基于改進孤立森林算法的無人機異常行為檢測

唐立，郝鵬，任沛閣，張祖耀，何翔，張學軍

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

無人機產業迅猛發展，其應用領域日益拓展，同時其種類和數量也迅速增加。由于研發成本及技術門檻相對較低，現有技術對無人機的發現識別能力有限，且監控法規制度及處置手段滯后，民用無人機“黑飛”現象日益增加，對公共安全、飛行安全及空防安全構成嚴重威脅。因此，如何快速高效地檢測無人機的異常行為，對合作型無人機運行狀態進行準確監控，對“黑飛”的非合作型無人機進行精準反制，成為無人機規范化管理的關鍵性問題。

從研究對象上看，目前，關于低空輕小型無人機異常行為檢測的研究相對較少。Xiao等基于大型無人機運行數據，提出了一種基于循環神經網絡(Recurrent Neural Network, RNN)的大型無人機異常行為檢測方法，能夠較準確地區分輕微偏移和異常行為的差異，提高檢測準確率。除了上述個別研究，大多數針對異常行為的研究仍主要集中在大型有人機、車輛以及行人等對象上。吳奇和儲銀雪采用深度學習的方法建立基于數據驅動的航空器飛行狀態識別模型。張余和葛飛在針對航空器飛行狀態識別時，考慮了其飛行狀態點。潘新龍等考慮了目標位置、速度特征，提出了一種基于多維航跡特征的異常行為檢測方法。Medel和Savakis提出一種基于卷積神經網絡(Convolutional Neural Network, CNN)和變分自編碼器(Variational Auto-Encoder, VAE)的混合框架CNN-VAE，對視頻中的車輛軌跡進行表示、分類和異常檢測。祝彥森針對傳統孤立森林(iForest)算法中存在的分支過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聚類相結合的改進算法，經檢驗有效提高了針對行人異常行為的檢測效率。

從異常行為的檢測方法上看，較流行的算法包括神經網絡(Neural Network)、K-means、支持向量機(Support Vector Machine, SVM)以及孤立森林算法等。其中，孤立森林法對高維數據具有較好的魯棒性，并且在異常檢測中具有精度高、速度快的特點，但是其收斂速度和精確度會受切割點的影響；神經網絡因其特殊的結構，在異常檢測方面具有良好的表現，卷積神經網絡算法對圖像有較強的識別能力，但是其準確度受卷積核特征的影響，而長短時神經網絡在處理序列模型時具有較好的表現，能夠在一定程度上解決梯度爆炸等問題，但由于其結構特點，導致運算效率有較大損失；此外，基于模型融合的集成學習方法在異常檢測領域也有應用，該方法基于交叉驗證思想，利用決策樹等分類器構造新的特征進行訓練，進而提升了模型的魯棒性。現有方法較少考慮研究對象的實際運行特點，對異常行為的判定結果通常只給出了“異常”或“正常”的結論，缺乏對異常類型較細致的劃分。

通過上述分析可見，現有方法對無人機異常行為的研究相對缺乏，較少考慮無人機外觀特征和實際運行場景，難以準確對非合作型無人機的異常類別進行判斷。為解決上述問題，本文參考行人和車輛識別領域的研究思想，重點針對無人機在城市高密度建筑群中飛行的場景，首先提出了一種基于索貝爾算子-卷積神經網絡融合算法(Sobel Operator-CNN)，實現對非合作型無人機外觀特征參數的提取和分析，確定無人機的類型。進一步地，綜合考慮傳統孤立森林算法在異常行為檢測中的優缺點，提出基于動態最大生長高度的改進孤立森林算法，提高無人機異常行為檢測的收斂速度和準確率。最后，通過仿真數據，驗證了該方法的有效性和先進性。

1 異常行為特征分析及參數提取

從無人機運行管理的角度，可將無人機分為合作型無人機和非合作型無人機。合作型無人機一般搭載機載管控模塊，在運行過程中，可實時向管理部門發送運行狀態。因此，此類無人機的異常行為主要體現在運行姿態、航跡等方面。針對非合作型無人機，其主要具有飛行任務、運行軌跡不明確等特點，一般存在較多監控盲區，監管難度較大。因此，非合作型無人機的異常行為主要體現在運行姿態、航跡侵占、禁飛區侵入以及非法執行高危任務等方面。

