CN111461292B - 一种无人机实时轨迹预测方法 - Google Patents

一种无人机实时轨迹预测方法 Download PDF

Info

Publication number
CN111461292B
CN111461292B CN202010185494.0A CN202010185494A CN111461292B CN 111461292 B CN111461292 B CN 111461292B CN 202010185494 A CN202010185494 A CN 202010185494A CN 111461292 B CN111461292 B CN 111461292B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
state
data
time
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
Application number
CN202010185494.0A
Other languages
English (en)
Other versions
CN111461292A (zh
Inventor
羊钊
陆佳欢
唐荣
刘皞
张洪海
王兵
张颖
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010185494.0A priority Critical patent/CN111461292B/zh
Publication of CN111461292A publication Critical patent/CN111461292A/zh
Application granted granted Critical
Publication of CN111461292B publication Critical patent/CN111461292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种无人机实时轨迹预测方法，步骤如下：（1）获取数据；（2）数据预处理；（3）生成无人机轨迹各个变量数据集；（4）利用马尔科夫模型确定无人机状态；（5）根据无人机的状态，增添BN层，建立基于LSTM网络的无人机轨迹预测模型；（6）预测无人机的经度、纬度及高度。本发明的方法能捕捉无人机的飞行状态，充分利用历史轨迹点信息，避免无人机的冲突与碰撞，保证众多的无人机在低空空域安全、有序地飞行。

