CN110543182B - 一种小型无人旋翼机自主着陆控制方法及系统 - Google Patents
一种小型无人旋翼机自主着陆控制方法及系统 Download PDFInfo
- Publication number
- CN110543182B CN110543182B CN201910857934.XA CN201910857934A CN110543182B CN 110543182 B CN110543182 B CN 110543182B CN 201910857934 A CN201910857934 A CN 201910857934A CN 110543182 B CN110543182 B CN 110543182B
- Authority
- CN
- China
- Prior art keywords
- landing
- sample
- autonomous
- scene image
- test
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Abstract
本发明公开一种小型无人旋翼机自主着陆控制方法及系统。本发明利用训练集训练卷积神经网络,获得自主着陆控制模型后,将测试样本输入量输入自主着陆控制模型,获得测试样本输出量。根据测试样本输出量控制无人旋翼机进行自主着陆,并记录着陆姿态角。若着陆姿态角过大则修正测试样本输出量,获得修正样本输出量。最后将增融样本对添加到训练集中,利用新的训练集重新训练卷积神经网络至自主着陆控制模型能够控制无人旋翼机进行自主安全着陆。其中,增融样本对包括一组输入和一组输出,增融样本对的输入为测试样本输入量,增融样本对的输出为修正样本输出量。可见,本发明利用数据增融的方法训练获得的自主着陆控制模型,自适应强,稳定性高。
Description
技术领域
本发明涉及无人机环境感知及控制领域,特别是涉及一种小型无人旋翼机自主着陆控制方法及系统。
背景技术
小型无人自旋翼机因其灵活性、稳定性及易控性被广泛应用于航拍、摄影和险情探测等方面,利用无人机搭载的相机,基于视觉算法,可以提供给无人机更多的智能化与自主化。小型无人自旋翼机的自主着陆是其自主化的关键环节。强化学习近年来被广泛研究应用于自动驾驶、无人机操作和机器人控制上,其目的是训练一个最优控制策略,以使在某个状态下执行某个动作后获得的长期收益期望最大化,即训练出一个根据当前环境状态决策出一个执行动作的控制策略,该控制策略能够连续不断决策直到动作周期结束即任务完成。传统基于感知环境、定位、决策等步骤的基于规则的控制策略,决策过程复杂,计算量大,控制策略的适用范围有限,自适应性能差。
发明内容
本发明的目的是提供一种小型无人旋翼机自主着陆控制方法及系统,自主着陆控制模型的自适应强,稳定性高。
为实现上述目的,本发明提供了如下方案:
一种小型无人旋翼机自主着陆控制方法,所述控制方法包括:
获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度;
将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比;
根据所述实时占空比控制所述目标旋翼机进行自主着陆;
其中,所述自主着陆控制模型的确定方法包括:
获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比;
利用所述训练集训练卷积神经网络,获得自主着陆控制模型;
获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度;
将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量;
根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角;
判断所述着陆姿态角是否小于或者等于着陆姿态角阈值;
若否,根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量;
将增融样本对添加到所述训练集中,形成新的训练集,返回所述利用所述训练集训练卷积神经网络;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
可选的,所述训练集包括不同飞行高度和不同飞行姿态的样本对。
可选的,所述着陆姿态角阈值包括俯仰角阈值和横滚角阈值。
可选的,所述俯仰角阈值为10°,所述横滚角阈值为10°。
一种小型无人旋翼机自主着陆控制系统,所述控制系统包括:
实时飞行数据获取模块,用于获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度;
实时占空比确定模块,用于将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比;
着陆控制模块,用于根据所述实时占空比控制所述目标旋翼机进行自主着陆;
其中,所述自主着陆控制模型的确定子系统包括:
训练集获取模块,用于获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比;
训练模块,用于利用所述训练集训练卷积神经网络,获得自主着陆控制模型;
测试输入获取模块,用于获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度;
测试输出确定模块,用于将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量;
