CN110673642A

CN110673642A - 无人机着陆控制方法、装置、计算机设备及存储介质

Info

Publication number: CN110673642A
Application number: CN201911032220.1A
Authority: CN
Inventors: 周起如; 苏聪; 孙阳松; 张露露; 罗家毅; 陈华
Original assignee: Industrial & Commercial College Anhui University Of Technology; Shenzhen Sunwin Intelligent Co Ltd
Current assignee: Industrial & Commercial College Anhui University Of Technology; Shenzhen Sunwin Intelligent Co Ltd
Priority date: 2019-10-28
Filing date: 2019-10-28
Publication date: 2020-01-10
Anticipated expiration: 2039-10-28
Also published as: CN110673642B

Abstract

本发明涉及无人机着陆控制方法、装置、计算机设备及存储介质，该方法包括获取图像数据；对图像数据进行视觉识别，以得到目标位置；将目标位置输入人工神经网络模型内进行分析，以得到三维速度；将三维速度加载至无人机上，以使得无人机按照三维速度着陆至目标位置；其中，人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练卷积神经网络所得的。本发明无需对特征组进行创建和分析来进行分类，降低了网络设计的难度，利用三维速度控制无人机自主着陆，避免了人工解释错误，减少了对类功能集的处理，且人工神经网络模型无需复杂地运行决策过程，可提高三维速度的输出效率。

Description

无人机着陆控制方法、装置、计算机设备及存储介质

技术领域

本发明涉及着陆控制方法，更具体地说是指无人机着陆控制方法、装置、计算机设备及存储介质。

背景技术

无人驾驶飞机简称无人机，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。自主无人机成为一个重要的研究领域，提高无人机性能的研究正被提出，从新的传感解决方案到更强大的控制技术。

此外，自主无人机在着陆阶段也面临着挑战。在静态和动态目标中，需要安全地执行此过程，同时减小误差裕度，目前对于无人机着陆的控制要对特征组进行创建和分析来进行分类，存在人工解释错误。

因此，有必要设计一种新的方法，实现无需对特征组进行创建和分析来进行分类，避免了人工解释错误，减少了对类功能集的处理。

发明内容

本发明的目的在于克服现有技术的缺陷，提供无人机着陆控制方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：无人机着陆控制方法，包括：

