CN111551968B - 基于深度学习运动预测的无人机对准系统及对准方法 - Google Patents
基于深度学习运动预测的无人机对准系统及对准方法 Download PDFInfo
- Publication number
- CN111551968B CN111551968B CN202010352984.5A CN202010352984A CN111551968B CN 111551968 B CN111551968 B CN 111551968B CN 202010352984 A CN202010352984 A CN 202010352984A CN 111551968 B CN111551968 B CN 111551968B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- angle
- data
- motion prediction
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
- G01S19/10—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing dedicated supplementary positioning signals
- G01S19/12—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing dedicated supplementary positioning signals wherein the cooperating elements are telecommunication base stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于深度学习运动预测的无人机对准系统及对准方法,由地面定向天线平台和无人机平台组成对准系统,主要包括位置采集模块、运动预测模块、俯仰角及方位角计算模块和转动对准模块。本发明所述方法基于深度学习和粒子滤波器,提出通过已有历史数据对神经网络进行训练,并利用该模型进行无人机位置预测,从而实时计算天线平台所需的姿态角,解决了由于通信时间延迟、定向天线平台转动需要时间等因素,造成的定向天线无法精确对准无人机的问题,能够以较低的算法复杂度实现定向天线对无人机的实时精确对准。
Description
技术领域
本发明属于无人机中继通信技术,具体涉及一种基于深度学习运动预测的无人机对准系统及对准方法。
背景技术
在第五代移动通信(5G)时代,有关将无人机作为中继通信平台并在地面站使用定向天线通信的研究得到越来越广泛的关注。然而由于这一过程中无人机使用毫米波进行通信,工作频率为30GHz以上,导致波束散发角很小,副瓣低,因而要求天线平台精确对准无人机时才能有效地传输信息。因此,如何能够实时进行天线平台的精确对准就成为了核心问题。
基于全球定位系统(Global Positioning System,GPS)的无人机对准方法,凭借其算法复杂度低等优点,已经被广泛应用于无人机自动跟踪。但是,传统的基于GPS的无人机对准方法都是根据无人机前一时刻传回的GPS数据计算出平板定向天线需转动的角度,当无人机进行运动时,天线精确对准效果较差。因此,传统的基于GPS的无人机对准方法不适合应用于无人机中继通信技术中。
发明内容
发明目的:为提高无人机对准的实时性和跟踪精度,本发明的目的是提供一种基于深度学习运动预测的无人机对准系统及对准方法。
为达到此目的,本发明采用以下技术方案:
一种无人机对准系统,包括地面定向天线平台和无人机平台,通过地面定向天线平台和无人机平台之间的通信实现对准控制;所述的地面定向天线平台包括位置采集模块、运动预测模块、俯仰角及方位角计算模块、转动对准模块;所述的无人机平台包括GPS和IMU传感器;所述的采集模块按周期采集无人机的GPS传感器、加速度计和陀螺仪检测的数据;然后将数据传输到运动预测模块,所述的运动预测模块搭载LSTM神经网络预测算法,根据时间差和地面定向天线平台转动所需时间计算当前时刻无人机位置的估计坐标;将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;将天线所需的姿态角和当前姿态角送入转动对准模块,由驱动步进电机使地面定向天线平台转动对准无人机当前位置,驱动步进电机包括水平步进电机和俯仰步进电机。
一种基于深度学习运动预测的无人机对准方法,包括如下步骤:
(1)无人机以Tsample为采样周期,在ti时刻发出信号,位置采集模块在ti′时刻接收到该信号,包括GPS坐标、惯性测量单元数据;
(2)将数据送入运动预测模块,根据时间差Δti=t′i-ti和天线平台转动所需时间T0在运动预测模块中计算出当前时刻无人机位置的估计坐标;
(3)将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;
(4)将天线所需的姿态角和当前姿态角送入转动对准模块,驱动步进电机使天线转动对准无人机当前位置;
(5)若定向天线平台需要在ti+1时刻重新对准无人机,则重复上述步骤(1)至(4)。