Description

一种无人机实时轨迹预测方法
技术领域
本发明属于空中交通流量管理技术领域，具体涉及一种无人机实时轨迹预测方法。
背景技术
无人驾驶飞机简称“无人机”，英文缩写为“UAV”，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。
无人机结构简单、机动性强、飞行状态多变，因此，其飞行状态及轨迹难以预测。随着无人机需求与数量的不断增加，为避免无人机之间的冲突与碰撞，保证众多的无人机在低空空域安全、有序地飞行，需要对无人机轨迹预测方法进一步研究，从而为无人机冲突检测、异常行为预警和空域状态科学评估提供决策支持。
目前，传统的无人机轨迹预测方法是基于无人机动力学模型的，通过建立动力学方程来解释无人机飞行时的力学原理，在一定的假设条件下，对无人机轨迹进行预测，这些预测方法需要复杂的动力学建模以及较多的假设与约束，而且不能充分利用无人机的历史信息。在无人机的轨迹预测的过程中，无人机的状态是多变的。因此，为了提高预测精度，首先需要对无人机的状态进行判断，再充分利用历史轨迹点信息对无人机的位置进行预测。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种无人机实时轨迹预测方法，以解决现有技术中无人机飞行状态难辨识、轨迹预测精度低、轨迹预测速度慢的问题；本发明的方法能捕捉无人机的飞行状态，充分利用历史轨迹点信息，避免无人机的冲突与碰撞，保证众多的无人机在低空空域安全、有序地飞行。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种无人机实时轨迹预测方法，步骤如下：
(1)获取数据：采集无人机历史广播式自动相关监视系统(ADS-B)数据，得到无人机时间戳、无人机ID、纬度、经度、高度、水平速度、飞行时间的数据信息；
(2)数据预处理：将上述获取到的数据信息按飞行时间进行排序，将纬度和经度转换成直角坐标；并删除获取到的数据中非固定时间间隔和存在不明显位置信息的数据；
(3)生成无人机轨迹各个变量数据集：对上述步骤(2)预处理后的数据进行筛选，得到纬度、经度、高度和水平速度数据，并计算无人机的垂直速度，生成相应的时间序列数据；
(4)利用马尔科夫模型确定无人机状态；
(5)根据无人机的状态，增添BN层，建立基于LSTM网络的无人机轨迹预测模型；
(6)预测无人机的经度、纬度及高度。
进一步地，所述步骤(3)中纬度、经度、高度、水平速度的时间序列由ADS-B数据预处理及筛选后得到，垂直速度的时间序列通过计算高度变化值除以飞行时间间隔得到，最终的无人机轨迹数据集包括纬度、经度、高度、水平速度和垂直速度五个变量。
进一步地，所述步骤(4)的具体过程如下：
(41)对数据集进行分组：
将步骤(3)中的数据集按不同的时间间隔分组，生成相应时间间隔的无人机轨迹时间序列数据；
(42)划分无人机的飞行状态：
根据无人机的水平速度vx和垂直速度vy，对无人机的飞行状态进行划分；当vy＞0.1米/秒，无人机处于上升状态S1；当
Figure BDA0002414029510000021
米/秒且vy∈[-0.1,0.1]米/秒，无人机处于平飞状态S2；当vy＜-0.1米/秒，无人机处于下降状态S3；当vx∈[-0.1,0.1]米/秒且vy∈[-0.1,0.1]米/秒，无人机处于悬停状态S4；
(43)计算初始状态概率：
假设无人机速度的时间序列的取值空间为(vxi,vyi),i＝1,2…n，一共有n个观测值，根据无人机速度的时间序列，无人机被划分为4个状态S＝{S1,S2,S3,S4}；(vxn,vyn)作为最后一个速度的观测值，不考虑(vxn,vyn)在n时刻对应的转移状态；假设根据无人机速度的时间序列的前n-1个已知值，有ci个无人机处于状态Si(i＝1,2,3,4)，有
Figure BDA0002414029510000022
那么无人机状态Si的初始状态概率为/>
Figure BDA0002414029510000023
(44)计算一步转移概率矩阵：
根据已知的无人机速度的时间序列{(vxt,vyt),t∈T}，有ci个无人机处于状态Si，假设其中下一时刻转移到状态Sj的数据有cij个；则无人机从状态Si转移到状态Sj的一步转移概率为
Figure BDA0002414029510000024
由pij组成的无人机状态转移矩阵p为一步状态转移概率矩阵；
(45)无后效性检验：
采用χ2统计量检验无人机速度的时间序列的无后效性；无人机有4种飞行状态，将边际概率定义为：
Figure BDA0002414029510000031
统计量服从自由度为(m-1)2的χ2分布；选定置信度α，查χ2分布临界值表得
