环境模型的建立选用卷积神经网络cnn和生成对抗网络gan，具体的：基于传感器模块对飞行区域进行扫描，获取地面点云数据，同时使用摄像头获取地面图像数据；
28、对点云数据进行预处理，包括去噪和滤波处理，对图像数据进行预处理，包括裁剪、缩放和亮度调整；
29、选用卷积神经网络cnn、生成对抗网络gan，从点云数据和图像数据中学习地形的特征，并生成高精度的地形模型；
30、使用fasterr-cnn目标检测算法从图像数据中检测出障碍物，并将其与地形模型进行融合，获取包含障碍物的完整地形模型；
31、本专利技术进一步地设置为：所述路径规划单元中，结合风速和风向对路径进行搜索，具体本文档来自技高网...
【技术保护点】
1.基于无人机的穿墙雷达探测系统，其特征在于，包括：
2.根据权利要求1所述的基于无人机的穿墙雷达探测系统，其特征在于，所述数据预处理单元进行预处理步骤包括：
3.根据权利要求2所述的基于无人机的穿墙雷达探测系统，其特征在于，所述目标识别与跟踪单元，确定目标位置和运动轨迹方法包括：
4.根据权利要求3所述的基于无人机的穿墙雷达探测系统，其特征在于，所述目标识别与跟踪单元中深度学习模型中的目标检测损失函数具体为：，其中，是预测类别概率，是真实类别标签，是预测边界框位置，是真实边界框位置，是类别损失函数，是位置损失函数，是损失权重参数；
5.根据权利要求4所述的基于无人机的穿墙雷达探测系统，其特征在于，所述路径规划单元中，进行无人机的飞行路径规划步骤包括：
6.根据权利要求5所述的基于无人机的穿墙雷达探测系统，其特征在于，三维环境模型的建立选用卷积神经网络CNN和生成对抗网络GAN，具体的：基于传感器模块对飞行区域进行扫描，获取地面点云数据，同时使用摄像头获取地面图像数据；
7.根据权利要求6所述的基于无人机的穿
8.根据权利要求7所述的基于无人机的穿墙雷达探测系统，其特征在于，所述路径规划单元中，策略梯度和价值网络方式为：，，其中，是长期回报，是样本数量，是经验轨迹中的状态，是动作，和分别是策略网络和价值网络的参数，和分别表示策略网络更新和价值网络更新方式，表示样本的索引。
9.根据权利要求8所述的基于无人机的穿墙雷达探测系统，其特征在于，所述探测模式选择单元中，根据任务需求和目标特性进行模式选择；
...【技术特征摘要】
1.基于无人机的穿墙雷达探测系统，其特征在于，包括：
2.根据权利要求1所述的基于无人机的穿墙雷达探测系统，其特征在于，所述数据预处理单元进行预处理步骤包括：
3.根据权利要求2所述的基于无人机的穿墙雷达探测系统，其特征在于，所述目标识别与跟踪单元，确定目标位置和运动轨迹方法包括：
4.根据权利要求3所述的基于无人机的穿墙雷达探测系统，其特征在于，所述目标识别与跟踪单元中深度学习模型中的目标检测损失函数具体为：，其中，是预测类别概率，是真实类别标签，是预测边界框位置，是真实边界框位置，是类别损失函数，是位置损失函数，是损失权重参数；
5.根据权利要求4所述的基于无人机的穿墙雷达探测系统，其特征在于，所述路径规划单元中，进行无人机的飞行路径规划步骤包括：
6.根据权利要求5所述的基于...
【专利技术属性】
技术研发人员：娄山良，
申请(专利权)人：中联金冠信息技术北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。