进一步,所述位置采集模块,利用无线传输设备获取无人机当前的状态信息,包括GPS传感器、加速度计和陀螺仪等传感器采集的数据,以固定的采样周期进行数据的采集,并通过无线传输设备将获得的三维空间中的IMU数据,即角速度w=[wx,wy,wz],线加速度a=[ax,ay,az]和GPS数据传送给地面基站,作为历史数据并存入历史数据库。
进一步,对于运动预测模块,首先对收集到的有效历史数据进行预处理,构造待训练的LSTM模型的训练样本数据和验证样本数据。收集到的速度数据和GPS位置数据需要进行归一化处理,使其值在0到1之间,利用的归一化公式为:
其中x是待归一化处理的数据,xmax和xmin分别是原始数据中的最大值和最小值,xnorm是归一化之后的数据。
将归一化数据引入LSTM单元按照如下公式进行训练:
it=σ(Wxixt+Whiht-1+Wcict-1+bi), (2)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf), (3)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc), (4)
ot=σ(Wxoxt+Whoht-1+Wcoct+bo), (5)
ht=ottanh(ct). (6)
其中σ是logic sigmoid函数,i、f、o、c、h分别是输入门、遗忘门、输出门、单元激活向量和隐藏层单元;Wxi、Whi、Wci分别是输入特征向量、隐藏层单元和单元激活向量与输入门之间权重矩阵;Wxf、Whf、Wcf分别是输入特征向量、隐藏层单元和单元激活向量与遗忘门之间权重矩阵;Wxo、Who、Wco分别是输入特征向量、隐藏层单元和单元激活向量与输出门之间权重矩阵;Wxc、Whc分别是输入特征向量、隐藏层单元与单元激活向量之间权重矩阵,且上述所有的权重矩阵都是对角阵;bi、bf、bc、bo分别是输入门、遗忘门、输出门、单元激活向量的偏差值;t作为下标时表示采样时刻;tanh是双曲正切函数,作为激活函数。
将LSTM预测模型输出的无人机在空间中位置分布的概率作为重要性采样概率函数(无人机在空间中位置分布的概率定义为无人机在以定向天线为原点的极坐标系中的坐标(r,θ)中角度θ的概率分布)。将有效历史数据库或者异常历史数据库中无人机传回的速度、位置数据作为输入数据输入到粒子滤波器中,输出修正后更加精确的无人机在空间中位置的分布概率,其中粒子滤波器包括初始化、重要性采样、重采样和更新状态估计等步骤具体如下:
(s4)更新状态估计:计算k时刻的状态估计值:
通过训练样本数据得到预先训练的LSTM模型参数,然后再通过模型在验证样本数据上的表现对模型参数进行微调,进一步提高LSTM模型精度。根据无人机传回的速度数据和LSTM预测模型的记忆数据作为输入数据,输入预测用的LSTM模型,得到无人机在空间中位置的预测结果。
进一步,所述俯仰角及方位角计算模块采用圆球模型,以真北为0°起点,由东向南向西旋转360°计算方位角,则所需的俯仰角γi和方位角θi的计算如式(8)和(9)所示:
其中,R为地球半径,(BA,LA,HA)表示天线平台的大地坐标,(B′i,L′i,H′i)表示当前无人机位置的估计大地坐标,BA,B′i,LA,L′i,HA,H′i分别表示天线平台和无人机的估计位置的纬度、经度和海拔高度。其中参数ai和ni的计算公式如式(10)和(11)所示:
ai=90°-B′i (10)
进一步,所述转动对准模块包括俯仰步进电机和水平步进电机,根据所需的姿态角(γi,θi)和当前的姿态角(γi-1,θi-1)计算出转动角,如式(12)和(13)所示:
Δγi=γi-γi-1 (12)
Δθi=(θi+360°-θi-1)%360° (13)
其中,运算符%表示求余运算。
然后,根据式(12)和(13)的取值,如果Δγi≥0°,则俯仰步进电机控制天线向上转动Δγi角度;如果Δγi<0°,则俯仰步进电机控制天线向下转动Δγi角度。如果Δθi≤180°,则水平步进电机控制天线由北向东向南向西旋转Δθi角度;如果Δθi>180°,则水平步进电机控制天线由北向西向南向东旋转360°-Δθi角度。
有益效果:与现有技术相比,本发明首先具有如下显著效果:
(1)本发明中LSTM神经网络和粒子滤波器进行运动预测,解决了普通卡尔曼滤波性能较差的问题,能够根据输入较为精确地预测出无人机位置。
(2)本发明继承了常见跟踪算法中圆球模型的优点,克服了椭球模型涉及矩阵运算,计算复杂度大的问题,同时计算精度相比于平面模型更高。
(3)在利用实时返回信息的基础上,通过运动预测,减小通信时间延迟和定向天线平台转动需要一定时间等因素对天线对准造成的影响,极大提高了定向天线对准精度。
附图说明
图1为本发明具体实施方式中的系统的流程图和示意图;
图2为本发明具体实施方式中天线平台通过运动预测计算得到的所需俯仰角随无人机实际运动轨迹变化图;
图3为本发明具体实施方式中天线平台通过运动预测计算得到的所需方位角随无人机实际运动轨迹变化图;
具体实施方式
为了详细的说明本发明所公开的技术方案,下面结合具体实施方式对本发明的技术方案作进一步的介绍。
