买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种面向多场景的低空航行多源异构数据自适应融合方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121280955B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511843150.3，技术领域涉及：G06V20/17；该发明授权一种面向多场景的低空航行多源异构数据自适应融合方法是由王江波;刘贤伟;吴纪䶮;刘锴;吴建军设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种面向多场景的低空航行多源异构数据自适应融合方法在说明书摘要公布了：本发明属于低空航行安全监测技术领域，具体而言，涉及一种面向多场景的低空航行多源异构数据自适应融合方法，是一种面向城市空中交通、低空物流、应急救援等多场景的低空航行多源异构数据自适应融合方法，可实现多类型监测数据的高效整合与可信飞行器位置输出，为低空航行异常识别、风险推演提供精准数据支撑。具体步骤包括：构建低空航行场景分类体系与融合需求映射、多源异构数据采集与预处理、数据可信度量化与冲突消解、构建分层化自适应融合框架和输出融合结果。本发明通过构建分层化场景适配框架与可信度融合模型实现不同场景下多源数据的高效、精准融合，最终输出高可信度的飞行器位置，为低空航行异常识别与风险管控提供可靠数据支撑。

本发明授权一种面向多场景的低空航行多源异构数据自适应融合方法在权利要求书中公布了：1.一种面向多场景的低空航行多源异构数据自适应融合方法，其特征在于，具体步骤如下： 步骤1、构建低空航行场景分类体系与融合需求映射，具体过程为： 根据低空航行的风险等级、数据完整性、运行复杂度，将场景划分为低复杂度场景、中复杂度场景、高复杂度场景，并针对不同场景的特征明确对应的融合需求； 步骤2、多源异构数据采集与预处理，具体过程为： 步骤2.1、数据采集 依托多类监测设备进行数据采集，覆盖飞行器、地面基础设施及空域管理系统多个维度，形成多源异构数据输入体系；数据包括机载数据、地面数据、环境数据和管控数据； 步骤2.2、数据预处理 包括数据清洗与时空对齐，旨在消除数据噪声、填补数据缺口，并实现多源数据在时间与空间维度的统一； 步骤3、数据可信度量化与冲突消解，具体过程如下： 步骤3.1、航迹数据可信度评估 基于数据来源、设备精度、实时状态构建可信度评估模型，具体指标包括根据监测设备的固有误差确定的设备精度指标，根据数据传输的信号强度、丢包率确定的实时信号质量指标，以及根据设备历史数据与真值的偏差率确定的历史误差率指标； 提取各单模态的航迹数据对应的设备固有误差参数、实时传输状态参数及历史运行记录，再根据相应评分标准对设备精度、实时信号质量、历史误差率进行打分并进行归一化，得到设备精度评分、实时信号质量评分和历史误差率评分；加权计算单模态数据最终可信度值，公式为； 步骤3.2、多源航迹数据冲突消解 当多源的航迹数据融合结果出现冲突时，采用D-S证据合成规则开展冲突消解：首先定义证据体，将各模态数据各自的融合结果作为独立证据体，接着计算冲突系数来量化证据体间的冲突程度；设定为冲突阈值，为若判定为低冲突，直接运用D-S合成规则对各证据体进行融合计算，若则判定为高冲突，引入各模态数据的可信度权重对证据体进行修正，降低可信度低的证据体在融合过程中的影响权重后再执行合成操作；最后进行最终决策，选取合成后概率最大的结果作为最终融合输出； 步骤4、构建分层化自适应融合框架 根据步骤1划分的场景类型，结合步骤3的数据，相应选择融合策略步骤，各融合策略的具体过程如下： 步骤4.1、针对低复杂度场景进行边缘端单模态轻量化融合 针对低复杂度场景对数据融合高实时性与轻量化的需求，数据融合过程完全依托边缘端独立完成，无需云端参与； 在数据选择上，选择机载航迹数据与姿态数据； 融合策略采用卡尔曼滤波算法，将姿态数据作为观测值，实时修正航迹数据在采集与传输过程中累积的误差；首先构建状态方程， 其中，代表时刻航迹的核心状态，包括经纬度和高度；为状态转移矩阵，描述航迹从时刻到时刻的自然变化规律；为控制量，包括飞行器的实时速度；为过程噪声；其次构建观测方程， 其中，是时刻的姿态观测值，包括滚转角和俯仰角；为观测矩阵，建立航迹状态与姿态观测值的映射关系；为观测噪声；最后通过卡尔曼增益计算，对状态方程的预测值与观测方程的实际值进行加权融合，得出融合后的航迹值； 步骤4.2、针对中复杂度场景采用边缘-云端双模态协同融合 针对中复杂度场景的实时性与鲁棒性平衡的需求，采用边缘端初步处理与云端优化修正，依托双模态数据交叉验证提升可靠性，同时通过边云分工控制时延； 边缘端处理阶段的任务是快速输出基础融合结果，满足低时延需求，选取两类数据进行融合：机载航迹数据与地面ADS-B数据；采用加权算法进行初步融合，权重分配基于数据可信度调整，通过差异化权重确保可信度更高的数据对融合结果的影响更大；所有计算均在边缘端完成，无需数据上传云端； 云端协同优化阶段引入环境因素修正，提升融合结果的鲁棒性；将边缘端输出的初步航迹融合结果，与地面气象数据一同上传至云端平台；云端部署预训练的LSTM模型，LSTM模型通过历史数据学习到航迹与气象的关联规律；基于关联规律，网络对边缘端的初步融合结果进行动态修正，输出经过气象数据补偿的航迹数据； 步骤4.3、针对高复杂度场景采用边云协同多模态大模型融合 针对高复杂度场景高鲁棒性与多模态交叉验证的需求，采用边缘端数据净化与云端多模态深度融合的深度协同模式，依托多模态大模型挖掘数据关联，确保复杂环境下的融合精度； 边缘端预处理阶段的任务是数据净化，为云端融合降低压力；对包括航迹、姿态、速度的机载数据进行校验，采用滑动窗口方差分析来剔除明显异常数据；然后将校验后的机载数据与气象数据、地面雷达数据、电磁频谱数据上传至云端； 云端多模态大模型融合阶段通过三个步骤完成：第一步是模型构建，基于CLIP模型搭建多模态融合框架，在模型训练过程中嵌入低空航行物理规则与领域知识，模型输入覆盖航迹、姿态、速度、雷达、气象和电磁频谱这六类数据，实现多维度信息的全面整合；第二步是语义对齐，针对不同模态数据的异构性，采用模态专属编码器进行特征提取，通过注意力机制将所有模态特征映射至统一语义空间，同时根据场景需求动态调整模态权重；第三步是融合输出，输出多模态关联的航迹数据； 步骤5、输出融合结果，具体过程如下： 根据不同场景的实际需求，输出适配格式的融合结果；针对低复杂度场景，输出包括经纬度、高度信息的轻量化航迹数据，为飞行器实时避障提供简洁高效的数据支撑；针对中复杂度场景，输出附带气象补偿的航迹数据，满足空域冲突监测对数据准确性与可靠性的双重要求；针对高复杂度场景，输出高精度的航迹数据报告，为应急救援决策提供的信息参考。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。