Figure BDA0002414029510000032
令：
Figure BDA0002414029510000033
若
Figure BDA0002414029510000034
则无人机速度的时间序列具有无后效性；
(46)利用一步转移概率矩阵预测无人机飞行状态：
若在t时刻无人机处于状态Si，且一步状态转移概率矩阵p的第i行无人机状态转移概率的最大值为pij，则在t+1时刻，无人机处于状态Sj，故预测在t+1时刻，无人机将转移到状态Sj。
进一步地，所述步骤(5)的具体过程如下：
(51)初始化LSTM(长短期记忆网络)网络各层参数；
(511)初始化LSTM输入层参数；
当搭建无人机轨迹预测LSTM网络的输入层时，每次批量训练40个样本，与步骤(41)对应，时间步长初始值设为10、20、30、40、50；
(512)初始化LSTM隐含层参数；
当搭建LSTM网络的隐含层时，隐含层层数设置为2，每层50个神经元；
(513)初始化LSTM网络层参数；
激活函数选择sigmoid函数和tanh函数，初始化网络层的权重和偏置；
(514)损失函数设置；
在无人机轨迹预测LSTM网络中采用平方差损失函数；
(52)确定LSTM的输入样本特征与输出样本特征；
(521)构建输入样本特征；
将步骤(3)得到的五个变量的数据集：纬度、经度、高度、水平速度和垂直速度，按照步骤(511)设置的时间步长划分为时间序列；
(522)构建输出样本特征；
神经网络输出样本特征为时间序列最后一个时刻的纬度、经度、高度；
(523)数据标准化；
输入样本特征通过增添的BN层，进行批量离差标准化。
进一步地，所述步骤(6)的具体过程如下：
(61)模型训练及测试；
随机抽取上述步骤(3)得到的无人机轨迹数据集的75％作为训练集，剩余的25％作为测试集；
(62)优化器选择；
采用Adam优化器，并使学习率自动调整；
(63)数据去标准化；
对LSTM模型的输出值，通过BN层，进行逆离差标准化，得到的纬度、经度、高度即为预测的无人机轨迹点；
(64)预测精度评价；
采用平均绝对误差(MAE)作为评价指标。
本发明的有益效果：
本发明的方法能够将马尔科夫模型与长短期记忆神经网络模型相结合，在判断无人机飞行状态的前提下，预测无人机的轨迹，提高无人机轨迹的预测精度。较传统的预测方法，既充分利用历史信息，避免复杂的动力学建模，又能捕捉无人机状态。本方法能为无人机冲突检测、异常行为预警和空域状态科学评估提供决策支持，进一步完善无人机管理体系。
附图说明
图1为本发明方法的流程图。
图2为无人机轨迹数据示例图。
图3为本发明方法的具体实现过程示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1、图3所示，本发明的一种无人机实时轨迹预测方法，步骤如下：
(1)获取数据：采集无人机历史ADS-B数据，参见图2所示，得到无人机时间戳、无人机ID、纬度、经度、高度、水平速度、飞行时间的数据信息。
(2)数据预处理：将上述获取到的数据信息按飞行时间进行排序，将纬度和经度转换成直角坐标；并删除获取到的数据中非固定时间间隔和存在不明显位置信息的数据。
(3)生成无人机轨迹各个变量数据集：对上述步骤(2)预处理后的数据进行筛选，得到纬度、经度、高度和水平速度数据，并计算无人机的垂直速度，生成相应的时间序列数据；
所述步骤(3)中纬度、经度、高度、水平速度的时间序列由ADS-B数据预处理及筛选后得到，垂直速度的时间序列通过计算高度变化值除以飞行时间间隔得到，最终的无人机轨迹数据集包括纬度、经度、高度、水平速度和垂直速度五个变量。
(4)利用马尔科夫模型确定无人机状态，具体过程如下：
(41)对数据集进行分组：
将步骤(3)中的数据集按不同的时间间隔分组(50s、100s、150s、200s、250s)，生成相应时间间隔的无人机轨迹时间序列数据；
(42)划分无人机的飞行状态：
根据无人机的水平速度vx和垂直速度vy，对无人机的飞行状态进行划分；当vy＞0.1米/秒，无人机处于上升状态S1；当
Figure BDA0002414029510000051
米/秒且vy∈[-0.1,0.1]米/秒，无人机处于平飞状态S2；当vy＜-0.1米/秒，无人机处于下降状态S3；当vx∈[-0.1,0.1]米/秒且vy∈[-0.1,0.1]米/秒，无人机处于悬停状态S4；
(43)计算初始状态概率：
假设无人机速度的时间序列的取值空间为(vxi,vyi),i＝1,2…n，一共有n个观测值，根据无人机速度的时间序列，无人机被划分为4个状态S＝{S1,S2,S3,S4}；(vxn,vyn)作为最后一个速度的观测值，不考虑(vxn,vyn)在n时刻对应的转移状态；假设根据无人机速度的时间序列的前n-1个已知值，有ci个无人机处于状态Si(i＝1,2,3,4)，有