获取图像数据；

对图像数据进行视觉识别，以得到目标位置；

将目标位置输入人工神经网络模型内进行分析，以得到三维速度；

将三维速度加载至无人机上，以使得无人机按照三维速度着陆至目标位置；

其中，人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练卷积神经网络所得的。

其进一步技术方案为：所述人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练神经网络所得的，包括：

构建损失函数以及卷积神经网络；

获取带三维速度标签的位置数据，以得到样本数据；

将样本数据输入卷积神经网络内进行计算，以得到样本输出结果；

将样本输出结果以及有三维速度标签的位置数据输入损失函数内，以得到损失值；

判断所述损失值是否满足预设条件；

若否，则根据损失值调整卷积神经网络的参数，并返回所述将输入数据输入卷积神经网络内进行卷积计算，以得到样本输出结果；

若是，则将所述卷积神经网络作为人工神经网络模型。

其进一步技术方案为：所述卷积神经网络的隐藏层包括十个神经元、三个输出神经元。

其进一步技术方案为：所述将样本数据输入卷积神经网络内进行计算，以得到样本输出结果，包括：

将样本数据输入卷积神经网络内进行卷积计算，以得到最大速度和最小速度；

对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果；

对中间结果进行非规范化处理，以得到样本输出结果。

其进一步技术方案为：所述对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果，具体采用

进行计算，以获取中间结果；其中，

为最大速度，

为最小速度，V_ann为中间结果，V_fuzzy为控制系统。

其进一步技术方案为：所述对中间结果进行非规范化处理，以得到样本输出结果，具体采用

其中，

为最大速度，

为最小速度，V_ann为中间结果，V_Ann为样本输出结果。

其进一步技术方案为：所述卷积神经网络中所有神经元分别采用双曲线切线-乙状结肠传递函数进行数据分析。

本发明还提供了无人机着陆控制装置，包括：

图像数据获取单元，用于获取图像数据；

识别单元，用于对图像数据进行视觉识别，以得到目标位置；

分析单元，用于将目标位置输入人工神经网络模型内进行分析，以得到三维速度；

加载单元，用于将三维速度加载至无人机上，以使得无人机按照三维速度着陆至目标位置。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过设置人工神经网络模型，根据目标位置，配合FLC进行处理，以输出三维速度，使FLC算法成为训练过程中的一个特殊过程，无需对特征组进行创建和分析来进行分类，降低了网络设计的难度，利用三维速度控制无人机自主着陆，避免了人工解释错误，减少了对类功能集的处理，且人工神经网络模型无需复杂地运行决策过程，可提高三维速度的输出效率。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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无人机着陆控制方法的应用场景示意图；

图2为本发明实施例提供的无人机着陆控制方法的流程示意图；

图3为本发明实施例提供的无人机着陆控制方法的子流程示意图；

图4为本发明实施例提供的无人机着陆控制方法的子流程示意图；

图5为本发明实施例提供的无人机着陆控制装置的示意性框图；

图6为本发明实施例提供的计算机设备的示意性框图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的无人机着陆控制方法的应用场景示意图。图2为本发明实施例提供的无人机着陆控制方法的示意性流程图。该无人机着陆控制方法应用于服务器中，该服务器与摄像机以及无人机进行数据交互，通过摄像机确定目标位置，并由服务器将该目标位置的信息转换为三维速度，将三维速度加载至无人机上，以进行控制无人机准确着陆至目标位置。

图2是本发明实施例提供的无人机着陆控制方法的流程示意图。如图2所示，该方法包括以下步骤S110至S140。

S110、获取图像数据。

在本实施例中，图像数据是指带有目标位置的图像，由摄像机获取。

S120、对图像数据进行视觉识别，以得到目标位置。

在本实施例中，目标位置是指无人机需要准确着陆的位置。

服务器接收视觉识别算法中标记的位置，以形成目标位置，并识别其定位器，利用人工神经网络模型将该目标位置换算为三维速度，进而控制无人机进行着陆，可避免了人工解释错误，减少了对类功能集的处理。当换算成三维速度后，也就可以进行无人机每个时间段对应的姿态进行估算。

S130、将目标位置输入人工神经网络模型内进行分析，以得到三维速度。

在本实施例中，三维速度是指用于控制无人机在X轴、Y轴以及Z轴的速度，包括方向、加速度以及初始速度等集成。

在一实施例中，请参阅图3，上述的人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练卷积神经网络所得的，包括步骤SS131～S137。

S131、构建损失函数以及卷积神经网络。

在本实施例中，卷积神经网络即神经网络的拓扑结构，处理的特征向量选择二维，便足以满足着陆程序，由两个输入神经元组成，分别对应于特征向量的维数、隐藏层中的十个神经元和三个输出神经元，对应于三维速度。因为输入受摄像机视场的限制，所以双曲线切线-乙状结肠传递函数用于所有神经元，以确保输出的准确率。

S132、获取带三维速度标签的位置数据，以得到样本数据。

在本实施例中，将三维速度标签与位置数据绑定在一起，形成样本数据，在实际过程中，可以将样本数据分为训练集以及测试集，先用训练集进行网络训练，以得到人工神经网络模型后，再利用测试集对人工神经网络模型进行测试，以验证实际使用过程中人工神经网络模型的准确程度。

S133、将样本数据输入卷积神经网络内进行计算，以得到样本输出结果。

在本实施例中，上述的样本输出结果是指经过卷积神经网络卷积和其他处理后，以得到的三维速度数据。

在一实施例中，请参阅图4，上述的步骤S133可包括步骤S1331～S1333。

S1331、将样本数据输入卷积神经网络内进行卷积计算，以得到最大速度和最小速度。

在本实施例中，卷积神经网络输出的是两个速度值，因此需要对两个速度值进行处理，以得到可实际控制无人机着陆的三维速度。

S1332、对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果。

在本实施例中，中间结果是指经过FLC(基于特征值的模式匹配，First-Last-Characters)处理后的三维速度。

具体采用

进行计算，以获取中间结果；其中，

为最大速度，

为最小速度，V_ann为中间结果，V_fuzzy为控制系统，即控制过程的速度。

FLC输入和输出数据标准化限制在-100％和100％之间，输入值直接映射在要在人工神经网络中应用的-1和1之间。三维速度输出根据

进行映射。

FLC算法是训练过程中的一个特殊过程，无需对特征组进行创建和分析来进行分类，降低了网络设计的难度，在着陆过程中，FLC算法是对系统的每个输入进行模糊化、推理和去模糊化。

