CN106127146A - 一种基于手势识别的无人机航迹指引方法 - Google Patents

一种基于手势识别的无人机航迹指引方法 Download PDF

Info

Publication number
CN106127146A
CN106127146A CN201610459640.8A CN201610459640A CN106127146A CN 106127146 A CN106127146 A CN 106127146A CN 201610459640 A CN201610459640 A CN 201610459640A CN 106127146 A CN106127146 A CN 106127146A
Authority
CN
China
Prior art keywords
neural network
aerial vehicle
output
unmanned aerial
gesture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610459640.8A
Other languages
English (en)
Inventor
孟继成
沈宗辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610459640.8A priority Critical patent/CN106127146A/zh
Publication of CN106127146A publication Critical patent/CN106127146A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20Movements or behaviour, e.g. gesture recognition
    • G06V40/28Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Abstract

本发明公开了一种基于手势识别的无人机航迹指引方法,通过使用协同神经网络(Synergetic Neural Network,SNN)的方法构建神经网络,通过采集大量的无人机操作指引的手势图像作为样本,对神经网络进行训练,最终使得神经网络能够识别无人机地面站摄像头采集到的手势图像,并通过本发明所构建的系统对应出相应的操作指令,对无人机飞行器的飞行动作做出相对应的指示,实现无人机手势指引飞行。