Figure BDA0002414029510000052
那么无人机状态Si的初始状态概率为/>
Figure BDA0002414029510000053
(44)计算一步转移概率矩阵：
根据已知的无人机速度的时间序列{(vxt,vyt),t∈T}，有ci个无人机处于状态Si，假设其中下一时刻转移到状态Sj的数据有cij个；则无人机从状态Si转移到状态Sj的一步转移概率为
Figure BDA0002414029510000054
由pij组成的无人机状态转移矩阵p为一步状态转移概率矩阵；
(45)无后效性检验：
马尔科夫模型仅适用于具有无后效性的时间序列，由此，采用χ2统计量检验无人机速度的时间序列的无后效性；无人机有4种飞行状态，将边际概率定义为：
Figure BDA0002414029510000055
统计量服从自由度为(m-1)2的χ2分布；选定置信度α，查χ2分布临界值表得
Figure BDA0002414029510000061
令：
Figure BDA0002414029510000062
若
Figure BDA0002414029510000063
则无人机速度的时间序列具有无后效性；
(46)利用一步转移概率矩阵预测无人机飞行状态：
若在t时刻无人机处于状态Si，且一步状态转移概率矩阵p的第i行无人机状态转移概率的最大值为pij，则在t+1时刻，无人机处于状态Sj，故预测在t+1时刻，无人机将转移到状态Sj。
(5)根据无人机的状态，增添BN层，建立基于LSTM网络的无人机轨迹预测模型；具体过程如下：
(51)初始化LSTM(长短期记忆网络)网络各层参数；
(511)初始化LSTM输入层参数；
当搭建无人机轨迹预测LSTM网络的输入层时，每次批量训练40个样本，与步骤(41)对应，时间步长初始值设为10、20、30、40、50；
(512)初始化LSTM隐含层参数；
当搭建LSTM网络的隐含层时，隐含层层数设置为2，每层50个神经元；
(513)初始化LSTM网络层参数；
激活函数选择sigmoid函数和tanh函数，初始化网络层的权重和偏置；
(514)损失函数设置；
在无人机轨迹预测LSTM网络中采用平方差损失函数；
(52)确定LSTM的输入样本特征与输出样本特征；
(521)构建输入样本特征；
将步骤(3)得到的五个变量的数据集：纬度、经度、高度、水平速度和垂直速度，按照步骤(511)设置的时间步长划分为时间序列；
(522)构建输出样本特征；
神经网络输出样本特征为时间序列最后一个时刻的纬度、经度、高度；
(523)数据标准化；
输入样本特征通过增添的BN层，进行批量离差标准化。
(6)预测无人机的经度、纬度及高度，具体过程如下：
(61)模型训练及测试；
随机抽取上述步骤(3)得到的无人机轨迹数据集的75％(555条轨迹)作为训练集，剩余的25％(185条轨迹)作为测试集；
(62)优化器选择；
采用Adam优化器，并使学习率自动调整；
(63)数据去标准化；
对LSTM模型的输出值，通过BN层，进行逆离差标准化，得到的纬度、经度、高度即为预测的无人机轨迹点；
(64)预测精度评价；
采用平均绝对误差(MAE)作为评价指标；
(65)预测结果分析，如下表1，其为不同步长的预测误差比较：
表1
Figure BDA0002414029510000071
对各个时间步长的预测结果比较，当时间步长为40-45时，预测结果最优，其经度、纬度、高度误差分别为6.04m、6.45m、2.33m。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种无人机实时轨迹预测方法，其特征在于，步骤如下：
(1)获取数据：采集无人机历史ADS-B数据，得到无人机时间戳、无人机ID、纬度、经度、高度、水平速度、飞行时间的数据信息；
(2)数据预处理：将上述获取到的数据信息按飞行时间进行排序，将纬度和经度转换成直角坐标；并删除获取到的数据中非固定时间间隔和存在不明显位置信息的轨迹数据；
(3)生成无人机轨迹各个变量数据集：对上述步骤(2)预处理后的数据进行筛选，得到纬度、经度、高度和水平速度数据，并计算无人机的垂直速度，生成相应的时间序列数据；
(4)利用马尔科夫模型确定无人机状态；
(5)根据无人机的状态，增添BN层，建立基于LSTM网络的无人机轨迹预测模型；
(6)预测无人机的经度、纬度及高度；
所述步骤(4)的具体过程如下：
(41)对数据集进行分组：
将步骤(3)中的数据集按不同的时间间隔分组，生成相应时间间隔的无人机轨迹时间序列数据；
(42)划分无人机的飞行状态：
根据无人机的水平速度vx和垂直速度vy，对无人机的飞行状态进行划分；当vy＞0.1米/秒，无人机处于上升状态S1；当