通過上述分析可見，無人機運行特征提取的準確性將是影響無人機異常行為檢測準確度的關鍵因素。因此，本節將結合幾何學、計算機視覺以及運動學等領域知識，分析無人機的各種運行特征，并提出針對多特征的參數提取方法。

1.1 合作型無人機特征分析和參數提取

1.1.1 運行航跡

設某城市運行空域，合作型無人機某次飛行計劃中有次信息反饋，則對應航路點記為

(,,),∈{1, 2,…，}

式中:、、分別為時刻時，無人機計劃處于的經度、緯度和高度。設無人機的實際飛行軌跡為(,,)，∈{1, 2, …，}，其中、、分別為在時刻，無人機實際的經度、緯度和高度，如圖1所示。無人機在時刻的實際位置與報備位置的偏差(歐式距離)。

圖1 t時刻無人機報備位置偏差Fig.1 Reported position deviation of UAV at time t

這里，將航跡穩定性作為判別合作型無人機航跡是否異常的關鍵參數。通過偏差值，可求得無人機時刻的偏差均值()，同時記錄偏差次數(即≠0的次數)，即

(1)

偏差次數、偏差值以及偏差均值()為合作型無人機的航跡運行異常判別的關鍵參數。相比于傳統的狀態特征分析，本文對偏差均值()的設計，可對符合最大航跡偏差范圍內的飛行器進行實時監測，對航跡頻繁輕微波動的異常無人機進行檢測，彌補了傳統檢測方法中針對此類異常特征檢測方法的不足。同時，將軌跡坐標轉換為、、()這3個關聯性較強的數據作為改進孤立森林算法的輸入數據，可提高異常行為檢測的準確率。

1.1.2 運行狀態

本文研究的無人機主要處于高密度的障礙物的城市低空環境，無人機的各項運行參數(即速度、爬升率、俯仰角、航向等)不穩定，將對其運行安全造成影響。因此，需要通過結合無人機實時反饋的運行參數與障礙物位置進行綜合評估，并將評估值作為狀態異常的判定參數。

無人機運行主要在爬升、下降和轉向等3個階段存在較大的安全隱患，本文將重點對無人機上述3個階段的運行參數進行提取分析。

1) 爬升、下降過程

在無人機爬升過程中，影響無人機運行的關鍵參數為爬升率和與障礙物的距離。設無人機在、這2點間的爬升階段如圖2所示，此時的參考仰角為線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，時刻無人機的實際爬升角度為無人機相鄰時刻所在位置連線與其在平面上投影的夾角。

則可得無人機時刻的爬升角度均值為

(2)

通過余弦值對爬升過程中實際角度和參考角度吻合度進行分析，可得爬升差異系數為

=|cos(())-cos|

(3)

爬升過程中無人機實時爬升角度與參考角度的差異系數可作為爬升過程中的關鍵參數，下降過程此方法仍然適用。相比于傳統的狀態特征分析，本文對爬升差異系數的設計，一方面可有效地對無人機爬升過程相鄰時間點角度變化異常進行檢測，另一方面將水平距離與爬升高度進行融合判斷，可有效降低無人機爬升過程中前期爬升率小(大)，后期爬升率大(小)的異常狀態。同時，將爬升差異系數，作為第2節改進孤立森林算法輸入數據，降低了數據維度，使算法收斂性速度更快，準確率更高。

2) 轉彎過程

設無人機轉彎階段為(,,)、(,,)，報備航跡在此階段的轉彎半徑為，如圖3所示。

圖3 轉彎半徑示意圖Fig.3 Schematic diagram of turning radius

無人機進入轉彎階時，提取無人機、+1、+2 連續時刻位置數據，可得無人機實時的轉彎半徑。

設、+1、+2坐標分別為(,,)、(+1、+1,+1)、(+2,+2,+2)，無人機轉彎形成的弧線為圓方程：++++=0的一部分，其中：

無人機轉彎的實時半徑為

(4)

無人機的最小轉彎半徑為，在≥的前提下，提取此段轉彎半徑偏差Δ為

Δ=|-|∈[1，-2]

(5)

此階段的轉彎波動均值(Δ)為

(6)