一种无人机对准系统,如图1所示。包括地面定向天线平台和无人机平台,通过地面定向天线平台和无人机平台之间的通信实现对准控制;所述的地面定向天线平台包括位置采集模块、运动预测模块、俯仰角及方位角计算模块、转动对准模块;所述的无人机平台包括GPS和IMU传感器;所述的采集模块按周期采集无人机的GPS传感器、加速度计和陀螺仪检测的数据;然后将数据传输到运动预测模块,所述的运动预测模块搭载LSTM神经网络预测算法,根据时间差和地面定向天线平台转动所需时间计算当前时刻无人机位置的估计坐标;将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;将天线所需的姿态角和当前姿态角送入转动对准模块,由驱动步进电机使地面定向天线平台转动对准无人机当前位置。
实施上述的无人机对准系统的一种基于深度学习运动预测的无人机对准方法。无人机以Tsample为采样周期,在ti时刻发出信号,位置采集模块在ti′时刻接收到该信号,包括GPS坐标、惯性测量单元(Inertial measurement unit,IMU)数据;将这些数据送入运动预测模块,根据时间差Δti=t′i-ti和天线平台转动所需时间T0在运动预测模块中计算出当前时刻无人机位置的估计坐标;将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;将天线所需的姿态角和当前姿态角送入转动对准模块,驱动步进电机使天线转动对准无人机当前位置。随后在ti+1时刻再次重复上述步骤。
位置采集模块是利用无线传输设备获取无人机当前的状态信息,包括GPS传感器、加速度计和陀螺仪等传感器采集的数据。以固定的采样周期进行数据的采集,并通过无线传输设备将获得的三维空间中的IMU数据,即角速度w=[wx,wy,wz],线加速度a=[ax,ay,az]和GPS数据传送给地面基站,作为历史数据并存入历史数据库。
运动预测模块是基于深度学习中LSTM神经网络和粒子滤波器算法的一种耦合跟踪算法。对已获取的数据进行归一化处理之后,带入如下LSTM单元按照如下公式进行训练:
it=σ(Wxixt+Whiht-1+Wcict-1+bi), (1)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf), (2)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc), (3)
ot=σ(Wxoxt+Whoht-1+Wcoct+bo), (4)
ht=ottanh(ct). (5)
LSTM模型的预测结果是无人机在空间中位置分布的概率,是一个以定向天线为原点的极坐标系中的坐标(r,θ)中角度θ的概率分布。将这个概率分布作为重要性采样概率函数来对接下来的无人机位置进行预测和判断。将有效历史数据库或者异常历史数据库中无人机传回的速度、位置数据作为输入数据输入到粒子滤波器中,输出修正后更加精确的无人机在空间中位置的分布概率。粒子滤波器包括初始化、重要性采样、重采样和更新状态估计等步骤:
4)更新状态估计:计算k时刻的状态估计值:
通过训练样本数据得到预先训练的LSTM模型参数,然后再通过模型在验证样本数据上的表现对模型参数进行微调,进一步提高LSTM模型精度。根据无人机传回的速度数据和LSTM预测模型的记忆数据作为输入数据,输入预测用的LSTM模型,得到无人机在空间中位置的预测结果。
俯仰角及方位角计算模块采用圆球模型,以真北为0°起点,由东向南向西旋转360°计算方位角,则所需的俯仰角γi和方位角θi的计算如式(7)和(8)所示:
其中,R为地球半径,(BA,LA,HA)表示天线平台的大地坐标,(B′i,L′i,H′i)表示当前无人机位置的估计大地坐标,BA,B′i,LA,L′i,HA,H′i分别表示天线平台和无人机的估计位置的纬度、经度和海拔高度。其中参数ai和ni的计算公式如式(9)和(10)所示:
ai=90°-B′i (9)
转动对准模块包括俯仰步进电机和水平步进电机,根据所需的姿态角(γi,θi)和当前的姿态角(γi-1,θi-1)计算出转动角,如式(11)和(12)所示:
Δγi=γi-γi-1 (11)
Δθi=(θi+360°-θi-1)%360° (12)
其中,运算符%表示求余运算。
然后,根据式(11)和(12)的取值,如果Δγi≥0°,则俯仰步进电机控制天线向上转动Δγi角度;如果Δγi<0°,则俯仰步进电机控制天线向下转动Δγi角度。如果Δθi≤180°,则水平步进电机控制天线由北向东向南向西旋转Δθi角度;如果Δθi>180°,则水平步进电机控制天线由北向西向南向东旋转360°-Δθi角度。
以定向天线平台转动所需时间为五倍的采样周期,即T0=5Tsample为例。本实施例中除了天线平台的海拔高度设置为0(即天线平台放置在地面)外,无人机的初始坐标和天线平台的其余坐标均为随机生成。将开源无人机仿真平台Airsim中随机生成的仿真数据作为无人机的运动控制数据,模拟无人机在空中的飞行状态。分别利用传统对准方法和本发明提出的对准方法进行天线平台的模拟对准,则无人机实际运动轨迹所需的俯仰角、传统没有运动预测的对准方法计算得到的俯仰角和采用本发明提出的基于深度学习运动预测的无人机对准方法计算得到的俯仰角如图2所示,横纵坐标分别为归一化的时间和俯仰角;无人机实际运动轨迹所需的方位角、传统没有运动预测的对准方法计算得到的方位角和采用本发明提出的基于深度学习运动预测的无人机对准方法计算得到的方位角如图3所示,横纵坐标分别为归一化的时间和方位角。可以发现,采用本发明提出的基于深度学习运动预测的无人机对准方法可以减小由于延迟造成的计算误差,由此提高了定向天线对准精度。