S1333、对中间结果进行非规范化处理，以得到样本输出结果。

在本实施例中，具体采用

其中，为最大速度，

为最小速度，V_ann为中间结果，V_Ann为样本输出结果。

非规范化处理基于初始μ＝0001的Levenberg–Marquardt算法即高斯牛顿算法，这样子可以提高整个人工神经网络模型的输出效率，提供更快的结果。由于无人机着陆性质，使用隐藏层是必要的，允许网络遵循FLC行为，在隐层神经元较多的情况下，误差结果最好，但为了提高计算效率，本实施例采用10个神经元。此外，在隐藏层中选择10个以上的神经元并不会在性能方面产生相应的改进，并且会增加模型的复杂性。神经网络输出需要非规范化。对于x轴、y轴和z轴，通过式3完成。在

中，V_Ann根据FLC估计的最大和最小速度表示非规范化和规范化的Ann(人工神经网络，Artificial Neural Network)输出。

输出的三维速度加载在无人机上，以控制无人机开始向标记中心即目标位置的中心的水平位移，向下移动无人机直到到达目标位置，同时纠正任何水平干扰，从而减小垂直误差，此过程，上述的非规划处理在有外部干扰和不可预测的移动，也可以纠正飞机的位置并在目标上正确着陆。

整个着陆过程在考虑可行高度上的动、静目标和室外环境的缩小区域内实现着陆。

S134、将样本输出结果以及有三维速度标签的位置数据输入损失函数内，以得到损失值；

S135、判断所述损失值是否满足预设条件。

在本实施例中，预设条件是指损失值不大于某一阈值，损失函数可以是计算方差的函数。

S136、若否，则根据损失值调整卷积神经网络的参数，并返回所述步骤S133；

S137、若是，则将所述卷积神经网络作为人工神经网络模型。

根据损失函数来获取样本标签与实际的标签之间的差距，进而根据这个差距调整卷积神经网络的参数，以使得样本标签与实际的标签之间的差距满足设定的阈值，以实现整个人工神经网络模型可以准确地输出三维速度，以控制无人机准确着陆。

由于训练后的人工神经网络模型是一组输入的加权和方程，只实现一次，而不是像FLC那样复杂地运行决策过程，因此使用人工神经网络代替FLC有利于降低计算复杂度和简化实现。在着陆过程中，FLC需要对系统的每个输入进行模糊化、推理和去模糊化，根据输入的不同，人工神经网络的速度是FLC的3-6倍。指令数量也减少了，增加了6-10倍。

S140、将三维速度加载至无人机上，以使得无人机按照三维速度着陆至目标位置。

当三维速度加载至无人机上时，服务器可以驱动无人机按照三维速度进行飞行，以着陆至目标位置。

上述的无人机着陆控制方法，通过设置人工神经网络模型，根据目标位置，配合FLC进行处理，以输出三维速度，使FLC算法成为训练过程中的一个特殊过程，无需对特征组进行创建和分析来进行分类，降低了网络设计的难度，利用三维速度控制无人机自主着陆，避免了人工解释错误，减少了对类功能集的处理，且人工神经网络模型无需复杂地运行决策过程，可提高三维速度的输出效率。

图5是本发明实施例提供的一种无人机着陆控制装置300的示意性框图。如图5所示，对应于以上无人机着陆控制方法，本发明还提供一种无人机着陆控制装置300。该无人机着陆控制装置300包括用于执行上述无人机着陆控制方法的单元，该装置可以被配置于服务器中。