测试模块,用于根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角;
判断模块,用于判断所述着陆姿态角是否小于或者等于着陆姿态角阈值;
修正模块,用于根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量;
更新返回模块,用于将增融样本对添加到所述训练集中,形成新的训练集;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种小型无人旋翼机自主着陆控制方法及系统中,利用原有训练集训练卷积神经网络,获得自主着陆控制模型后,将测试样本输入量输入自主着陆控制模型,获得测试样本输出量。然后根据测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角。若着陆姿态角小于或者等于着陆姿态角阈值,则输出自主着陆控制模型。否则,根据着陆姿态角修正测试样本输出量,获得使无人旋翼机进行自主安全着陆的修正样本输出量。最后将增融样本对添加到训练集中,利用新的训练集重新训练卷积神经网络至自主着陆控制模型能够控制无人旋翼机进行自主安全着陆。其中,增融样本对包括一组输入和一组输出,增融样本对的输入为测试样本输入量,增融样本对的输出为修正样本输出量。可见,本发明利用数据增融的方法训练获得的自主着陆控制模型,自适应强,稳定性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种小型无人旋翼机自主着陆控制方法的流程图;
图2为本发明实施例提供的一种自主着陆控制模型的确定方法的流程图;
图3为本发明实施例提供的一种小型无人旋翼机自主着陆控制系统的结构框图;
图4为本发明实施例提供的自主着陆控制模型的确定子系统的结构框图;
图5为本发明实施例采用的地面着陆区域示意图;
图6为本发明实施例采用的多重采样的采样轨迹示意图;
图7为本发明实施例提供的卷积神经网络的网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种小型无人旋翼机自主着陆控制方法及系统,自主着陆控制模型的自适应强,稳定性高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种小型无人旋翼机自主着陆控制方法的流程图。如图1所示,所述控制方法包括:
步骤101:获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度。
步骤102:将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比。
步骤103:根据所述实时占空比控制所述目标旋翼机进行自主着陆。
图2为本发明实施例提供的一种自主着陆控制模型的确定方法的流程图。如图2所示,所述自主着陆控制模型的确定方法包括:
步骤201:获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比。本实施例中,所述训练集包括不同飞行高度和不同飞行姿态的样本对。
步骤202:利用所述训练集训练卷积神经网络,获得自主着陆控制模型。
步骤203:获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度。
步骤204:将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量。
步骤205:根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角。
步骤206:判断所述着陆姿态角是否小于或者等于着陆姿态角阈值。其中,所述着陆姿态角阈值包括俯仰角阈值和横滚角阈值。所述俯仰角阈值为10°,所述横滚角阈值为10°。
若是,执行步骤207;若否,执行步骤208。
步骤207:输出自主着陆控制模型。
步骤208:根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量。
步骤209:将增融样本对添加到所述训练集中,形成新的训练集,返回所述步骤202;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
图3为本发明实施例提供的一种小型无人旋翼机自主着陆控制系统的结构框图。如图3所示,所述控制系统包括:
实时飞行数据获取模块301,用于获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度。
实时占空比确定模块302,用于将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比。
着陆控制模块303,用于根据所述实时占空比控制所述目标旋翼机进行自主着陆。
图4为本发明实施例提供的自主着陆控制模型的确定子系统的结构框图。如图4所示,所述自主着陆控制模型的确定子系统包括:
训练集获取模块401,用于获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比;
训练模块402,用于利用所述训练集训练卷积神经网络,获得自主着陆控制模型;
测试输入获取模块403,用于获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度;
测试输出确定模块404,用于将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量;
测试模块405,用于根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角;
