多传感器深度度量学习在无人机未知异常检测中的创新应用

无人机(UAV)安全面临未知异常威胁，传统检测方法存在局限。南京邮电大学团队提出多传感器深度度量学习(MS-DML)方法，通过构建多模态特征提取网络(MSFEN)和深度度量学习(DML)框架，实现已知异常精准分类(准确率提升1.30%-2.44%)与未知异常发现(最高准确率98.39%)，并开发基于K近邻的在线更新算法，仅需5%标注样本即可完成模型更新。该研究发表于《Engineering Applications of Artificial Intelligence》，为动态环境下的无人机安全监测提供新范式。

　　

随着无人机(UAV)在农业监测、灾害管理等领域的广泛应用，其安全问题日益凸显。无人机不仅面临无线通信被攻击的风险，复杂的机械结构也容易因部件故障或恶劣环境（如强风、高温）引发异常。更棘手的是，在早期部署阶段常会出现训练数据中未记录的"未知异常"，而现有方法要么只能识别预设的已知异常（如监督学习），要么仅能进行正常/异常的二元判断（如无监督学习），且严重依赖人工设定阈值。如何实现未知异常的及时发现与精准分类，成为制约无人机安全的关键瓶颈。

南京邮电大学研究人员在《Engineering Applications of Artificial Intelligence》发表创新成果，提出多传感器深度度量学习方法(MS-DML)。该方法通过三个关键技术突破传统局限：1) 基于MobileNetV2倒残差结构和Transformer的多传感器特征提取网络(MSFEN)，有效处理加速度计、陀螺仪等异构数据；2) 深度度量学习(DML)框架将样本映射到低维空间，通过样本间距识别未知异常；3) 改进K近邻(K-NN)算法实现模型在线更新，仅需标注5%的未知异常样本即可完成新类别学习，避免传统方法需全量重训练的高成本。

多模态特征提取网络设计
MSFEN采用双编码器架构分别处理不同模态数据，通过堆叠Transformer编码器捕获跨模态关联。相比CNN和RNN，Transformer能同时处理全局信息且不受感受野限制，实验显示其对陀螺仪和GPS数据的特征融合效率提升23%。

深度度量学习框架
放弃传统端到端分类模式，改用DML策略训练MSFEN。在嵌入空间内，相同类别样本距离缩短60%，而不同类别间距扩大2.1倍，为未知异常留出判别空间。

未知异常发现与更新
改进K-means算法在低维空间聚类，当标注的未知异常样本出现在某簇时，自动标记该簇全部样本。在五组基准测试中，对突发电池故障等新异常类型的发现准确率达94.66%，更新后分类精度超80%。

该研究构建了"已知异常识别-未知异常发现-在线模型更新"的完整技术链条。MS-DML不仅将已知异常检测准确率最高提升2.44%，更突破性地实现仅用少量标注样本完成模型迭代，计算成本降低70%。这种融合多模态感知、度量学习和在线更新的技术路线，为智能装备的自主安全监测提供了普适性框架，尤其适用于缺乏先验知识的复杂应用场景。未来研究可进一步探索跨无人机集群的协同异常检测机制，以及极端环境下的模型鲁棒性增强方法。