CN112925344A - 基于数据驱动和机器学习的无人机飞行工况预测方法 - Google Patents
基于数据驱动和机器学习的无人机飞行工况预测方法 Download PDFInfo
- Publication number
- CN112925344A CN112925344A CN202110096886.4A CN202110096886A CN112925344A CN 112925344 A CN112925344 A CN 112925344A CN 202110096886 A CN202110096886 A CN 202110096886A CN 112925344 A CN112925344 A CN 112925344A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- flight
- neural network
- condition
- 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.)
- Granted
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
- G05D1/10—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
本发明公开了一种基于数据驱动和机器学习的无人机飞行工况预测方法,包括:采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息,并生成相应离线数据集;构建一种多重决策树结构,选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类;构建NAR神经网络,初始化网络中各参数;根据离线数据集中的数据及当前‑未来时刻相应数据,训练所述NAR神经网络;进行飞行工况的在线预测。本发明的工况预测方法能够实现对无人机未来飞行工况的预测,从而为无人机能量管理策略的制定提供功率流分配依据,有利于提高无人机飞行的经济性。
Description
技术领域
本发明属于无人机技术领域,具体涉及一种基于数据驱动和机器学习的无人机飞行工况预测方法。
背景技术
近年来,无人机已经成为我国航空飞行器的重要发展方向之一,多种动力源混合推进系统是飞行器发展的趋势。然而,多种动力源混合推进技术还受到多种方面的制约,其中,制定多种动力源的能量管理策略需要考虑多方面的因素。目前,大多数无人机在制定飞行任务剖面和规划路径时是从全局角度出发的,忽略了实际飞行工况多变等不确定性因素的影响,制定的策略适应性差,不能有效的协调多种动力源工作,难以保证各动力源工作在最优效率状态下。
由于无人机飞行工况的复杂性,需要考虑的因素很多,例如飞行的海拔高度、环境温度、飞行速度、飞机的姿态角等等,使得对无人机短期的工况预测工作难以进行。但是对无人机短期飞行工况预测是很有必要的,根据无人机当前飞行状态和周围环境信息预测无人机未来短期内可能面临的工况,考虑了飞行不确定性等因素。无人机可根据预测的工况优化局部轨迹,使得动力源工作在最优效率状态下,能够提高无人机飞行的稳定性、经济性和安全性。
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基于数据驱动和机器学习的无人机飞行工况预测方法,以解决现有无人机由于缺乏对未来工况预测的手段导致的无人机稳定性、经济性和安全性较差的问题。本发明所提出的方法实现对无人机未来飞行工况的在线预测,提出的NAR神经网络,可根据当前无人机飞行状态参数预测未来时序内的飞行状态参数,将预测到的状态参数分别输入到多重决策树中,经过决策树分类后可得到无人机飞行参数的多种工况组合,最终获得一种工况,完成对飞行工况的预测,可使得无人机动力源在最优效率状态下工作,提高飞行的安全性、经济性和稳定性。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于数据驱动和机器学习的无人机飞行工况预测方法,包括以下步骤:
(1)采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息,并生成相应离线数据集;
(2)根据上述生成的离线数据集,构建一种多重决策树结构,选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类;
(3)构建NAR神经网络,初始化网络中各参数;根据所述步骤(1)中生成的离线数据集中的数据,及根据时间序列提取的当前-未来时刻相应数据,训练所述NAR神经网络;
(4)根据所述多重决策树和训练好的NAR神经网络,进行飞行工况的在线预测。
进一步地,所述步骤(1)具体为:利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息;所述传感器包括:GPS、惯性测量元件、地磁指南针、气压计、电子陀螺仪;无人机飞行状态信息为无人机当前飞行姿态,包括方向舵的角度、升降舵的角度及飞行速度;飞行环境信息为无人机所处位置的海拔高度。
进一步地,所述步骤(2)的具体步骤如下:
(21)构建多重决策树结构;
以无人机所处位置的海拔高度、方向舵角度和升降舵角度以及飞行速度为根节点分别生成四个决策树结构;
(22)以海拔高度为根节点,建立第一决策树;
中间节点根据飞行任务剖面上不同飞行高度为判断依据建立,给定不同高度阈值,高度阈值范围在[x1-x2],此时记工况特性为Ⅰ;高度阈值范围在[x3-x4],此时记工况特性为Ⅱ;高度阈值范围在[x5-x6],此时记工况特性为Ⅲ;决策树叶节点对应无人机目前的飞行任务,即工况特性;
(23)以无人机姿态为根节点,选取的是方向舵和升降舵的角度,分别构建第二决策树和第三决策树;
(24)以无人机飞行速度为根节点,以飞行是否稳定安全为叶节点,建立两层第四决策树;