具体地，请参阅图5，该无人机着陆控制装置300包括：

图像数据获取单元301，用于获取图像数据；

识别单元302，用于对图像数据进行视觉识别，以得到目标位置；

分析单元303，用于将目标位置输入人工神经网络模型内进行分析，以得到三维速度；

加载单元304，用于将三维速度加载至无人机上，以使得无人机按照三维速度着陆至目标位置。

在一实施例中，所述无人机着陆控制装置300还包括：

模型建立单元，用于通过若干个带有三维速度标签的位置数据作为样本数据训练卷积神经网络，以得到人工神经网络模型。

在一实施例中，所述模型建立单元包括：

构建子单元，用于构建损失函数以及卷积神经网络；

样本数据子单元，用于获取带三维速度标签的位置数据，以得到样本数据；

计算子单元，用于将样本数据输入卷积神经网络内进行计算，以得到样本输出结果；

损失值获取子单元，用于将样本输出结果以及有三维速度标签的位置数据输入损失函数内，以得到损失值；

判断子单元，用于判断所述损失值是否满足预设条件；

参数调整子单元，用于若否，则根据损失值调整卷积神经网络的参数，并返回所述将输入数据输入卷积神经网络内进行卷积计算，以得到样本输出结果；

模型获取子单元，用于若是，则将所述卷积神经网络作为人工神经网络模型。

在一实施例中，所述计算子单元包括：

卷积模块，用于将样本数据输入卷积神经网络内进行卷积计算，以得到最大速度和最小速度；

中间结果获取模块，用于对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果；

非规范化处理模块，用于对中间结果进行非规范化处理，以得到样本输出结果。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述无人机着陆控制装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述无人机着陆控制装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。

请参阅图6，图6是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500是服务器。

参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种无人机着陆控制方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种无人机着陆控制方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取图像数据；

对图像数据进行视觉识别，以得到目标位置；

在一实施例中，处理器502在实现所述人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练神经网络所得的步骤时，具体实现如下步骤：

构建损失函数以及卷积神经网络；

获取带三维速度标签的位置数据，以得到样本数据；

判断所述损失值是否满足预设条件；

若是，则将所述卷积神经网络作为人工神经网络模型。

其中，所述卷积神经网络的隐藏层包括十个神经元、三个输出神经元。

所述卷积神经网络中所有神经元分别采用双曲线切线-乙状结肠传递函数进行数据分析。

在一实施例中，处理器502在实现所述将样本数据输入卷积神经网络内进行计算，以得到样本输出结果步骤时，具体实现如下步骤：

对中间结果进行非规范化处理，以得到样本输出结果。

在一实施例中，处理器502在实现所述对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果步骤时，具体实现如下步骤：

具体采用

进行计算，以获取中间结果；其中，

为最大速度，

为最小速度，V_ann为中间结果，V_fuzzy为控制系统。

在一实施例中，处理器502在实现所述对中间结果进行非规范化处理，以得到样本输出结果步骤时，具体实现如下步骤：

具体采用

其中，

为最大速度，

为最小速度，V_ann为中间结果，V_Ann为样本输出结果。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取图像数据；

对图像数据进行视觉识别，以得到目标位置；

在一实施例中，所述处理器在执行所述计算机程序而实现所述人工神经网络模型是通过若干个带有三维速度标签的位置数据作为样本数据训练神经网络所得的步骤时，具体实现如下步骤：

构建损失函数以及卷积神经网络；

获取带三维速度标签的位置数据，以得到样本数据；

判断所述损失值是否满足预设条件；

若是，则将所述卷积神经网络作为人工神经网络模型。

在一实施例中，所述处理器在执行所述计算机程序而实现所述将样本数据输入卷积神经网络内进行计算，以得到样本输出结果步骤时，具体实现如下步骤：

对中间结果进行非规范化处理，以得到样本输出结果。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对最大速度和最小速度进行模糊化、推理以及去模糊化，以得到中间结果步骤时，具体实现如下步骤：

具体采用进行计算，以获取中间结果；其中，

为最大速度，

为最小速度，V_ann为中间结果，V_fuzzy为控制系统。

在一实施例中，所述处理器在执行所述计算机程序而实现所述对中间结果进行非规范化处理，以得到样本输出结果步骤时，具体实现如下步骤：

具体采用

其中，

为最大速度，

为最小速度，V_ann为中间结果，V_Ann为样本输出结果。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。