Description

一种基于手势识别的无人机航迹指引方法
技术领域
本发明属于通信技术领域,更为具体地讲,涉及一种基于手势识别的无人机航迹指引方法。
背景技术
目前,传统的无人机飞行器都是采用遥控器或地面站的方式来指引无人机飞行的。但是无论是操作无人机飞行器的遥控器还是地面站均需要相当熟练操作水平,否则极易造成无人机的损坏,甚至对操作者的人身安全产生一定的影响。然而培养一名有经验的飞手需要一定的周期以及不菲的代价。
无人机最早在20世纪20年代出现,最初在军事上作为训练时的靶机使用,随着科学技术的发展进步,无人机飞行器在社会生产生活中得到了广泛的应用,无人机飞行器的产品种类也越来越丰富。
但是,目前传统的无人机飞行器都是采用遥控器和地面站共同作用的方式来指引无人机飞行的。无人机飞行器的遥控器和地面站却均设置了较多的按钮和拨杆,且其结构功能复杂,在实际操作中经常需要多个按钮同时配合使用,才能满足所期望的飞行要求,这对操作者的操作水平有较高的要求。同时由于遥控器采用的是拨杆和按钮的设计,在飞行操作的过程中只能凭借人的肉眼观察调整飞行状态,使得飞行精度难以保证。
本发明针对上述问题,提出了采用手势识别技术的方法,通过手势信息指引无人机的操作,使得无人机飞行器在操作上更为便捷精确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于手势识别的无人机航迹指引方法,通过在无人机地面站系统中添加手势指引,使无人机操作者能入门轻松、操作简单。
为实现上述发明目的,本发明为一种基于手势识别的无人机航迹指引方法,其特征在于,包括以下步骤:
(1)、图像采集
利用摄像头采集操作者的手势图像,并上传到无人机地面站系统;
(2)、图像预处理
无人机地面站系统先将手势图像转化为灰度图像,再将灰度图像转换为行向量,并将该行向量标记为q;
(3)、构建图像识别的动力学方程
按照协同理论,利用行向量q作为待识别模式构建图像识别的动力学方程:
q · = Σ k λ k v k ( v k + q ) - B Σ k = k ′ ( v k ′ + q ) 2 ( v k + q ) v k - C ( q + q ) q + F ( t )
其中,λk为注意参数,只有当它为正时,模式才能被识别;vk为原型模式,且vk满足零均值和归一化的条件;为vk的正交伴随向量;F(t)为涨落力;q+表示为q的伴随向量;表示q关于时间的一阶倒数;k表示手势图像所属类别;B、C分别为常系数;
(4)、引入序参量ξk,将动力学过程转化成原型向量空间
序参量ξk表示行向量q在最小二乘意义下于vk上的投影,即:
进而把动力学过程转化成原型向量空间:
ξ k = λ k ξ k - Σ k ′ ≠ k B kk ′ ξ k ′ 2 ξ k - C ( Σ k ′ ξ k ′ 2 ) ξ k
(5)、利用协同神经网络模型来识别操作者的手势
将手势图像转换为灰度图像后作为训练样本,以训练样本中提取的序参量ξk作为协同神经网络的输入,根据先验知识确定训练样本中的操作手势,如果手掌展开且向上,则设置协同神经网络的输出为“000”;如果手掌展开且向下,则设置协同神经网络的输出为“001”;如果拇指指向上,则设置协同神经网络的输出为“010”;如果拇指指向下,则设置协同神经网络的输出为“011”;如果拇指指向左,则设置协同神经网络的输出为“100”;如果拇指指向右,则设置协同神经网络的输出为“101”;最后通过调整内部的权值和阈值,训练协同神经网络;
(6)、识别待监测手势图像中操作者手势
将待监测的手势图像经过上述步骤(1)到步骤(4)处理后提取出序参量ξk,再将序参量ξk输入到经过训练后的协同神经网络,根据协同神经网络的输出结果识别出操作者的手势;
(7)、根据操作者的手势发送对应的操作指令
如果协同神经网络的输出为“000”,则无人机地面站系统发送降落指令,控制无人机飞行器执行起操作;
如果协同神经网络的输出为“001”,则无人机地面站系统发送起飞指令,控制无人机飞行器执行降落操作;
如果协同神经网络的输出为“010”,则无人机地面站系统发送向上飞行指令,控制无人机飞行器执行向上飞行操作;
如果协同神经网络的输出为“011”,则无人机地面站系统发送向下飞行指令,控制无人机飞行器执行向下飞行操作;
如果协同神经网络的输出为“100”,则无人机地面站系统发送向左飞行指令,控制无人机飞行器执行向左飞行操作;
如果协同神经网络的输出为“101”,则无人机地面站系统发送向右飞行指令,控制无人机飞行器执行向右飞行操作。
本发明的发明目的是这样实现的:
本发明一种基于手势识别的无人机航迹指引方法,通过使用协同神经网络(Synergetic Neural Network,SNN)的方法构建神经网络,通过采集大量的无人机操作指引的手势图像作为样本,对神经网络进行训练,最终使得神经网络能够识别无人机地面站摄像头采集到的手势图像,并通过本发明所构建的系统对应出相应的操作指令,对无人机飞行器的飞行动作做出相对应的指示,实现无人机手势指引飞行。
同时,本发明一种基于手势识别的无人机航迹指引方法还具有以下有益效果:
(1)、通过使用协同神经网络(Synergetic Neural Network,SNN)的方法所构建神经网络,实现了协同模式理论在神经网络方面的应用突破,为神经网络训练提供了又一有力的方法。