记无人机能够安全飞行的最大速度为临界速度Vmax,最低飞行速度为Vmin;当无人机飞行速度V大于临近速度Vmax时,飞行状态存在安全隐患,飞行不稳定,此时将工况特性记作a;当无人机飞行速度V大于最低飞行速度Vmin且小于临近速度Vmax时,飞行状态稳定,无人机可安全飞行,此时将工况特性记作b;当无人机飞行速度V小于最低飞行速度Vmin时,无人机不在飞行包线内,飞行状态不稳定,无人机不能够安全飞行,此时将工况特性也记作a。
进一步地,所述步骤(23)具体包括:
(231)构建第二决策树,以方向舵角度为根节点,建立两层决策树,叶节点选取两个节点,分别为向右转向,记作A;向左转向,记作B;无转向记作C;
(232)构建第三决策树,以升降舵角度为根节点,建立两层决策树,叶节点选取两个节点,分别为无人机抬头,记作1;无人机低头,记作2;无人机平飞,记作3。
进一步地,所述步骤(3)的具体步骤如下:
(31)构建一个NAR神经网络,所述神经网络根据当前无人机飞行状态参数预测未来的飞行状态参数;
(32)NAR神经网络的预测模型:
y(t)=f(y(t-1)+y(t-2)+...+y(t-dy+1)) (1)
式中,y(t)为t时刻的预测输出值;f为非线性函数;dy为延时阶数,即预测输出值y(t)取决于前dy个时刻的输出;
(33)NAR神经网络包含:输入层、隐藏层、输出层和输出反馈,形成一个动态神经网络;选取输入层神经元个数为m个,隐藏层神经元个数为n个,输出层神经元个数为4个,输出反馈时延阶数为k;输入层和输出层神经元个数根据无人机飞行过程中需要预测的参数个数来确定,隐藏层神经元个数根据经验估计方法再经试验确定;
(34)对于非线性拟合问题,隐藏层神经元选取S型激活函数,选择双曲正切tanh函数,输出层神经元激活函数选择pureline线性函数,各层神经元输出表达式为:
式中,f表示激活函数;ωij表示网络输入层神经元i与隐藏层神经元j的权值;aj表示隐藏层神经元j的阈值;ωj表示隐含层第j个神经元与输出层神经元间的权值;b表示输出层神经元的阈值;
(35)根据选取的多重决策树中的根节点和叶节点对生成的数据集进行筛选和标记,生成当前-未来时刻数据序列;取其中数据量的75%作为训练数据集,其余作为测试数据集;
(36)用训练神经网络的均方根误差RMSE来评价神经网络的预测精度:
式中,Yθ为神经网络参数为θ下的输出值;Yi为真实值;d为输出值的长度;BEST_θ为RMSE最小情况下的对应的神经网络的参数θ;
设定目标误差值为p,当均方根误差RMSE小于目标误差p时,完成对网络的训练;否则,调整网络参数,再进行训练,重复进行步骤(36)。
进一步地,所述步骤(33)中经验估计的公式如下:
Nhid=2Min+1 (2)
式中,Nhid为隐藏层神经元数的估计值;Mhid为输入神经元个数。
进一步地,所述步骤(4)的具体步骤如下:
(41)将训练好的NAR神经网络和多重决策树结构嵌入到无人机系统中,通过无人机上搭载的传感器,在线采集当前数据,即无人机此时所处的海拔高度、方向舵角度、升降舵角度和飞行速度;
(42)预测未来飞行状态:将当前在线数据分别输入到所述步骤(3)中训练好的NAR神经网络中,经神经网络预测,得到下一时刻无人机所处的海拔高度、对应的方向舵角度、升降舵角度和飞行速度参数信息;
(43)将预测得到的数据处理后分别输入到所述步骤(2)中的多重决策树结构中,根据不同的特征属性,得到相应属性下的未来飞行工况特性,对工况特性进行组合,获得一种未来可能的工况,完成对无人机未来短期飞行工况的预测。
本发明的有益效果:
1、本发明的工况预测方法,能够提供给无人机工况预测能力,且能够为后续解决无人机飞行过程中存在的各种不确定性对无人机平稳性和安全性的影响问题,提供理论支持,进一步提高无人机的稳定性和安全性;
2、本发明的工况预测方法能够实现对无人机未来飞行工况的预测,从而为无人机能量管理策略的制定提供功率流分配依据,有利于提高无人机飞行的经济性;
3、本发明的方法具有较强的实用性,有利于推进无人机工况预测和能量管理策略技术的发展。
附图说明
图1为本发明的预测方法原理框图;
图2为多重决策树结构示意图;
图3为NAR神经网络结构示意图;
图4为无人机参考坐标系示意图。
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所示,本发明的一种基于数据驱动和机器学习的无人机飞行工况预测方法,包括以下步骤:
(1)采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息,并生成相应离线数据集;
利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息;所述传感器包括:GPS、惯性测量元件、地磁指南针、气压计、电子陀螺仪;无人机飞行状态信息为无人机当前飞行姿态,包括方向舵的角度、升降舵的角度及飞行速度;飞行环境信息为无人机所处位置的海拔高度。
参照图4,无人机绕Y轴旋转表示无人机正在抬头、低头或平飞,处理数据时,无人机抬头时所对应的升降舵的角度符号记为正,低头时所对应的升降舵的角度符号记为负,平飞时所对应的升降舵角度记为零;无人机绕Z轴旋转表示无人机正在向左、向右转向或者无转向,处理数据时,无人机向右转向时所对应的方向舵的角度符号记为正,向左转向时所对应的方向舵的角度符号记为负;平飞时所对应的升降舵角度记为零。
(2)根据上述生成的离线数据集,构建一种多重决策树结构,选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类;参照图2所示;
(21)构建多重决策树结构:
以无人机所处位置的海拔高度、方向舵角度和升降舵角度以及飞行速度为根节点分别生成四个决策树结构;
(22)以海拔高度为根节点,建立第一决策树:
中间节点根据飞行任务剖面上不同飞行高度为判断依据建立,给定不同高度阈值,高度阈值范围在[x1-x2],此时记工况特性为Ⅰ;高度阈值范围在[x3-x4],此时记工况特性为Ⅱ;高度阈值范围在[x5-x6],此时记工况特性为Ⅲ;决策树叶节点对应无人机目前的飞行任务,即工况特性;