Figure FDA0004096352670000011
米/秒且vy∈[-0.1,0.1]米/秒，无人机处于平飞状态S2；当vy＜-0.1米/秒，无人机处于下降状态S3；当vx∈[-0.1,0.1]米/秒且vy∈[-0.1,0.1]米/秒，无人机处于悬停状态S4；
(43)计算初始状态概率：
假设无人机速度的时间序列的取值空间为(vxi,vyi),i＝1,2…n，一共有n个观测值，根据无人机速度的时间序列，无人机被划分为4个状态S＝{S1,S2,S3,S4}；(vxn,vyn)作为最后一个速度的观测值，不考虑(vxn,vyn)在n时刻对应的转移状态；假设根据无人机速度的时间序列的前n-1个已知值，有ci个无人机处于状态Si，有
Figure FDA0004096352670000012
那么无人机状态Si的初始状态概率为/>
Figure FDA0004096352670000013
(44)计算一步转移概率矩阵：
根据已知的无人机速度的时间序列{(vxt,vyt),t∈T}，有ci个无人机处于状态Si，假设其中下一时刻转移到状态Sj的数据有cij个；则无人机从状态Si转移到状态Sj的一步转移概率为
Figure FDA0004096352670000021
由pij组成的无人机状态转移矩阵p为一步状态转移概率矩阵；
(45)无后效性检验：
采用χ2统计量检验无人机速度的时间序列的无后效性；无人机有4种飞行状态，将边际概率定义为：
Figure FDA0004096352670000022
统计量服从自由度为(m-1)2的χ2分布；选定置信度α，查χ2分布临界值表得
Figure FDA0004096352670000023
令：
Figure FDA0004096352670000024
若
Figure FDA0004096352670000025
则无人机速度的时间序列具有无后效性；
(46)利用一步转移概率矩阵预测无人机飞行状态：
若在t时刻无人机处于状态Si，且一步状态转移概率矩阵p的第i行无人机状态转移概率的最大值为pij，则在t+1时刻，无人机处于状态Sj，故预测在t+1时刻，无人机将转移到状态Sj；
所述步骤(5)的具体过程如下：
(51)初始化LSTM网络各层参数；
(511)初始化LSTM输入层参数；
当搭建无人机轨迹预测LSTM网络的输入层时，每次批量训练40个样本，与步骤(41)对应，时间步长初始值设为10、20、30、40、50；
(512)初始化LSTM隐含层参数；
当搭建LSTM网络的隐含层时，隐含层层数设置为2，每层50个神经元；
(513)初始化LSTM网络层参数；
激活函数选择sigmoid函数和tanh函数，初始化网络层的权重和偏置；
(514)损失函数设置；
在无人机轨迹预测LSTM网络中采用平方差损失函数；
(52)确定LSTM的输入样本特征与输出样本特征；
(521)构建输入样本特征；
将步骤(3)得到的五个变量的数据集：纬度、经度、高度、水平速度和垂直速度，按照步骤(511)设置的时间步长划分为时间序列；
(522)构建输出样本特征；
神经网络输出样本特征为时间序列最后一个时刻的纬度、经度、高度；
(523)数据标准化；
输入样本特征通过增添的BN层，进行批量离差标准化；
所述步骤(6)的具体过程如下：
(61)模型训练及测试；
随机抽取上述步骤(3)得到的无人机轨迹数据集的75％作为训练集，剩余的25％作为测试集；
(62)优化器选择；
采用Adam优化器，并使学习率自动调整；
(63)数据去标准化；
对LSTM模型的输出值，通过BN层，进行逆离差标准化，得到的纬度、经度、高度即为预测的无人机轨迹点；
(64)预测精度评价；
采用平均绝对误差作为评价指标。
2.根据权利要求1所述的无人机实时轨迹预测方法，其特征在于，所述步骤(3)中纬度、经度、高度、水平速度的时间序列由ADS-B数据预处理及筛选后得到，垂直速度的时间序列通过计算高度变化值除以飞行时间间隔得到，最终的无人机轨迹数据集包括纬度、经度、高度、水平速度和垂直速度五个变量。
CN202010185494.0A 2020-03-17 2020-03-17 一种无人机实时轨迹预测方法 Active CN111461292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010185494.0A CN111461292B (zh) 2020-03-17 2020-03-17 一种无人机实时轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010185494.0A CN111461292B (zh) 2020-03-17 2020-03-17 一种无人机实时轨迹预测方法

