CN110717260A - 一种无人机机动能力模型建立方法 - Google Patents
一种无人机机动能力模型建立方法 Download PDFInfo
- Publication number
- CN110717260A CN110717260A CN201910916965.8A CN201910916965A CN110717260A CN 110717260 A CN110717260 A CN 110717260A CN 201910916965 A CN201910916965 A CN 201910916965A CN 110717260 A CN110717260 A CN 110717260A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- model
- flight
- uav
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 3
- 238000013461 design Methods 0.000 abstract description 5
- 238000012417 linear regression Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 20
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种无人机机动能力模型建立方法。本发明根据无人机机动能力模型建模的需求，设计了无人机加速度、速度和电池电量作为模型输入，无人机左右控制量、前后控制量、油门控制量、自旋控制量作为模型输出量。以此为标准建立了无人机机动能力数据库。卷积神经网络模型具有利用较少的稀疏连接高效地描述多个变量的复杂相关性的特性，选择CNN基于数据库训练模型，保存模型训练结果。XGBoost模型具有较强的线性回归能力，可有效避免过拟合，选择XGBoost基于数据库训练模型，保存模型训练结果对比两种模型训练结果，选取更为精准的无人机机动能力模型，得到无人机控制指令与本身飞行状态之间的对应关系模型。
Description
技术领域
本发明属于无人机实际飞行控制研究领域，具体为一种无人机机动能力模型。
背景技术
无人机因具有较强的负载能力及灵活的机动性，广泛应用于军事和民用领域，具体应用在道路交通巡查、城市测绘航拍和大型无人机集群表演等方面。随着无人机个体与集群需要完成的工作(火灾急救、铁路巡检和协同作战)越来越复杂，高动态情况下无人机的飞行位置偏差，这极易造成无人机个体和集群的任务失败，甚至发生坠机现象，因而如何实现高动态情况下的高精确性飞行控制是无人机飞行控制关键所在。
受到机器视觉匹配、路径规划决策和实际控制飞行等技术约束，现有的无人机与真正的自动化、智能化的智能体还有比较大的差距。近年来，国内外机构围绕无人机飞行控制在路径规划理论和算法、飞行控制工程等方面开展了大量研究，并提出了诸多可行的算法和控制流程，力求实现无人机的精确控制。在路径规划方面，提出了人工势场法、蚁群算法、A*算法、粒子群算法、杜宾算法等算法，但是这些算法基本上没有涉及与无人机相关的控制指令，算法难以用于实际无人机控制。在飞行控制方面，目前研究主要聚焦于提高无人机稳定性、自适应性和鲁棒性的各种控制模型，解决在控制指令变化所带来的无人机非稳态问题，从而使无人机更快进入新的稳态，模型更多考虑的是无人机控制指令对无人机稳定的强度影响，但未考虑无人机控制指令令无人机本身产生的不同驱动力，而驱动力正是直接决定无人机加速度、速度飞行状态参数的关键因素。
所以如何得到无人机控制指令与本身驱动力之间的对应关系，从而准确得到不同控制指令对应的无人机飞行状态，是实现高动态情况下高精度性飞行需要解决的问题。
发明内容
为了克服上述背景技术所存在的不足，本发明设计了一种无人机机动能力模型。本发明使用神经网络模型描述了无人机飞行控制中的问题，设计了模型的输入和输出变量，以此为标准建立了无人机机动能力数据库，并利用数据库来实现模型的训练，得到无人机控制指令与本身飞行状态之间的对应关系模型。
本发明解决其技术问题所采用的技术方案是：
本发明根据无人机机动能力模型建模的需求，设计了无人机加速度x、速度和电池电量作为模型输入，无人机左右控制量、前后控制量、油门控制量、自旋控制量作为模型输出量。根据上述数据格式，建立无人机机动能力数据库。
所需变量中，无人机速度信息无法直接获取，通过位置信息求导间接获取。由于数据采集平台采用的传感器存在一定动态误差以及可能出现的通信异常，位置信息存在一定动态毛刺和异常点，需要经过预处理(滤波、去异常点)再求导获取相对准确的速度信息。
选择符合数据特性与训练结果要求的神经网络模型卷积神经网络(Convolutional Neural Networks,CNN)和XGBoost(eXtreme Gradient Boosting)基于数据库训练模型。对比两种模型训练结果，选取更为精准的无人机机动能力模型。
本发明的有益效果是：使用人工智能与深度学习技术建立了一种无人机机动能力模型，该模型建立了无人机控制指令与本身驱动力之间的对应关系，为实现高动态情况下高精度性飞行提供了关键技术。
附图说明
图1为本发明总体模型结构图。
图2为稀疏连接与连接示意图。
图3为XGBoost算法流程图。
图4(a)为卷积神经网络模型训练结果图。
图4(b)为XGBoost网络模型训练结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，下面结合附图和实施例对本发明进一步说明。
如图1所示，无人机机动能力模型的输入变量为无人机加速度、速度与电池信息。在实际操作过程中，建立地面坐标系，加速度取x轴和y轴的分量作为两个输入变量，速度同样取x轴和y轴分量作为输入变量。电池信息作为一个很重要的输入变量，在相同环境下，当电池电压不同时，无人机对于相同的控制指令产生的响应有明显区别。本模型输出变量为常规四旋翼无人机控制指令，左右控制变量(ROLL)、前后控制变量(PIT)、自旋控制变量(YAW)、油门控制变量(THR)。本模型选取上述变量作为输入与输出变量的有益效果是输入变量准确描述了无人机飞行状态，结合输出变量直接控制无人机飞行，清楚反映了无人机控制指令与本身飞行状态之间的对应关系。根据设定输入变量和输出变量完成数据库的构建。
对多种深度学习算法原理进行对比分析，选取了两种在线性回归，模型建立表现优异，支持多输入多输出的算法进行具体实验。