(2)、通过采用手势指引无人机飞行器的方法,突破了传统的依靠遥控器和地面站实施无人机飞行器操作的方式,极大的提高了无人机飞行器操作的便利性,有效的降低了无人机飞行器的操作门槛,更加有利于无人机飞行器的发展推广。
(3)、通过采用手势指引无人机飞行器的方法,量化了不同操作手势对应飞行动作,使得无人机的飞行操作相比传统的拨杆式的操作方式在精度上有了较大的提高。
附图说明
图1是本发明基于手势识别的无人机航迹指引方法流程图;
图2是3层协同神经网络模型;
图3是无人机地面站系统的手势指引操作界面;
图4是操作手势图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于手势识别的无人机航迹指引方法流程图。
在本实施例中,如图1所示,本发明一种基于手势识别的无人机航迹指引方法,包括以下步骤:
S1、图像采集
利用摄像头采集操作者的手势图像,并上传到无人机地面站系统;在本实施例中,可以利用电脑上安装的摄像头,手持终端上自带摄像头等。
S2、图像预处理
由于摄像头所采集的图像为彩色图像无法是直接输入到后续神经网络中进行操作,因此,必须经过相应的预处理,才能为后续处理所使用;
彩色图片包含的信息量大,但大部分时候仅仅需要用到灰度图像里的信息,如纹理、对比度等;所以为了加快在图像方面的计算速度,在模式识别中常使用灰度图或者二值图像;在本实施例中,将彩色图先转换为灰度图,因为灰度图像依然表现出了整个图像的整体以及局部纹理特征、亮度、对比度等,但是大大的减少了计算量;
综上,无人机地面站系统先将手势图像转化为灰度图像,再将灰度图像转换为行向量,并将该行向量标记为q;
S3、识别操作者手势
S3.1、构建图像识别的动力学方程
按照协同理论,模式识别的过程可以理解为若干序参量竞争的过程,协同理论处理问题的核心思想就是把一个高维的非线性问题归结为同一组维数很低的非线性方程。
因此,按照协同理论,利用行向量q作为待识别模式构建图像识别的动力学方程:
q · = Σ k λ k v k ( v k + q ) - B Σ k = k ′ ( v k ′ + q ) 2 ( v k + q ) v k - C ( q + q ) q + F ( t )
其中,λk为注意参数,只有当它为正时,模式才能被识别;vk为原型模式,且vk满足零均值和归一化的条件;为vk的正交伴随向量;F(t)为涨落力;q+表示为q的伴随向量;表示q关于时间的一阶倒数;k表示手势图像所属类别;B、C分别为常系数;k=k'表示具体取某一类别的手势图像;
S3.2、引入序参量ξk,将动力学过程转化成原型向量空间
为了减少维数,协同理论引入序参量ξk,序参量ξk表示行向量q在最小二乘意义下于vk上的投影;
其中待识别模式向量q可分解为原型向量vk和剩余量ω;
即:
q = Σ k = 1 M ξ k v k + ω , v k + ω = 0
则得:
其中,M表示手势图像所属类别总数;
进而把动力学过程转化成原型向量空间,也就是转换为标准协同模式识别模型:
ξ k = λ k ξ k - Σ k ′ ≠ k B kk ′ ξ k ′ 2 ξ k - C ( Σ k ′ ξ k ′ 2 ) ξ k
S3.3、利用协同神经网络模型来识别操作者的手势
将手势图像转换为灰度图像后作为训练样本,以训练样本中提取的序参量ξk作为协同神经网络的输入,根据先验知识确定训练样本中的操作手势,如果手掌展开且向上,则设置协同神经网络的输出为“000”;如果手掌展开且向下,则设置协同神经网络的输出为“001”;如果拇指指向上,则设置协同神经网络的输出为“010”;如果拇指指向下,则设置协同神经网络的输出为“011”;如果拇指指向左,则设置协同神经网络的输出为“100”;如果拇指指向右,则设置协同神经网络的输出为“101”;最后通过调整内部的权值和阈值,训练协同神经网络;
在本实施例中,利用序参量ξk可构造如图2所示的3层神经网络;
在输入层,输入层的单元i接收待识别模式向量初始值q(0)的第i个分量qi(0),在本发明中q(0)为第一步采集到的手势图片的灰度图片经过矩阵变换后得到的数字图片的行向量。
中间层表示各个序参量(ξk)神经元,序参量ξk是由每个输入值qi(0)乘以相连接的并对全部角码i求和所得。网络运行时,具有活性的序参量ξk的各个神经元即可识别出角码k所确定的特定原型模式,网络按照动力学方程运行和演化,同时随时间的发展达到最终状态。最后,系统的最终状态将由具有最大初始序参量的非稳定模决定,利用该序参量即可得到qj
在输出层,输出层的模式可表达成qj是输出单元j的活性,ξk是中间层的最终状态。当k=k0时,ξk=1;其他情况下,ξk=0。vk,j是原型向量vk的j个分量,另外,可通过用uk,j替换向量的分量vk,j来识别出用uk,j描述的属于角码k的新模式。在本实施例中,即为识别出对应的操作者的手势。
S3.4、识别待监测手势图像中操作者手势
将待监测的手势图像经过上述步骤处理后提取出序参量ξk,再将序参量ξk输入到经过训练后的协同神经网络,根据协同神经网络的输出结果识别出操作者的手势;
在本实施例中,如图3所示,在无人机地面站系统的手势指引操作界面中,明确显示了采集的操作者手势信息1,识别后确认手势2,控制窗口3,无人机飞行状态显示4,以及无人机的飞行参数5。
S4、根据操作者的手势发送对应的操作指令
如果协同神经网络的输出为“000”,则此时对应的操作手势如图4(a)所示,且该操作手势对应为起飞指令;那么无人机地面站系统发送起飞指令,控制无人机飞行器执行起飞操作;