無人機實時轉彎半徑以及轉彎的波動(Δ)，并實時地與最小轉彎半徑進行對比分析，可作為轉彎過程的關鍵性參數。相比于傳統的狀態特征分析，轉彎波動均值(Δ)的設計，可有效對無人機轉彎半徑波動情況進行檢測，并根據波動大小對無人機轉彎狀態的異常行為進行判斷。同時，將轉彎過程的坐標數據處理為(Δ)、數據，作為第2節的改進孤立森林算法輸入數據。

1.2 非合作型無人機特征參數分析

對于非合作型無人機，一般無法準確地獲得其各項參數。目前，對非合作型無人機的數據獲取一般使用光電設備和低空探測雷達。獲取的信息通常有實時軌跡數據、外觀等。因此，本文重點從非合作型無人機的實時軌跡、無人機類型與運行環境等特征結合進行提取。

1.2.1 航跡特征

非合作型無人機的航跡異常主要體現在航跡侵占、禁飛區侵入、飛行航跡沖突3個方面，如圖4 所示。其中，航跡侵占指非合作型無人機占用合作型無人機的報備航跡；禁飛區侵入指無人機有侵入禁飛區的趨勢；航跡沖突指非合作型無人機與周圍其他飛行器發生碰撞的概率較大。

圖4 非合作型無人機航跡異常類型Fig.4 Types of track anomaly of non-cooperative UAV

1) 航跡侵占

非合作型無人機的航跡侵占參數，可通過非合作型無人機與報備航線之間的偏差和偏差均值()來判定非合作型無人機航跡與報備航跡的吻合程度。具體方法可參考1.1.1節中提到的合作型無人機運行航跡穩定性提取方法，此處不再詳細贅述。

2) 禁飛區侵入

目前禁飛區一般是指某一指定區域以上的空域。因此，在對非合作型無人機禁飛區的研究中，運行高度將不作為影響因素，可將三維環境的運行軌跡轉化為二維環境運行軌跡進行分析。設相鄰2個觀測時間點非合作型無人機先后通過(,)、(,)，禁飛區圓心坐標為(,)，半徑為。無人機相鄰觀測點所在位置距離為，上一時刻觀測點位置與圓心坐標的連線為，設∠=，設無人機與圓心坐標連線與切線夾角為∠=，如圖5所示。

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

=arctan{[(-)(-)+

(7)

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

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

(8)

理想情況下，若≥，則無人機此時運動方向為禁飛區方向，否則為遠離禁飛區。由于數據獲取存在一定的誤差，因此需設定閾值判定禁飛區角度差，即

=-

(9)

值作為判斷非合作型無人機是否具有禁飛區侵入異常的參數。區別于傳統的數據和特征分析方法，將作為禁飛區侵入異常的判定，可以提高無人機禁飛區侵入趨勢異常的判定準確度，同時可有效對具有禁飛區入侵趨勢的無人機進行預警。此外，將多維數據轉化為一維數據，可進一步提高改進森林算法的準確率和收斂速度，提高預警的時效性。

3) 航跡沖突

非合作型無人機的運行軌跡具有多樣性的特點，因此存在較大概率與周圍飛行器相撞。記錄2個相鄰時刻，相鄰2架無人機的坐標如下：時刻，設1號無人機位置為(,1,,1,,1)，2號無人機位置為(,2,,2,,2)；+1時刻，1號無人機位置為(+1,1,+1,1,+1,1)，2號無人機位置為(+1,2,+1,2,+1,2)，如圖6所示。

圖6 航跡沖突Fig.6 Track conflict

、+1時刻2架無人機之間的間隔(歐氏距離)、+1，則相鄰2架無人機的距離變化量為

Δ=+1-

(10)

若相鄰2架無人機在安全距離之外存在連續的Δ<0，則可判斷為2架無人機存在沖突的概率較大。此項參數將作為后續判定無人機航跡沖突的關鍵性指標。

1.2.2 飛行目的特征

1) 無人機類型判別

無人機類型是作為判斷非合作型無人機異常行為的先決條件。目前將常用的非合作型無人機主要分為物流、航拍和其他3類。本節將重點對上述3種無人機的類別進行判斷，并基于在圖像識別技術中比較成熟的卷積神經網絡算法對其進行區分。由于卷積神經網絡技術并非本次研究的重點，因此本文不再詳述其基本原理。物流無人機一般具備關鍵裝備貨架，在識別時，可將貨架作為物流無人機的關鍵特征；航拍無人機關鍵特征為攝像頭。而將除這2種類型之外的無人機劃分為其他類別。