(23)以无人机姿态为根节点,选取的是方向舵和升降舵的角度,分别构建第二决策树和第三决策树:
(24)以无人机飞行速度为根节点,以飞行是否稳定安全为叶节点,建立两层第四决策树:
记无人机能够安全飞行的最大速度为临界速度Vmax,最低飞行速度为Vmin;当无人机飞行速度V大于临近速度Vmax时,飞行状态存在安全隐患,飞行不稳定,此时将工况特性记作a;当无人机飞行速度V大于最低飞行速度Vmin且小于临近速度Vmax时,飞行状态稳定,无人机可安全飞行,此时将工况特性记作b;当无人机飞行速度V小于最低飞行速度Vmin时,无人机不在飞行包线内,飞行状态不稳定,无人机不能够安全飞行,此时将工况特性也记作a。
进一步地,所述步骤(23)具体包括:
(231)构建第二决策树,以方向舵角度为根节点,建立两层决策树,叶节点选取两个节点,分别为向右转向,记作A;向左转向,记作B;无转向记作C;
(232)构建第三决策树,以升降舵角度为根节点,建立两层决策树,叶节点选取两个节点,分别为无人机抬头,记作1;无人机低头,记作2;无人机平飞,记作3。
(3)构建NAR神经网络,初始化网络中各参数;根据所述步骤(1)中生成的离线数据集中的数据,及根据时间序列提取的当前-未来时刻相应数据,训练所述NAR神经网络;参照图3所示;
(31)构建一个NAR神经网络,所述神经网络根据当前无人机飞行状态参数预测未来的飞行状态参数;
(32)NAR神经网络的预测模型:
y(t)=f(y(t-1)+y(t-2)+...+y(t-dy+1)) (1)
式中,y(t)为t时刻的预测输出值;f为非线性函数;dy为延时阶数,即预测输出值y(t)取决于前dy个时刻的输出;
(33)NAR神经网络包含:输入层、隐藏层、输出层和输出反馈,形成一个动态神经网络;选取输入层神经元个数为m个,隐藏层神经元个数为n个,输出层神经元个数为4个,输出反馈时延阶数为k;输入层和输出层神经元个数根据无人机飞行过程中需要预测的参数个数来确定,隐藏层神经元个数根据经验估计方法再经试验确定;
(34)对于非线性拟合问题,隐藏层神经元选取S型激活函数,选择双曲正切tanh函数,输出层神经元激活函数选择pureline线性函数,各层神经元输出表达式为:
式中,f表示激活函数;ωij表示网络输入层神经元i与隐藏层神经元j的权值;aj表示隐藏层神经元j的阈值;ωj表示隐含层第j个神经元与输出层神经元间的权值;b表示输出层神经元的阈值;
(35)根据选取的多重决策树中的根节点和叶节点对生成的数据集进行筛选和标记,生成当前-未来时刻数据序列;取其中数据量的75%作为训练数据集,其余作为测试数据集;
(36)用训练神经网络的均方根误差RMSE来评价神经网络的预测精度:
式中,Yθ为神经网络参数为θ下的输出值;Yi为真实值;d为输出值的长度;BEST_θ为RMSE最小情况下的对应的神经网络的参数θ;
设定目标误差值为p,当均方根误差RMSE小于目标误差p时,完成对网络的训练;否则,调整网络参数,再进行训练,重复进行步骤(36)。
所述步骤(33)中经验估计的公式如下:
Nhid=2Min+1 (2)
式中,Nhid为隐藏层神经元数的估计值;Mhid为输入神经元个数。
(4)根据所述多重决策树和训练好的NAR神经网络,进行飞行工况的在线预测;
(41)将训练好的NAR神经网络和多重决策树结构嵌入到无人机系统中,通过无人机上搭载的传感器,在线采集当前数据,即无人机此时所处的海拔高度、方向舵角度、升降舵角度和飞行速度;
(42)预测未来飞行状态:将当前在线数据分别输入到所述步骤(3)中训练好的NAR神经网络中,经神经网络预测,得到下一时刻无人机所处的海拔高度、对应的方向舵角度、升降舵角度和飞行速度参数信息;
(43)将预测得到的数据处理后分别输入到所述步骤(2)中的多重决策树结构中,根据不同的特征属性,得到相应属性下的未来飞行工况特性,对工况特性进行组合,获得一种未来可能的工况,完成对无人机未来短期飞行工况的预测。
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 (6)
1.一种基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,包括以下步骤:
(1)采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息,并生成相应离线数据集;
(2)根据上述生成的离线数据集,构建一种多重决策树结构,选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类;
(3)构建NAR神经网络,初始化网络中各参数;根据所述步骤(1)中生成的离线数据集中的数据,及根据时间序列提取的当前-未来时刻相应数据,训练所述NAR神经网络;
(4)根据所述多重决策树和训练好的NAR神经网络,进行飞行工况的在线预测。
2.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,所述步骤(1)具体为:利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息;所述传感器包括:GPS、惯性测量元件、地磁指南针、气压计、电子陀螺仪;无人机飞行状态信息为无人机当前飞行姿态,包括方向舵的角度、升降舵的角度及飞行速度;飞行环境信息为无人机所处位置的海拔高度。
3.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,所述步骤(2)的具体步骤如下:
(21)构建多重决策树结构;
以无人机所处位置的海拔高度、方向舵角度和升降舵角度以及飞行速度为根节点分别生成四个决策树结构;
(22)以海拔高度为根节点,建立第一决策树;
中间节点根据飞行任务剖面上不同飞行高度为判断依据建立,给定不同高度阈值,高度阈值范围在[x1-x2],此时记工况特性为Ⅰ;高度阈值范围在[x3-x4],此时记工况特性为Ⅱ;高度阈值范围在[x5-x6],此时记工况特性为Ⅲ;决策树叶节点对应无人机目前的飞行任务,即工况特性;