因卷积神经网络(Convolutional Neural Networks,CNN)模型具有利用较少的稀疏连接高效地描述多个变量的复杂相关性的特性，使用CNN基于数据库训练模型，保存模型训练结果。
卷积神经网络(Convolutional Neural Networks,CNN)是一个包含多个隐含层的神经网络，基本都包含卷积层、池化层、全连接层等。其中卷积层是卷积神经网络中最为重要的一层，完成最基本的特征提取工作，卷积神经网络通过稀疏连接来显著减少全连接方式的参数量，其实现方式为设置卷积核大小远小于输入数据，如果由m个输入和n个输出，且通过卷积操作限制每一个输出连接数为k，那么能够将参数运算的时间复杂度从O(m×n)降低至O(k×n)，图2展示了稀疏连接和全连接的区别。
因XGBoost(eXtreme Gradient Boosting)模型具有较强的线性回归能力，可有效避免过拟合，使用XGBoost基于数据库训练模型，保存模型训练结果。
XGBoost(eXtreme Gradient，Boosting)算法属于集成学习算法，是梯度提升决策树(Gradient boosting Decision Tree，GBDT)的高效实现算法。XGBoost使用分类回归树作为基学习器，首先根据数据集构建若干基学习器，并对这些基学习器进行训练，XGBoost在获得这些基学习器后进行加权融合产生最终的回归模型，算法流程图如图3所示。整个生成过程中需要不断基于上一次迭代的残差进行迭代构建新的模型，且新模型在上一个模型产生的残差减少的梯度方向上生成，最终使得整个模型的残差越来越小。针对传统GBDT算法效率低的缺点，XGBoost在最佳划分属性点的选取中进行并行设计，预先对每一个属性的值进行了排序并保存，大大提高了运算效率。另外XGBoost对损失函数进行二阶泰勒公式展开，得以同时使用一、二阶导数，提高模型的训练效率，还采用类似随机森林算法的列抽样方法，降低计算复杂度的同时避免了过拟合，提高了模型的泛化能力。
XGBoost模型训练使用已构建的无人机机动能力数据库，构建XGBoost模型时需要对基础参数进行设置，主要包含基本参数、基学习器参数、学习算法参数。
(1)基本参数
①基学习器类型：本发明选择默认的分类回归树，树模型基学习器的性能在大多数任务上均优于线性模型基学习器；
②最大可用线程数：根据试验硬件条件设置，控制多线程XGBoost能够使用的CPU核数。
(2)基学习参数
①eta：类似其他模型训练中使用的学习率，设置XGBoost迭代生成过程中的权重，实现方案中默认设置为0.3；
②min_child_weight:用于设置分类回归树中的最小叶节点样本的权重和，此参数设置较大一定程度上可避免过拟合，具体数值设置需要结合交叉验证进行调整；
③max_leaf_nodes:分类回归树中最大内部节点或者叶节点的数量；
④max_depth:分类回归树的最大深度，此参数用于避免树模型过深造成的过拟合，同样需要交叉验证进行调整，常用值3-10；
⑤gamma：树节点选择最优划分特征点后，进行节点分裂，若减小的损失函数值小于于gamma则分裂，否则保持；
⑥subsample：设置每棵分类回归树随机采样的比例，可通过减小此参数控制过拟合；
⑦n_estimators：最佳迭代次数，控制生成的基学习器个数；
(3)学习算法参数
目标函数如下式所示：
其中l表示所选取的损失函数，
为预测值，真实值为y，fk是所有分类回归树集合，
部分为正则项。
对比两种模型结果，如图4(a)和图4(b)所示，图4(b)所示的XGBoost模型训练结果更准确，选取此模型训练结果作为无人机机动能力模型。
至此，此无人机机动能力模型建立流程已叙述完整。
Claims (5)
1.一种无人机机动能力模型建立方法，其特征在于，包括：
步骤1、无人机数据预处理，数据格式标准化，建立无人机机动能力训练数据库；
步骤2、使用卷积神经网络CNN基于数据库训练无人机机动能力模型；
步骤3、使用极端梯度提升XGBoost基于数据库训练无人机机动能力模型；
步骤4、对比两种模型训练结果，选取更精准的无人机机动能力模型。
2.根据权利要求1所述的一种无人机机动能力模型建立方法，其特征在于，所述的无人机数据预处理包括滤波和去异常点。
3.根据权利要求1所述的一种无人机机动能力模型建立方法，其特征在于，经过数据的预处理和标准化，建立无人机机动能力训练数据库，数据库包括无人机8种飞行模式共8000组数据；其中飞行模式为前飞、后飞、左飞、右飞、左前飞、左后飞、右前飞、右后飞。
4.根据权利要求1所述的一种无人机机动能力模型建立方法，其特征在于，所述的无人机机动能力模型输入为无人机加速度、速度和电池电量；输出为无人机左右控制量、前后控制量、油门控制量、自旋控制量。
5.根据权利要求1所述的一种无人机机动能力模型建立方法，其特征在于，所述的无人机速度由无人机位置信息求导得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916965.8A CN110717260A (zh) | 2019-09-26 | 2019-09-26 | 一种无人机机动能力模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916965.8A CN110717260A (zh) | 2019-09-26 | 2019-09-26 | 一种无人机机动能力模型建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110717260A true CN110717260A (zh) | 2020-01-21 |
Family
ID=69210986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910916965.8A Pending CN110717260A (zh) | 2019-09-26 | 2019-09-26 | 一种无人机机动能力模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110717260A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114237297A (zh) * | 2021-12-21 | 2022-03-25 | 电子科技大学 | 一种基于神经网络训练学习的无人机群飞行控制方法 |