Publications (2)

Publication Number Publication Date
CN111461292A CN111461292A (zh) 2020-07-28
CN111461292B true CN111461292B (zh) 2023-06-27

Family

ID=71683188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010185494.0A Active CN111461292B (zh) 2020-03-17 2020-03-17 一种无人机实时轨迹预测方法

Country Status (1)

Country Link
CN (1) CN111461292B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880568B (zh) * 2020-07-31 2024-08-02 深圳前海微众银行股份有限公司 无人机自动控制的优化训练方法、装置、设备及存储介质
CN112347993B (zh) * 2020-11-30 2023-03-17 吉林大学 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
CN113222229B (zh) * 2021-04-28 2024-02-13 南京航空航天大学 一种基于机器学习的非合作无人机轨迹预测方法
CN113110558B (zh) * 2021-05-12 2022-04-08 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN114675672A (zh) * 2022-04-02 2022-06-28 南京航空航天大学 一种基于迁移学习的无人机实时轨迹集成预测方法
CN115201806A (zh) * 2022-06-21 2022-10-18 深圳华创电科技术有限公司 多目标识别方法、装置、设备及存储介质
CN115577511B (zh) * 2022-09-26 2023-11-17 南京航空航天大学 基于无人机运动状态的短期航迹预测方法、装置及系统
CN115994324B (zh) * 2023-03-13 2023-07-18 浙江口碑网络技术有限公司 数据处理方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319132B (zh) * 2018-01-11 2021-01-26 合肥工业大学 用于无人机空中对抗的决策系统及方法
CN109034376B (zh) * 2018-07-18 2020-07-28 东北大学 一种基于lstm的无人机飞行状态预测方法及系统
CN110705658B (zh) * 2019-08-15 2022-03-15 哈尔滨工业大学 一种基于多变量回归的无人机飞参数据故障检测与恢复方法
CN110751266A (zh) * 2019-09-26 2020-02-04 北航（四川）西部国际创新港科技有限公司 一种无人机轨迹预测模块及其预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法

Also Published As

Publication number Publication date
CN111461292A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111461292B (zh) 一种无人机实时轨迹预测方法
CN107368926B (zh) 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN109191922B (zh) 一种大规模四维航迹动态预测方法及装置
CN112906858A (zh) 一种船舶运动轨迹实时预测方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN109977546B (zh) 一种基于无监督学习的四维航迹在线异常检测方法
CN115081592B (zh) 基于遗传算法和前馈神经网络的公路低能见度预估方法
CN112465199B (zh) 空域态势评估系统
CN110443448B (zh) 一种基于双向lstm的飞机机位分类预测方法和系统
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN113076686B (zh) 一种基于社会长短期记忆网络的航空器轨迹预测方法
CN112862171B (zh) 一种基于时空神经网络的航班到达时间预测方法
WO2022039675A1 (en) Method and apparatus for forecasting weather, electronic device and storage medium thereof
CN112363896A (zh) 日志异常检测系统
CN113341919B (zh) 一种基于时序数据长度优化的计算系统故障预测方法
CN115064009A (zh) 一种终端区无人机与有人机冲突风险等级划分方法
CN113128769A (zh) 基于深度学习的智能航班延误预测方法
CN113095443A (zh) 基于lstm-dnn网络模型的实时天气预测算法
CN112881987A (zh) 一种基于lstm模型的机载相控阵雷达行为预测方法
CN112070317A (zh) 酒店空调能耗预测方法
CN114298183B (zh) 飞行动作智能识别方法
CN117037006B (zh) 一种高续航能力的无人机跟踪方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN117332327A (zh) 基于半监督学习与神经网络的飞行器轨迹预测系统

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