分類步驟：

基于索貝爾算子(Sobel Operator)，對無人機進行邊緣檢測，并獲得無人機外觀輪廓。設定水平和豎直方向的卷積因子分別為、，即

(11)

(12)

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

圖7 物流無人機外觀Fig.7 Appearance of logistics UAV

圖8 航拍無人機外觀Fig.8 Appearance of aerial UAV

將二值化圖像作為卷積神經網絡的輸入樣本進行訓練，設定卷積神經網絡的卷積層為3層，采用ReLU激活函數，選用最大值池化原則(Max-Pooling)進行池化，卷積核個數為20個。

通過卷積神經網絡對無人機進行分類，并結合環境和無人機類型設定各類無人機的威脅系數，且該數據能夠根據實際情況調整，如表1所示。

2) 參數特征分析

航拍無人機在執行拍攝任務時，一般處于懸停或者巡航狀態。因此，本文將分析無人機運行環境及無人機的懸停狀態，進而對無人機拍攝特征參數進行提取。

根據環境的密級程度設定某區域的密級系數為(∈[0,1],為區域代號)。通過無人機相鄰監測時段的位置移動參數，對無人機的懸停進行判斷。設無人機相鄰監測時段為(,,)、(+1,+1,+1)，可得2個時刻的歐式距離，根據式(1)可得無人機的波動均值即位置移動參數，該無人機飛行目的異常參考系數，即

(13)

此階段，根據無人機在涉密區域停留的時間及涉密區域系數，可將作為無人機飛行目的異常的關鍵參數。相比于傳統方式，提出不同運行環境下的無人機威脅系數，并融合Sobel Operator-CNN算法對無人機類型進行判定，設計了無人機飛行目的異常參考系數，實現了融合無人機外觀特征和運行數據特征的狀態特征分析方法，彌補了傳統特征分析方法中缺乏對無人機外觀狀態特征分析的不足。

表1 無人機威脅系數
Table 1 UAV threat coefficient

2 異常特征判斷方法

當前研究中，孤立森林算法在異常數據檢測中具有準確率高、判別速度快的特點，因此本文將其用來識別異常無人機類型。

孤立森林是由若干個二叉樹組合而成，算法具體流程如下：

選取總數據中個數據作為訓練數，樣本數據最大值為，最小值為，放入一顆二叉樹的根節點。

隨機選擇數據樣本中的一個維度和切割點(∈(,))，切割點將此維度下小于的點放左節點，大于等于的點放右節點。

在下一節點以遞歸的形式重復步驟1～步驟2，直到每個節點只有一個數據存在或者達到樹的最大生長高度。

選擇下一個二叉樹重復步驟1～步驟3，直到所有二叉樹訓練完成。

計算每棵孤立樹的路徑平均長度()， 即

(14)

式中：()為調和數，該值可以被估計為()+(其中歐拉常數≈058)和路徑長度()的期望(())，最后由(())求得樣本的異常分數(,)，即

(15)

當(,)≈1時，該點一定為異常點；當(,)≈0.5 時，該點樣本中幾乎不是異常點；當(,)?0.5時，該點一定不為異常點。

孤立森林中每顆孤立樹的異常點區分能力存在一定差異，結果導致算法的收斂性和識別速度具有較大差異。因此，根據研究重點，本文提出了一種基于動態最大生長高度的改進孤立森林算法。本文改進算法的關鍵步驟為對每個二叉樹單個節點的區分性進行判斷，具體算法步驟如下：

傳統算法步驟2中，由于隨機選擇的切分點和維度，記放入左側集合的數據數量，右側集合的數據數量為。

對節點的區分有效性進行判斷。基于孤立森林的基本原理，若二叉樹節點能較大程度地將異常點和正常點區分，則此二叉樹的節點區分度高，可以判斷為優良節點二叉樹，并繼續往下生長，否則此二叉樹節點為拙劣節點，二叉樹停止生長，選擇下一棵二叉樹進行訓練。有效性參數的判別公式為