如果协同神经网络的输出为“001”,则此时对应的操作手势如图4(b)所示,且该操作手势对应为降落指令;那么无人机地面站系统发送起飞指令,控制无人机飞行器执行降落操作;
如果协同神经网络的输出为“010”,则此时对应的操作手势如图4(c)所示,且该操作手势对应为向上飞行指令;那么无人机地面站系统发送向上飞行指令,控制无人机飞行器执行向上飞行操作;
如果协同神经网络的输出为“011”,则此时对应的操作手势如图4(d)所示,且该操作手势对应为向下飞行指令;那么无人机地面站系统发送向下飞行指令,控制无人机飞行器执行向下飞行操作;
如果协同神经网络的输出为“100”,则此时对应的操作手势如图4(e)所示,且该操作手势对应为向左飞行指令;那么无人机地面站系统发送向左飞行指令,控制无人机飞行器执行向左飞行操作;
如果协同神经网络的输出为“101”,则此时对应的操作手势如图4(f)所示,且该操作手势对应为向右飞行指令;那么无人机地面站系统发送向右飞行指令,控制无人机飞行器执行向右飞行操作。
此外,还可以训练出多种操作手势,用于控制无人机飞行器执行拔升飞行高度h米、降低飞行高度h米、向左偏航θ°、向右偏航θ°等操作,其中,h和θ的值可以根据实际的飞行环境设定。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于手势识别的无人机航迹指引方法,其特征在于,包括以下步骤:
(1)、图像采集
利用摄像头采集操作者的手势图像,并上传到无人机地面站系统;
(2)、图像预处理
无人机地面站系统先将手势图像转化为灰度图像,再将灰度图像转换为行向量,并将该行向量标记为q;
(3)、构建图像识别的动力学方程
按照协同理论,利用行向量q作为待识别模式构图像识别的动力学方程:
q · = Σ k λ k v k ( v k + q ) - B Σ k = k ′ ( v k ′ + q ) 2 ( v k + q ) v k - C ( q + q ) q + F ( t )
其中,λk为注意参数,只有当它为正时,模式才能被识别;vk为原型模式,且vk满足零均值和归一化的条件;为vk的正交伴随向量;F(t)为涨落力;q+表示为q的伴随向量;表示q关于时间的一阶倒数;k表示手势图像所属类别;B、C分别为常系数;
(4)、引入序参量ξk,将动力学过程转化成原型向量空间
序参量ξk表示行向量q在最小二乘意义下于vk上的投影,即:进而把动力学过程转化成原型向量空间:
ξ k = λ k ξ k - Σ k ≠ k B kk ′ ξ k ′ 2 ξ k - C ( Σ k ′ ξ k ′ 2 ) ξ k
(5)、利用协同神经网络模型来识别操作者的手势
将手势图像转换为灰度图像后作为训练样本,以训练样本中提取的序参量ξk作为协同神经网络的输入,根据先验知识确定训练样本中的操作手势,如果手掌展开且向上,则设置协同同神经网络的输出为“000”;如果手掌展开且向下,则设置协同神经网络的输出为“001”;如果拇指指向上,则设置协同神经网络的输出为“010”;如果拇指指向下,则设置协同神经网络的输出为“011”;如果拇指指向左,则设置协同神经网络的输出为“100”;如果拇指指向右,则设置协同神经网络的输出为“101”;最后通过调整内部的权值和阈值,训练协同神经网络;
(6)、识别待监测手势图像中操作者手势
将待监测的手势图像经过上述步骤(1)到步骤(4)处理后提取出序参量ξk,再将序参量ξk输入到经过训练后的协同神经网络,根据协同神经网络的输出结果识别出操作者的手势;
(7)、根据操作者的手势发送对应的操作指令
如果协同神经网络的输出为“000”,则无人机地面站系统发送起飞指令,控制无人机飞行器执行起飞操作;
如果协同神经网络的输出为“001”,则无人机地面站系统发送降落指令,控制无人机飞行器执行降落操作;
如果协同神经网络的输出为“010”,则无人机地面站系统发送向上飞行指令,控制无人机飞行器执行向上飞行操作;
如果协同神经网络的输出为“011”,则无人机地面站系统发送向下飞行指令,控制无人机飞行器执行向下飞行操作;
如果协同神经网络的输出为“100”,则无人机地面站系统发送向左飞行指令,控制无人机飞行器执行向左飞行操作;
如果协同神经网络的输出为“101”,则无人机地面站系统发送向右飞行指令,控制无人机飞行器执行向右飞行操作。
2.根据权利要求1所述的一种基于手势识别的无人机航迹指引方法,其特征在于,所述步骤(7)中,还可以训练出多种操作手势,控制无人机飞行器执行拔升飞行高度h米、降低飞行高度h米、向左偏航θ°、向右偏航θ°等操作。
CN201610459640.8A 2016-06-22 2016-06-22 一种基于手势识别的无人机航迹指引方法 Pending CN106127146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610459640.8A CN106127146A (zh) 2016-06-22 2016-06-22 一种基于手势识别的无人机航迹指引方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610459640.8A CN106127146A (zh) 2016-06-22 2016-06-22 一种基于手势识别的无人机航迹指引方法

Publications (1)

Publication Number Publication Date
CN106127146A true CN106127146A (zh) 2016-11-16

Family

ID=57269230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610459640.8A Pending CN106127146A (zh) 2016-06-22 2016-06-22 一种基于手势识别的无人机航迹指引方法

Country Status (1)

Country Link
CN (1) CN106127146A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933236A (zh) * 2017-02-25 2017-07-07 上海瞬动科技有限公司合肥分公司 一种骨架控制无人机放飞和回收的方法及装置
CN107273929A (zh) * 2017-06-14 2017-10-20 电子科技大学 一种基于深度协同神经网络的无人机自主降落方法
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN107483813A (zh) * 2017-08-08 2017-12-15 深圳市明日实业股份有限公司 一种根据手势进行跟踪录播的方法、装置及存储装置
CN107526438A (zh) * 2017-08-08 2017-12-29 深圳市明日实业股份有限公司 根据举手动作进行跟踪录播的方法、装置及存储装置
CN108873933A (zh) * 2018-06-28 2018-11-23 西北工业大学 一种无人机手势控制方法
CN109144272A (zh) * 2018-09-10 2019-01-04 哈尔滨工业大学 一种基于数据手套手势识别的四旋翼无人机控制方法
CN109613930A (zh) * 2018-12-21 2019-04-12 中国科学院自动化研究所南京人工智能芯片创新研究院 无人飞行器的控制方法、装置、无人飞行器及存储介质
CN109978053A (zh) * 2019-03-25 2019-07-05 北京航空航天大学 一种基于社团划分的无人机协同控制方法
US11340606B2 (en) * 2016-12-21 2022-05-24 Hangzhou Zero Zero Technology Co., Ltd. System and method for controller-free user drone interaction

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259570A (zh) * 2012-02-15 2013-08-21 重庆金美通信有限责任公司 一种改进的大多普勒频移下的频偏补偿技术
US20140081895A1 (en) * 2012-09-20 2014-03-20 Oliver Coenen Spiking neuron network adaptive control apparatus and methods
CN205139708U (zh) * 2015-10-28 2016-04-06 上海顺砾智能科技有限公司 一种无人机的动作识别远程控制装置
CN105677300A (zh) * 2016-02-04 2016-06-15 普宙飞行器科技(深圳)有限公司 基于手势识别操控无人机的方法、无人机及系统
CN105676860A (zh) * 2016-03-17 2016-06-15 歌尔声学股份有限公司 一种可穿戴设备、无人机控制装置和控制实现方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259570A (zh) * 2012-02-15 2013-08-21 重庆金美通信有限责任公司 一种改进的大多普勒频移下的频偏补偿技术
US20140081895A1 (en) * 2012-09-20 2014-03-20 Oliver Coenen Spiking neuron network adaptive control apparatus and methods
CN205139708U (zh) * 2015-10-28 2016-04-06 上海顺砾智能科技有限公司 一种无人机的动作识别远程控制装置
CN105677300A (zh) * 2016-02-04 2016-06-15 普宙飞行器科技(深圳)有限公司 基于手势识别操控无人机的方法、无人机及系统
CN105676860A (zh) * 2016-03-17 2016-06-15 歌尔声学股份有限公司 一种可穿戴设备、无人机控制装置和控制实现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘秉瀚等: "协同模式识别方法综述", 《系统工程与电子技术》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11340606B2 (en) * 2016-12-21 2022-05-24 Hangzhou Zero Zero Technology Co., Ltd. System and method for controller-free user drone interaction
CN106933236A (zh) * 2017-02-25 2017-07-07 上海瞬动科技有限公司合肥分公司 一种骨架控制无人机放飞和回收的方法及装置
CN107273929A (zh) * 2017-06-14 2017-10-20 电子科技大学 一种基于深度协同神经网络的无人机自主降落方法
US11150655B2 (en) 2017-06-30 2021-10-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and system for training unmanned aerial vehicle control model based on artificial intelligence
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN107483813A (zh) * 2017-08-08 2017-12-15 深圳市明日实业股份有限公司 一种根据手势进行跟踪录播的方法、装置及存储装置
CN107526438A (zh) * 2017-08-08 2017-12-29 深圳市明日实业股份有限公司 根据举手动作进行跟踪录播的方法、装置及存储装置
CN108873933A (zh) * 2018-06-28 2018-11-23 西北工业大学 一种无人机手势控制方法
CN109144272A (zh) * 2018-09-10 2019-01-04 哈尔滨工业大学 一种基于数据手套手势识别的四旋翼无人机控制方法
CN109144272B (zh) * 2018-09-10 2021-07-13 哈尔滨工业大学 一种基于数据手套手势识别的四旋翼无人机控制方法
CN109613930B (zh) * 2018-12-21 2022-05-24 中国科学院自动化研究所南京人工智能芯片创新研究院 无人飞行器的控制方法、装置、无人飞行器及存储介质
CN109613930A (zh) * 2018-12-21 2019-04-12 中国科学院自动化研究所南京人工智能芯片创新研究院 无人飞行器的控制方法、装置、无人飞行器及存储介质
CN109978053B (zh) * 2019-03-25 2021-03-23 北京航空航天大学 一种基于社团划分的无人机协同控制方法
CN109978053A (zh) * 2019-03-25 2019-07-05 北京航空航天大学 一种基于社团划分的无人机协同控制方法

Similar Documents

Publication Publication Date Title
CN106127146A (zh) 一种基于手势识别的无人机航迹指引方法
CN106773689B (zh) 基于分层分布式模型预测控制的auv编队协同控制方法
CN106200679B (zh) 基于多模态自然交互的单操作员多无人机混合主动控制方法
Kurnaz et al. Adaptive neuro-fuzzy inference system based autonomous flight control of unmanned air vehicles
CN105518555B (zh) 目标追踪系统及方法
US20180231985A1 (en) System and method for vision-based flight self-stabilization by deep gated recurrent q-networks
Hong et al. Energy-efficient online path planning of multiple drones using reinforcement learning
CN104950695B (zh) 一种通用的无人机视觉仿真平台
CN106716272A (zh) 用于飞行模拟的系统和方法
CN107272734A (zh) 无人机飞行任务执行方法、无人机及计算机可读存储介质
CN105589466A (zh) 无人飞行器的飞行控制装置及其飞行控制方法
CN104504520B (zh) 一种基于神经网络的深空探测器自主任务规划方法
CN109144099A (zh) 基于卷积神经网络的无人机群行动方案快速评估方法
Cotting Evolution of flying qualities analysis: Problems for a new generation of aircraft
Maher et al. Realtime human-UAV interaction using deep learning
CN107273929A (zh) 一种基于深度协同神经网络的无人机自主降落方法
Akhtar et al. Real-time optimal techniques for unmanned air vehicles fuel saving
Olivares-Mendez et al. Setting up a testbed for UAV vision based control using V-REP & ROS: A case study on aerial visual inspection
CN115033022A (zh) 面向移动平台基于专家经验的ddpg无人机降落方法
Mantegazza et al. Vision-based control of a quadrotor in user proximity: Mediated vs end-to-end learning approaches
CN105989376B (zh) 一种基于神经网络的手写识别系统、装置和移动终端
CN110618692A (zh) 用于控制无人机起飞的方法和装置
US20190187692A1 (en) Remote control device and method for uav and motion control device attached to uav
Schelle et al. Gestural transmission of tasking information to an airborne UAV
CN104460345B (zh) 一种智能集群自组织控制仿真系统及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161116

RJ01 Rejection of invention patent application after publication