判断模块406,用于判断所述着陆姿态角是否小于或者等于着陆姿态角阈值;
修正模块407,用于根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量;
更新返回模块408,用于将增融样本对添加到所述训练集中,形成新的训练集;返回训练模块402;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
图5为本发明实施例采用的地面着陆区域示意图。图6为本发明实施例采用的多重采样的采样轨迹示意图。结合图5和图6介绍本发明提供的小型无人旋翼机自主着陆控制方法的具体实施流程:
(1)收集训练集D;
在着陆区域上空的不同高度、不同方位,在不同光照条件下手动操作无人机,使其降落在着陆区域时与地面的俯仰和横滚夹角在安全范围内。本实施例中,着陆俯仰角小于或者等于10°,着陆横滚角小于或者等于10°。在着陆的过程中,相机以30帧/秒的频率记录无人机的状态量Ot和动作量Ut,D={O1,U1,...,ON,UN};其中状态量Ot包括拍摄的着陆场景图像Imaget和无人机飞行高度Ht,即Ot={Imaget,Ht}。动作量Ut为每帧图像对应的无人机飞行控制量,即螺旋桨电机驱动脉冲的占空比。本实施例中,无人旋翼机为四旋翼无人机,四个无刷电机驱动脉冲的占空比依次为:M1t,M2t,M3t,M4t,即Ut={M1t,M2t,M3t,M4t}。
(2)利用训练集对卷积神经网络进行有监督训练,输入为状态量,输出为控制量,基于有标签的数据进行端到端的学习。
(2.1)使用样本对Ot={Imaget,Ht}及Ut={M1t,M2t,M3t,M4t},通过监督学习的方法训练卷积神经网络πθ={Ut|Ot}。图7为本发明实施例提供的卷积神经网络的网络结构示意图。如图7所示,卷积神经网络的输入层为记录的图像Imaget,其中图像被缩放到300×300大小,卷积是神经网络提取图像特征的操作,图像经过6个卷积操作,6次卷积即逐层由浅层的细节纹理特征到深层的语义抽象特征来学习关键特征的自动提取及表达,6个卷积层后跟着全连接层,其中全连接层的输出维度为1024,即能够提取1024个维度的抽象特征,故在第一个全连接层形成包括1024个值的向量,再在该层把1个维度的飞行高度信息融合到一起,组成1025维度的信息,将1025个值一起输入到下一个全连接层,进行下层输出4个维度的全连接操作,经过公式(1)所示的运算,输出4个控制量,即输出四个无刷电机驱动脉冲的占空比Ut={M1t,M2t,M3t,M4t}。训练要达到的目的是无人机自主着陆过程中,根据无人机摄像头观测到某一着陆场景图像,能自主输出四个电机的控制量,即策略网络从人为标记的数据集中学习出正确操纵无人机着陆的控制轨迹;
Zi=Wi*X+b (1)
其中,X是全连接输出层上一层的网络输出矩阵,Wi是全连接层第i个输出单元的权值矩阵,b是全连接层的前置项,Zi指第i个输出单元的输出值。本实施例中,i=1,2,3,4,分别表示四个无刷电机驱动脉冲的占空比Ut={M1t,M2t,M3t,M4t}。
(2.2)训练直到在当前训练集下卷积神经网络收敛,获得自主着陆控制模型,收敛的条件是当前训练集下,卷积神经网络输出的欧式距离损失值不再下降,欧式距离损失值的计算公式如下:
(3)进行数据增融D←——D∪Dπ:
利用学习到的自主着陆控制模型控制无人机着陆,将测试样本输入自主着陆控制模型,获得测试样本输出量。其中,测试样本输入包括无人旋翼机的测试着陆场景图像和测试着陆场景图像对应的测试飞行高度。根据测试样本输出量控制无人旋翼机进行自主着陆,并记录着陆姿态角。判断着陆姿态角是否小于或者等于着陆姿态角阈值;若否,根据着陆姿态角修正所述测试样本输出量,获得使无人旋翼机进行自主安全着陆的修正样本输出量。将增融样本对Dπ添加到训练集中,形成新的训练集,完成数据增融。其中,增融样本对Dπ包括一组输入和一组输出,增融样本对的输入为测试样本输入量,增融样本对的输出为修正样本输出量。
(4)继续利用新的训练集训练卷积神经网络,直至自主着陆控制模型能很好的完成任务,使无人机能够准确平稳的着陆在设定区域。
本发明利用数据增融的方法,基于监督学习的方法训练出一个自适应强的策略网络,控制方法简单,原理清晰,策略网络收敛后,具有自适应强,稳定性高等特点。实际应用中,利用无人机上搭载的单目相机正视地面拍摄的着陆点地面场景图像,即可自主决策出无人机的执行动作,直到无人机安全停落在着陆区域。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种小型无人旋翼机自主着陆控制方法,其特征在于,所述控制方法包括:
获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度;
将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比;
根据所述实时占空比控制所述目标旋翼机进行自主着陆;
其中,所述自主着陆控制模型的确定方法包括:
获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比;
利用所述训练集训练卷积神经网络,获得自主着陆控制模型;
获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度;
将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量;
根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角;