Claims (5)
1.一种基于深度学习运动预测的无人机对准系统,其特征在于:包括地面定向天线平台和无人机平台,通过地面定向天线平台和无人机平台之间的通信实现对准控制;所述的地面定向天线平台包括位置采集模块、运动预测模块、俯仰角及方位角计算模块、转动对准模块;所述的无人机平台包括GPS和IMU传感器;所述的采集模块按周期采集无人机的GPS传感器、加速度计和陀螺仪检测的数据;然后将数据传输到运动预测模块,所述的运动预测模块搭载LSTM神经网络预测算法,根据时间差和地面定向天线平台转动所需时间计算当前时刻无人机位置的估计坐标;将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;将天线所需的姿态角和当前姿态角送入转动对准模块,由驱动步进电机使地面定向天线平台转动对准无人机当前位置,驱动步进电机包括水平步进电机和俯仰步进电机;
该基于深度学习运动预测的无人机对准系统所对应的实现方法,包含以下步骤:
(1)无人机以Tsample为采样周期,在ti时刻发出信号,位置采集模块在ti′时刻接收到该信号,包括GPS坐标、惯性测量单元数据;
(2)将数据送入运动预测模块,根据时间差Δti=ti′-ti和天线平台转动所需时间T0在运动预测模块中计算出当前时刻无人机位置的估计坐标;
(3)将当前无人机位置的估计坐标和定向天线的位置坐标送入俯仰角及方位角计算模块,计算得到定向天线所需的姿态角;
(4)将天线所需的姿态角和当前姿态角送入转动对准模块,驱动步进电机使天线转动对准无人机当前位置;
(5)若定向天线平台需要在ti+1时刻重新对准无人机,则重复上述步骤(1)至(4)。
2.根据权利要求1所述的基于深度学习运动预测的无人机对准系统,其特征在于:步骤(1)通过无人机的GPS传感器、加速度计和陀螺仪以设定的采样周期进行数据采集,并获得的三维空间中的IMU数据,将角速度、线加速度和GPS数据传送给地面基站,作为历史数据并存入历史数据库。
3.根据权利要求1所述的基于深度学习运动预测的无人机对准系统,其特征在于:所述运动预测模块首先对收集到的有效历史数据进行预处理,构造待训练的LSTM模型的训练样本数据和验证样本数据;包括对收集到的速度数据和GPS位置数据进行归一化处理,并将经归一化处理后的数据输入到LSTM单元进行训练。
4.根据权利要求1所述的基于深度学习运动预测的无人机对准系统,其特征在于:所述俯仰角及方位角计算模块采用圆球模型,以真北方向为0°起点,由东向南向西旋转360°计算方位角,俯仰角γi和方位角θi的计算如下所示:
其中,R为地球半径,(BA,LA,HA)表示天线平台的大地坐标,(Bi′,Li′,Hi′)表示当前无人机位置的估计大地坐标,BA,B′i,LA,Li′,HA,Hi′分别表示天线平台和无人机的估计位置的纬度、经度和海拔高度;
其中参数ai和ni的计算公式如下所示:
ai=90°-B′i
cos(ni)=cos(90°-B′i)cos(90°-BA)+sin(90°-B′i)sin(90°-BA)cos(L′i-LA) 。
5.根据权利要求1所述的基于深度学习运动预测的无人机对准系统,其特征在于:所述转动对准模块包括俯仰步进电机和水平步进电机,根据所需的姿态角(γi,θi)和当前的姿态角(γi-1,θi-1)计算出转动角,姿态角变化量计算如下:
Δγi=γi-γi-1
Δθi=(θi+360°-θi-1)%360°
其中,运算符%表示求余运算;
如果Δγi≥0°,则俯仰步进电机控制天线向上转动Δγi角度;
如果Δγi<0°,则俯仰步进电机控制天线向下转动Δγi角度;
如果Δθi≤180°,则水平步进电机控制天线由北向东向南向西旋转Δθi角度;
如果Δθi>180°,则水平步进电机控制天线由北向西向南向东旋转360°-Δθi角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352984.5A CN111551968B (zh) | 2020-04-29 | 2020-04-29 | 基于深度学习运动预测的无人机对准系统及对准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352984.5A CN111551968B (zh) | 2020-04-29 | 2020-04-29 | 基于深度学习运动预测的无人机对准系统及对准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111551968A CN111551968A (zh) | 2020-08-18 |
CN111551968B true CN111551968B (zh) | 2023-01-31 |
Family
ID=72002572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010352984.5A Active CN111551968B (zh) | 2020-04-29 | 2020-04-29 | 基于深度学习运动预测的无人机对准系统及对准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111551968B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872680B (zh) * | 2021-12-03 | 2022-04-26 | 特金智能科技(上海)有限公司 | Tdoa辅助rid信号接收的控制方法、装置、系统 |