(16)

若∈[0.80, 1.28]，則切割點左右兩側的集合元素數量幾乎相等，可判斷此生長節點為拙劣節點，則此二叉樹停止生長。

重復步驟1和步驟2，直到所有二叉樹訓練完成，結合式(14)和式(15)對異常點進行判斷。

根據異常數據所處的位置，判斷無人機所屬的異常行為。

此改進孤立森林算法由不同高度的二叉樹組成，可大幅降低計算量，同時提高對異常數據判斷的準確性。

3 仿真結果及分析

本次仿真數據，基于airsim-ardupilot仿真平臺，以X-box遙感設備作為無人機操縱設備，對成都市二環內低空環境進行數據仿真。并基于mission planner對數據樣本進行采集(如圖9所示)，采集訓練數據為10 000條，其中由于搖桿設備操作失誤導致的無人機侵入禁飛區、與障礙物相撞、混合運行干擾等異常數據為1 766條，如表2 所示。合作型無人機的特征為航跡偏差次數、航跡偏差均值()、爬升角度差異系數和轉彎半徑的波動(Δ)；而非合作型無人機的特征為禁飛區侵入判定系數、無人機沖突距離變化量Δ和飛行目的參考系數。

圖9 數據仿真采集平臺Fig.9 Data simulation acquisition platform

表2 數據信息Table 2 Data information

設定隨機采取的樣本數量=256、樹的高度=8和有效二叉樹的數量=100(有效二叉樹：預先不設立二叉樹數量，累計可生長二叉樹數量達到100后停止)。通過受試者工作特征(Receiver Operating Characteristic, ROC)曲線下方的面積大小(Area Under Curve, AUC)對預測精度進行評價，其中AUC∈[0, 1]，AUC值越靠近1，說明精度越高。基于同一組數據將傳統的孤立森林算法和改進的孤立森林算法的精度評價、收斂速度進行比較，如圖10(a)所示。可得仿真結果數據如表3所示。

圖10 改進算法與傳統算法比較Fig.10 Comparison between improved and traditional algorithms

根據表3可得，改進孤立森林算法相比于傳統的孤立森林算法，AUC值更接近于1，因此算法精度較高；同時運行時間快了5.179 s，樣本的預測精準度高了3.2%，因此改進算法具有明顯的優越性。

表3 仿真結果Table 3 Experimental results

為了進一步說明算法的先進性，基于同一數據集，選用了單類支持向量機、樸素貝葉斯、神經網絡以及決策樹算法進行比較。經測試，得出孤立森林算法預測精準度為96.4%，神經網絡算法預測精準度為83.2%，樸素貝葉斯算法預測精準度為80.6%，單類支持向量機算法的預測精準度為81.8%，決策樹算法預測精準度為78.1%，如圖10(b)所示。

無人機異常類型判別結果如表4所示，實際檢測系統如圖11所示。

表4 異常行為判別結果Table 4 Discrimination results of abnormal behaviors

圖11 異常行為檢測系統Fig.11 Abnormal behavior detection system

4 結論與展望

本文針對無人機異常行為檢測中的關鍵問題，主要提出了基于Sobel Operator-CNN算法的無人機類別判定方法和基于動態最大生長高度的改進孤立森林算法，以提升對合作型無人機和非合作型無人機異常行為檢測的準確率和效率。在無人機飛行狀態特征分析方面，對于合作型無人機，針對航跡、爬升/下降和轉彎等狀態特征，提出了偏差均值、差異系數等關鍵參數；對于非合作型無人機，針對禁飛區侵入和飛行目的等特征，提出了基于Sobel Operator-CNN算法的無人機類型判定方法，實現了無人機運行場景和外觀特征的融合，形成了非合作型無人機異常參考系數。進而，提出了基于動態最大生長高度的改進孤立森林算法，對無人機異常行為進行檢測。仿真結果表明，本文所提出的方法可有效提高無人機異常行為檢測的準確性和效率。解決了無人機異常行為檢測中外觀特征數據與運行環境融合的關鍵性問題，進一步降低了無人機異常行為檢測難度。下一步，擬將本方法與無人機感知和避撞系統相結合，實現中大型無人機“外觀特征+運行數據”的異常行為檢測，進一步推動無人機全面融入國家空域系統。