| CN114298414A (zh) * | 2021-12-28 | 2022-04-08 | 江南机电设计研究所 | 一种装备体系效能预测与指标优化方法 |
| CN116661475A (zh) * | 2023-06-25 | 2023-08-29 | 杭州电子科技大学 | 一种基于改进ddpg的近距空战机动决策方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
| CN109164821A (zh) * | 2018-09-26 | 2019-01-08 | 中科物栖（北京）科技有限责任公司 | 一种无人机姿态训练方法及装置 |
| CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
| WO2019085430A1 (zh) * | 2017-11-03 | 2019-05-09 | 深圳市道通智能航空技术有限公司 | 无人飞行器的控制方法和终端 |
-
2019
- 2019-09-26 CN CN201910916965.8A patent/CN110717260A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2019085430A1 (zh) * | 2017-11-03 | 2019-05-09 | 深圳市道通智能航空技术有限公司 | 无人飞行器的控制方法和终端 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
| CN109164821A (zh) * | 2018-09-26 | 2019-01-08 | 中科物栖（北京）科技有限责任公司 | 一种无人机姿态训练方法及装置 |
| CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114237297A (zh) * | 2021-12-21 | 2022-03-25 | 电子科技大学 | 一种基于神经网络训练学习的无人机群飞行控制方法 |
| CN114298414A (zh) * | 2021-12-28 | 2022-04-08 | 江南机电设计研究所 | 一种装备体系效能预测与指标优化方法 |
| CN116661475A (zh) * | 2023-06-25 | 2023-08-29 | 杭州电子科技大学 | 一种基于改进ddpg的近距空战机动决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107608372B (zh) | 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法 | |
| CN113110455B (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
| CN107748895A (zh) | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 | |
| CN113190036B (zh) | 一种基于lstm神经网络的无人机飞行轨迹预测方法 | |
| CN106959700B (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
| CN110717260A (zh) | 一种无人机机动能力模型建立方法 | |
| CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
| CN111376273B (zh) | 一种类脑启发的机器人认知地图构建方法 | |
| CN111311009B (zh) | 一种基于长短期记忆的行人轨迹预测方法 | |
| CN108594858A (zh) | 马尔科夫运动目标的无人机搜索方法及装置 | |
| CN111880564A (zh) | 一种基于协同增强学习的多智能体区域搜索方法 | |
| CN110488842A (zh) | 一种基于双向内核岭回归的车辆轨迹预测方法 | |
| CN107193210B (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
| CN113849910B (zh) | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 | |
| CN110377049A (zh) | 基于脑-机接口的无人机集群编队队形重构控制方法 | |
| CN111580389A (zh) | 基于深度学习的三自由度直升机显式模型预测控制方法 | |
| CN112648999A (zh) | 一种基于多尺度网格细胞路径积分的类脑导航方法 | |
| CN115202357A (zh) | 一种基于脉冲神经网络的自主建图方法 | |
| CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
| Peng et al. | Geometric scene parsing with hierarchical lstm | |
| CN113110550B (zh) | 一种基于强化学习与网络模型蒸馏的无人机飞行控制方法 | |
| He et al. | Explainable deep reinforcement learning for UAV autonomous navigation | |
| Yu et al. | Traffic prediction method based on RBF neural network with improved artificial bee colony algorithm | |
| Meng et al. | Automatic control method of automobile steering-by-wire based on fuzzy PID | |
| Gao et al. | Short-term traffic flow prediction based on time-Space characteristics |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200121 |