CN115096304B (zh) * | 2022-08-26 | 2022-11-22 | 中国船舶重工集团公司第七0七研究所 | 延时误差修正方法、装置、电子设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932548B (zh) * | 2015-05-29 | 2017-11-21 | 北京航空航天大学 | 一种无人机定向天线自跟踪系统设计方法 |
CN106339007A (zh) * | 2016-08-17 | 2017-01-18 | 中国航空无线电电子研究所 | 一种基于无人机位置预测的视距链路定向天线纠偏方法 |
CN108037523A (zh) * | 2017-10-26 | 2018-05-15 | 北京航空航天大学 | 一种应用于无人机的电子辅助波束对准方法 |
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 |
CN110926468B (zh) * | 2019-12-05 | 2022-03-01 | 中国电子科技集团公司第五十四研究所 | 基于传递对准的动中通天线多平台航姿确定方法 |
-
2020
- 2020-04-29 CN CN202010352984.5A patent/CN111551968B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111551968A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347840B (zh) | 视觉传感器激光雷达融合无人机定位与建图装置和方法 | |
CN102252676B (zh) | 运动姿态数据获取、人体运动姿态追踪方法及相关设备 | |
CN102353377B (zh) | 一种高空长航时无人机组合导航系统及其导航定位方法 | |
CN109934868B (zh) | 一种基于三维点云与卫星图匹配的车辆定位方法 | |
CN107993257A (zh) | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 | |
CN107621264A (zh) | 车载微惯性/卫星组合导航系统的自适应卡尔曼滤波方法 | |
CN111551968B (zh) | 基于深度学习运动预测的无人机对准系统及对准方法 | |
CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
Peng et al. | UAV positioning based on multi-sensor fusion | |
CN111508282B (zh) | 低空无人机农田作业飞行障碍物冲突检测方法 | |
CN111273312A (zh) | 一种智能车辆定位与回环检测方法 | |
CN109459759B (zh) | 基于四旋翼无人机激光雷达系统的城市地形三维重建方法 | |
CN112577481B (zh) | 一种旋翼无人机地面目标定位方法 | |
Melo et al. | On the use of particle filters for terrain based navigation of sensor-limited AUVs | |
CN112098926B (zh) | 一种利用无人机平台的智能测角训练样本生成方法 | |
CN113359167A (zh) | 一种通过惯性测量参数将gps与激光雷达融合定位的方法 | |
CN115775242A (zh) | 一种基于匹配的点云地图质量评估方法 | |
CN114791735A (zh) | 无人船纠偏方法及系统 | |
CN114063114A (zh) | 卫星实拍实传任务可观测区域获取方法及装置 | |
Quraishi et al. | Online kinematic and dynamic parameter estimation for autonomous surface and underwater vehicles | |
Gumusboga et al. | Particle filter based integrated navigation for quadrotors | |
Carrasco et al. | Monte-carlo localization for aerial robots using 3D LiDAR and UWB sensing | |
CN109633580A (zh) | 一种考虑地形高度的天基雷达杂波仿真方法及装置 | |
CN113359837B (zh) | 一种使用单架无人机追踪移动源的方法 |
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 |