基于联邦学习的低空多无人机协同感知特征融合与隐私保护机制设计.docxVIP

PAGE2

基于联邦学习的低空多无人机协同感知特征融合与隐私保护机制设计

摘要

随着低空经济的快速发展，无人机在物流配送、环境监测、城市治理等场景中广泛应用，多机协同感知成为提升作业效率的关键技术。

然而，传统集中式数据处理模式面临地面隐私泄露、通信带宽受限等严峻挑战。本课题针对低空多无人机协同感知中的特征级融合与隐私保护问题，设计了一种基于联邦学习的分布式协同感知框架。

首先，提出分布式无人机特征级融合算法，通过联邦学习实现多机局部特征的协同训练，在不上传原始数据的前提下提升全局感知精度。其次，设计基于差分隐私的梯度保护机制，在模型参数传递过程中注入可控噪声，有效抵御梯度泄露攻击。

论文系统阐述了需求分析、总体架构设计、算法详细设计、仿真实现与性能测试的完整工程流程。核心创新点在于将联邦学习引入无人机边缘计算场景，并结合自适应差分隐私机制，在保障地面隐私前提下，将全局感知精度提升至非隐私保护方案的92%以上。

第一章绪论

1.1研究背景

近年来，低空经济作为战略性新兴产业，在全球范围内呈现出爆发式增长态势。无人机作为低空经济的核心载体，已从单一的航拍娱乐工具，演变为承载物流配送、农业植保、电力巡检、应急救援等多元化任务的生产力平台。

在复杂的城市低空环境中，单架无人机受限于传感器视场、计算能力与通信距离，往往难以独立完成大范围、高精度的环境感知任务。多无人机协同感知通过