判断所述着陆姿态角是否小于或者等于着陆姿态角阈值;
若否,根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量;
将增融样本对添加到所述训练集中,形成新的训练集,返回所述利用所述训练集训练卷积神经网络;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
2.根据权利要求1所述的控制方法,其特征在于,所述训练集包括不同飞行高度和不同飞行姿态的样本对。
3.根据权利要求1所述的控制方法,其特征在于,所述着陆姿态角阈值包括俯仰角阈值和横滚角阈值。
4.根据权利要求3所述的控制方法,其特征在于,所述俯仰角阈值为10°,所述横滚角阈值为10°。
5.一种小型无人旋翼机自主着陆控制系统,其特征在于,所述控制系统包括:
实时飞行数据获取模块,用于获取目标旋翼机的实时着陆场景图像和所述实时着陆场景图像对应的实时飞行高度;
实时占空比确定模块,用于将所述实时着陆场景图像和所述实时飞行高度输入自主着陆控制模型,获得螺旋桨电机驱动脉冲的实时占空比;所述自主着陆控制模型的输入为着陆场景图像和飞行高度,所述自主着陆控制模型的输出为螺旋桨电机驱动脉冲的占空比;
着陆控制模块,用于根据所述实时占空比控制所述目标旋翼机进行自主着陆;
其中,所述自主着陆控制模型的确定子系统包括:
训练集获取模块,用于获取训练集,所述训练集包括多个样本对,每一所述样本对包括一组输入和一组输出,所述输入包括无人旋翼机安全着陆过程的着陆场景图像和所述着陆场景图像对应的飞行高度,所述输出为所述着陆场景图像对应的螺旋桨电机驱动脉冲的占空比;
训练模块,用于利用所述训练集训练卷积神经网络,获得自主着陆控制模型;
测试输入获取模块,用于获取测试样本输入量,所述测试样本输入量包括所述无人旋翼机的测试着陆场景图像和所述测试着陆场景图像对应的测试飞行高度;
测试输出确定模块,用于将所述测试样本输入量输入所述自主着陆控制模型,获得测试样本输出量;
测试模块,用于根据所述测试样本输出量控制所述无人旋翼机进行自主着陆,并记录着陆姿态角;
判断模块,用于判断所述着陆姿态角是否小于或者等于着陆姿态角阈值;
修正模块,用于根据所述着陆姿态角修正所述测试样本输出量,获得使所述无人旋翼机进行自主安全着陆的修正样本输出量;
更新返回模块,用于将增融样本对添加到所述训练集中,形成新的训练集;其中,所述增融样本对包括一组输入和一组输出,所述增融样本对的输入为所述测试样本输入量,所述增融样本对的输出为所述修正样本输出量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857934.XA CN110543182B (zh) | 2019-09-11 | 2019-09-11 | 一种小型无人旋翼机自主着陆控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857934.XA CN110543182B (zh) | 2019-09-11 | 2019-09-11 | 一种小型无人旋翼机自主着陆控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543182A CN110543182A (zh) | 2019-12-06 |
CN110543182B true CN110543182B (zh) | 2022-03-15 |
Family
ID=68713324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857934.XA Active CN110543182B (zh) | 2019-09-11 | 2019-09-11 | 一种小型无人旋翼机自主着陆控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543182B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414001B (zh) * | 2020-01-14 | 2021-06-29 | 华中科技大学 | 一种用于低空航空器的自主停机装置和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007331426A (ja) * | 2006-06-12 | 2007-12-27 | Kenzo Nonami | 自律飛行制御装置及び自律飛行制御装置を搭載した小型無人ヘリコプタ |
CN101504287A (zh) * | 2009-01-22 | 2009-08-12 | 浙江大学 | 基于视觉信息的无人飞行器自主着陆的姿态参数估算方法 |
CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与系统 |
CN108820233A (zh) * | 2018-07-05 | 2018-11-16 | 西京学院 | 一种固定翼无人机视觉着陆引导方法 |
CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技(深圳)有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
-
2019
- 2019-09-11 CN CN201910857934.XA patent/CN110543182B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007331426A (ja) * | 2006-06-12 | 2007-12-27 | Kenzo Nonami | 自律飛行制御装置及び自律飛行制御装置を搭載した小型無人ヘリコプタ |