(23)以无人机姿态为根节点,选取的是方向舵和升降舵的角度,分别构建第二决策树和第三决策树;
(24)以无人机飞行速度为根节点,以飞行是否稳定安全为叶节点,建立两层第四决策树;
记无人机能够安全飞行的最大速度为临界速度Vmax,最低飞行速度为Vmin;当无人机飞行速度V大于临近速度Vmax时,飞行状态存在安全隐患,飞行不稳定,此时将工况特性记作a;当无人机飞行速度V大于最低飞行速度Vmin且小于临近速度Vmax时,飞行状态稳定,无人机可安全飞行,此时将工况特性记作b;当无人机飞行速度V小于最低飞行速度Vmin时,无人机不在飞行包线内,飞行状态不稳定,无人机不能够安全飞行,此时将工况特性也记作a。
4.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,所述步骤(3)的具体步骤如下:
(31)构建一个NAR神经网络,所述神经网络根据当前无人机飞行状态参数预测未来的飞行状态参数;
(32)NAR神经网络的预测模型:
y(t)=f(y(t-1)+y(t-2)+…+y(t-dy+1)) (1)
式中,y(t)为t时刻的预测输出值;f为非线性函数;dy为延时阶数,即预测输出值y(t)取决于前dy个时刻的输出;
(33)NAR神经网络包含:输入层、隐藏层、输出层和输出反馈,形成一个动态神经网络;选取输入层神经元个数为m个,隐藏层神经元个数为n个,输出层神经元个数为4个,输出反馈时延阶数为k;输入层和输出层神经元个数根据无人机飞行过程中需要预测的参数个数来确定,隐藏层神经元个数根据经验估计方法再经试验确定;
(34)对于非线性拟合问题,隐藏层神经元选取S型激活函数,选择双曲正切tanh函数,输出层神经元激活函数选择pureline线性函数,各层神经元输出表达式为:
式中,f表示激活函数;ωij表示网络输入层神经元i与隐藏层神经元j的权值;aj表示隐藏层神经元j的阈值;ωj表示隐含层第j个神经元与输出层神经元间的权值;b表示输出层神经元的阈值;
(35)根据选取的多重决策树中的根节点和叶节点对生成的数据集进行筛选和标记,生成当前-未来时刻数据序列;取其中数据量的75%作为训练数据集,其余作为测试数据集;
(36)用训练神经网络的均方根误差RMSE来评价神经网络的预测精度:
式中,Yθ为神经网络参数为θ下的输出值;Yi为真实值;d为输出值的长度;BEST_θ为RMSE最小情况下的对应的神经网络的参数θ;
设定目标误差值为p,当均方根误差RMSE小于目标误差p时,完成对网络的训练;否则,调整网络参数,再进行训练,重复进行步骤(36)。
5.根据权利要求4所述的基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,所述步骤(33)中经验估计的公式如下:
Nhid=2Min+1 (2)
式中,Nhid为隐藏层神经元数的估计值;Mhid为输入神经元个数。
6.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法,其特征在于,所述步骤(4)的具体步骤如下:
(41)将训练好的NAR神经网络和多重决策树结构嵌入到无人机系统中,通过无人机上搭载的传感器,在线采集当前数据,即无人机此时所处的海拔高度、方向舵角度、升降舵角度和飞行速度;
(42)预测未来飞行状态:将当前在线数据分别输入到所述步骤(3)中训练好的NAR神经网络中,经神经网络预测,得到下一时刻无人机所处的海拔高度、对应的方向舵角度、升降舵角度和飞行速度参数信息;
(43)将预测得到的数据处理后分别输入到所述步骤(2)中的多重决策树结构中,根据不同的特征属性,得到相应属性下的未来飞行工况特性,对工况特性进行组合,获得一种未来可能的工况,完成对无人机未来短期飞行工况的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096886.4A CN112925344B (zh) | 2021-01-25 | 2021-01-25 | 基于数据驱动和机器学习的无人机飞行工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096886.4A CN112925344B (zh) | 2021-01-25 | 2021-01-25 | 基于数据驱动和机器学习的无人机飞行工况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112925344A true CN112925344A (zh) | 2021-06-08 |
CN112925344B CN112925344B (zh) | 2022-01-04 |
Family
ID=76166723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110096886.4A Active CN112925344B (zh) | 2021-01-25 | 2021-01-25 | 基于数据驱动和机器学习的无人机飞行工况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925344B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342020A (zh) * | 2021-06-14 | 2021-09-03 | 西北工业大学 | 一种电推进无人机推进功率预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1193176A2 (en) * | 2000-09-28 | 2002-04-03 | Space Systems / Loral, Inc. | A method and apparatus for rate integration supplement for attitude referencing with quaternion differencing |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106569507A (zh) * | 2016-10-25 | 2017-04-19 | 深圳市高巨创新科技开发有限公司 | 一种无人机的飞行状态参数校正方法及系统 |
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
CN108107911A (zh) * | 2017-12-28 | 2018-06-01 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法 |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 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 |
CN110001973A (zh) * | 2019-01-02 | 2019-07-12 | 南京航空航天大学 | 轻型固定翼无人机的混合动力推进系统与控制方法 |
CN110209195A (zh) * | 2019-06-13 | 2019-09-06 | 浙江海洋大学 | 海上无人机的远程控制系统及控制方法 |
CN110244753A (zh) * | 2019-06-24 | 2019-09-17 | 深圳市道通智能航空技术有限公司 | 风速测算方法及无人机 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
US20190332109A1 (en) * | 2018-04-27 | 2019-10-31 | GM Global Technology Operations LLC | Systems and methods for autonomous driving using neural network-based driver learning on tokenized sensor inputs |
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
CN111487991A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向无人机集群的安全等级预测方法及系统 |
-
2021
- 2021-01-25 CN CN202110096886.4A patent/CN112925344B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1193176A2 (en) * | 2000-09-28 | 2002-04-03 | Space Systems / Loral, Inc. | A method and apparatus for rate integration supplement for attitude referencing with quaternion differencing |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106569507A (zh) * | 2016-10-25 | 2017-04-19 | 深圳市高巨创新科技开发有限公司 | 一种无人机的飞行状态参数校正方法及系统 |
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
CN108107911A (zh) * | 2017-12-28 | 2018-06-01 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法 |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 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 |
US20190332109A1 (en) * | 2018-04-27 | 2019-10-31 | GM Global Technology Operations LLC | Systems and methods for autonomous driving using neural network-based driver learning on tokenized sensor inputs |
CN110001973A (zh) * | 2019-01-02 | 2019-07-12 | 南京航空航天大学 | 轻型固定翼无人机的混合动力推进系统与控制方法 |
CN110209195A (zh) * | 2019-06-13 | 2019-09-06 | 浙江海洋大学 | 海上无人机的远程控制系统及控制方法 |
CN110244753A (zh) * | 2019-06-24 | 2019-09-17 | 深圳市道通智能航空技术有限公司 | 风速测算方法及无人机 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
CN111487991A (zh) * | 2020-04-03 | 2020-08-04 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向无人机集群的安全等级预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIANANWANG: "Cascade structure predictive observer design for consensus control with applications to UAVs formation flying", 《AUTOMATICA》 * |
梁少军: "固定翼无人机纵向控制回路多工况状态预测", 《兵器装备工程学报》 * |
赵克新: "改进决策树的无人机空战态势估计", 《哈尔滨工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342020A (zh) * | 2021-06-14 | 2021-09-03 | 西北工业大学 | 一种电推进无人机推进功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112925344B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhen et al. | Automatic carrier landing control for unmanned aerial vehicles based on preview control and particle filtering | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN106842926B (zh) | 一种基于正实b样条的飞行器轨迹优化方法 | |
CN114169066A (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
Levasseur et al. | Accurate ground impact footprints and probabilistic maps for risk analysis of UAV missions | |
CN112925344B (zh) | 基于数据驱动和机器学习的无人机飞行工况预测方法 | |
Kahale et al. | Autonomous path tracking of a kinematic airship in presence of unknown gust | |
Ma et al. | Target tracking control of UAV through deep reinforcement learning | |
Lyu et al. | Tilting path optimization of tilt quad rotor in conversion process based on ant colony optimization algorithm | |
Timchenko et al. | Optimization of processes of robust control of quadcopter for monitoring of sea waters | |
Recoskie | Autonomous hybrid powered long ranged airship for surveillance and guidance | |
Xiang et al. | Autonomous eVTOL: A summary of researches and challenges | |
Ferdaus et al. | Fuzzy clustering based modelling and adaptive controlling of a flapping wing micro air vehicle | |
Nemes | Synopsis of soft computing techniques used in quadrotor UAV modelling and control | |
CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
Fang et al. | Model predictive control with wind preview for aircraft forced landing | |
CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 | |
CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
Silva et al. | Experimental assessment of online dynamic soaring optimization for small unmanned aircraft | |
Le Floch et al. | Trajectory planning for autonomous parafoils in complex terrain | |
Xin et al. | Online hybrid learning to speed up deep reinforcement learning method for commercial aircraft control | |
Buelta et al. | Iterative learning control for precise aircraft trajectory tracking in continuous descent approaches | |
Pi et al. | Reinforcement learning trajectory generation and control for aggressive perching on vertical walls with quadrotors | |
Zhang et al. | Integration of path planning and following control for the stratospheric airship with forecasted wind field data | |
Zhenxing et al. | The enemy air-threat prediction based aircraft real-time path planning for offshore combat |
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 |