CN101504287A (zh) * | 2009-01-22 | 2009-08-12 | 浙江大学 | 基于视觉信息的无人飞行器自主着陆的姿态参数估算方法 |
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与系统 |
CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
CN108820233A (zh) * | 2018-07-05 | 2018-11-16 | 西京学院 | 一种固定翼无人机视觉着陆引导方法 |
CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技(深圳)有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Real time autonomous transmission line following system for quadrotor helicopters;Chuang Deng 等;《2016 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE)》;20161231;全文 * |
基于双目视觉的多旋翼无人机自主降落定位方法研究;徐焕太;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110543182A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471444B (zh) | 基于自主学习的无人机智能避障方法 | |
WO2020147276A1 (zh) | 一种用于自动驾驶控制策略的训练系统 | |
CN110531786B (zh) | 基于dqn的无人机机动策略自主生成方法 | |
CN111950873B (zh) | 基于深度强化学习的卫星实时引导任务规划方法及系统 | |
CN111260027A (zh) | 一种基于强化学习的智能体自动决策方法 | |
CN108229587A (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
CN110231829B (zh) | 基于数据增融的强化学习小型无人旋翼机自主着陆方法 | |
Zou et al. | An end-to-end learning of driving strategies based on DDPG and imitation learning | |
CN110543182B (zh) | 一种小型无人旋翼机自主着陆控制方法及系统 | |
Baldini et al. | Learning pose estimation for UAV autonomous navigation and landing using visual-inertial sensor data | |
CN113741533A (zh) | 一种基于模仿学习与强化学习的无人机智能决策系统 | |
CN111580526B (zh) | 面向固定车辆编队场景的协同驾驶方法 | |
CN114355980B (zh) | 基于深度强化学习的四旋翼无人机自主导航方法与系统 | |
CN115256395A (zh) | 基于控制障碍函数的模型不确定机器人安全控制方法 | |
CN114089776A (zh) | 一种基于深度强化学习的无人机避障方法 | |
Pham et al. | Gatenet: An efficient deep neural network architecture for gate perception using fish-eye camera in autonomous drone racing | |
CN111507161A (zh) | 方法和装置 | |
CN117215197B (zh) | 四旋翼飞行器在线轨迹规划方法、系统、电子设备及介质 | |
CN110926470B (zh) | 一种agv导航控制方法及系统 | |
Olaz et al. | Quadcopter neural controller for take-off and landing in windy environments | |
Timmis et al. | Teaching vehicles to steer themselves with deep learning | |
CN116383041A (zh) | 用于自动驾驶仿真测试的车道线拟合方法及装置 | |
Baldini et al. | Learning pose estimation for uav autonomous navigation andlanding using visual-inertial sensor data | |
Wang et al. | A LiDAR based end to end controller for robot navigation using deep neural network | |
CN115373415A (zh) | 一种基于深度强化学习的无人机智能导航方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |