CN113190036A - 一种基于lstm神经网络的无人机飞行轨迹预测方法 - Google Patents
一种基于lstm神经网络的无人机飞行轨迹预测方法 Download PDFInfo
- Publication number
- CN113190036A CN113190036A CN202110363750.5A CN202110363750A CN113190036A CN 113190036 A CN113190036 A CN 113190036A CN 202110363750 A CN202110363750 A CN 202110363750A CN 113190036 A CN113190036 A CN 113190036A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- long
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000015654 memory Effects 0.000 claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于LSTM神经网络的无人机飞行轨迹预测方法。所述方法如下：选取长短记忆神经网络并通过仿真数据对其进行训练；实时获取基础飞行数据；对基础飞行数据进行预处理作为历史数据；将历史数据进行分段，对长短记忆神经网络进行实时再次训练；继续对基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果；将预测结果结合扩展卡尔曼滤波算法，将扩展卡尔曼滤波算法的预测结果作为最终预测结果；用户根据最终预测结果选择是否修正无人机的飞行路线，然后返回持续预测飞行轨迹。本发明在无人机的监管和监测系统中可以有效的实时监测无人机现在与未来的飞行轨迹，提高监测效率。
Description
技术领域
本发明涉及四旋翼无人机的技术领域，尤其涉及一种基于LSTM神经网络的无人机飞行轨迹预测方法。
背景技术
近年来，无人机(Unmanned Aerial Vehicle,UAV)的发展得到了国内外的广泛关注，不仅在军事领域有大量的应用，在民用领域也有大量的研究。在可以预见的未来，无人机将不断改变电力巡检、安保巡逻、航拍摄影、快递运输等行业，甚至是取代传统的烟花表演。这其中无人机在飞行的过程中由于天气和传感器精度的影响，会一定程度上的偏移预定的航线，不仅增加了无人机原本不多的电池能耗，同时还加大了无人机飞行过程中的安全隐患。因此，对于无人机飞行轨迹的跟踪预测是减少无人机安全隐患所必须要解决的问题。
目前多数无人机飞行过程中主要依靠摄像头来进行避障，但是在外界环境发生剧烈变化的时候，例如突然的强光情况、大风天气的情况，无人机无法做出及时的反应，便会很大概率上发生碰撞。除此之外，无人机自身传感器也可能会存在误差，实际情况中需要结合多个传感器的数据，相互补充，进而避免发生事故。这其中多采用单一的卡尔曼滤波算法来对传感器数据进行矫正，加上采用复杂的无人机动力模型来判断无人机的状况。2017年湖北工业大学的刘斐提出基于模型预测控制的无人机轨迹跟踪方法(刘斐.基于模型预测控制的无人机轨迹跟踪方法研究[D].湖北:湖北工业大学,2017.)。该论文提出基于模型预测控制理论(Model Predictive Control,MPC)的一种在线优化控制算法。该算法的特点是易于实现，但需要一定的触发条件，并需要建立对应无人机的物理模型，计算相对较为复杂。
基于模型的轨迹预测方法对于无人机的动力模型建立要求严格，计算也会相对复杂，进而影响了无人机在遇到突发状况时的反应速度。
发明内容
本发明的目的在于提供了一种新的多传感器数据融合算法，并旨在解决无人机轨迹跟踪预测中的问题。相比传统算法，本发明所提出的算法不需要再建立基于无人机动力学的物理模型。主要使用多个传感器采集的历史数据，进行特征学习，从之前无人机的运动状态来推断无人机未来一段时间的运动轨迹。从而提前知道无人机是否与预先规划的路线产生了偏差，进一步实现对无人机轨迹的实时监测，有效避免无人机因为偏航造成的能量损耗和安全事故。
本发明的目的至少通过如下技术方案之一实现。
一种基于LSTM神经网络的无人机飞行轨迹预测方法，包括以下步骤：
S1、选取长短记忆神经网络(LSTM)作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的长短记忆神经网络；
S2、实时获取并存储每个无人机当前时刻的基础飞行数据；
S3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；
S4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；
S5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果，得到未来一段时间内的无人机飞行轨迹；
S6、将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的更新(预测)结果作为对于无人机未来一段时间状态的最终预测结果；
S7、用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，然后返回步骤S5。
针对无人机的飞行数据，具有连续性和时序性的特点，采用擅长处理时间序列数据的长短记忆神经网络(Long short-term memory,LSTM)作为无人机飞行轨迹的预测模型，该模型可以选择性的记忆之前时刻的信息，同时结合当前的时刻信息做判断，降低对无人机轨迹预测的运算量，可以快速的推断出无人机未来一段时间的轨迹路线。
进一步地，步骤S1中，通过机器人操作系统ROS和仿真软件Gazebo，仿真单个无人机，并收集仿真数据，仿真数据包括无人机的基础飞行数据；
对仿真数据，进行差分标准化和分段处理，然后使用仿真数据对长短记忆神经网络进行训练，得到通过仿真数据训练过的长短记忆神经网络。
进一步地，步骤S2中，通过传感器收集无人机的基础飞行数据，基础飞行数据包括里程计、陀螺仪、磁强计、加速度计和GPS的数据信息，以及无人机旋翼的动力值；其中，无人机旋翼的动力值为当下时刻无人机g个旋翼的动量数据，包括g维数据，基础飞行数据共包括A维数据。
进一步地，仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据均包括A维数据。
进一步地，对于仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据中的A维基础飞行数据进行差分标准化预处理，具体如下：
T＝[t1-t0,t2-t1,t3-t2,…,tn-tn-1]； n∈N (1)
式中，T表示对基础飞行数据差分预处理后得到的时间序列，由n+1个时刻的A维基础飞行数据做差分之后所组成，tn代表在n时刻收集到的无人机的A维基础飞行数据，将时间序列T作为历史数据。
进一步地，对差分标准化预处理后的数据进行分段处理，具体如下：
将时间序列T划分成k组，每组包括m个时刻的无人机基础飞行数据，
选择每组的第i个时刻，作为第i段的数据，最终得到错位分段的时间序列，xj为所分的时间序列段中第j段；如公式(2)所示：
xj＝[T1,T2,T3,…,Ti,…Tk] i∈(0…k),j∈(0…m) (2)
得到m个时间段时间序列；使用所得到的时间段时间序列对通过仿真数据训练后的长短记忆神经网络进行训练；对于每段时间段时间序列xj，选取前k-1个时间点，作为通过仿真数据训练后的长短记忆神经网络的输入，预测下一时刻的状态；对于m段时间段时间序列进行训练，最终预测出未来m个时刻的无人机状态信息。
进一步地，A维基础飞行数据输入长短记忆神经网络，输出A-g维数据，去掉无人机g个旋翼的动量数据；在通过仿真数据训练长短记忆神经网络和使用分段后的历史数据对通过仿真数据训练过的长短记忆神经网络进行实时再次训练的过程中，使用预测结果和实际结果的方差作为损失进行前向传播，具体如下：
其中，ypi为预测的i时刻无人机的A-g个维度的基础飞行数据，yi为实际的i时刻无人机的A-g个维度的基础飞行数据，使用ypi和yi的方差来修正长短记忆神经网络中的参数，使得长短记忆神经网络收敛。
进一步地，步骤S6中，基于扩展卡尔曼滤波算法，将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的更新(预测)结果作为对于无人机未来一段时间状态的最终预测结果。
进一步地，步骤S7中，用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，若用户选择修正飞行路线，则无人机按照最终预测结果飞行，然后返回步骤S5；否则直接返回步骤S5。
进一步地，步骤S7中，将无人机偏离预定航线的行为进行记录，以便为之后对无人机偏离路线的原因进行进一步的分析。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明首次实现了使用LSTM神经网络来预测无人机轨迹预测，减少了基于无人机动力学建立的物理模型。
2、本发明首次实现了仅基于现有的传感器进行预测，减少了增加传感器所带来的成本提升。
3、本发明通过对无人机飞行数据的差分和分段处理，可以有效的归一化飞行数据，进而可以做到预测未来一段时间的无人机飞行轨迹，提前计算飞行路线的偏差，进而减少无人机电量损耗和事故的发生。
5、本发明方法在无人机的监管和监测系统中可以有效的实时监测无人机现在与未来的飞行轨迹，提高监测效率。
附图说明
图1为本发明实施例中一种基于LSTM神经网络的无人机飞行轨迹预测方法的流程示意图。
图2为本发明实施例中一种基于LSTM神经网络的无人机飞行轨迹预测方法的算法流程图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明。
实施例：
一种基于LSTM神经网络的无人机飞行轨迹预测方法，如图1和图2所示，包括以下步骤：
S1、本实施例中，使用双层LSTM神经网络作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的双层LSTM神经网络；
通过机器人操作系统ROS和仿真软件Gazebo，仿真单个无人机，并收集仿真数据，仿真数据包括无人机的基础飞行数据；
对仿真数据，进行差分标准化和分段处理，然后使用仿真数据对长短记忆神经网络进行训练，得到通过仿真数据训练过的长短记忆神经网络，本实施例中，具体的训练过程如下。
S1.1、使用机器人操作系统ROS和仿真软件Gazebo，仿真无人机。指定多条路线，使无人机飞行。飞行过程中，存储无人机的基础飞行数据；
S1.2、对仿真数据进行标准化，即差分处理。之后按照错位分段的方法进行分段。并按照7:3的比例划分训练集和测试集；
S1.3、使用训练集对长短记忆神经网络进行训练。其中激活函数选择Sigmoid，指定损失函数为mean_squared_error，优化器为Adam，训练轮数epochs为100。
S1.4、保存通过仿真数据训练过的长短记忆神经网络，使用测试集进行测试，之后再使用交错验证的方式对通过仿真数据训练过的长短记忆神经网络进行测试。
S2、实时获取并存储每个无人机当前时刻的基础飞行数据；
通过传感器收集无人机的基础飞行数据，本实施例中，数据的采样频率为100Hz，基础飞行数据包括里程计、陀螺仪、磁强计、加速度计和GPS的数据信息，以及无人机旋翼的动力值；其中，无人机旋翼的动力值为当下时刻无人机g个旋翼的动量数据。
本实施例中，以四旋翼无人机为例，三轴陀螺仪、三轴加速度计和磁强计合并为惯性传感器(Inertial Measurement Unit,IMU)；所述基础飞行数据具体包括里程计的3维数据，惯性传感器的7维数据，GPS的3维数据，以及当下时刻无人机4个旋翼的动量数据，共有17维数据。
S3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；
S4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；
S5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果，得到未来一段时间内的无人机飞行轨迹；
仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据均包括17维数据。
对于仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据中的17维基础飞行数据进行差分标准化预处理，具体如下：
T＝[t1-t0,t2-t1,t3-t2,…,tn-tn-1]； n∈N (1)
式中，T表示对基础飞行数据差分预处理后得到的时间序列，由n+1个时刻的A维基础飞行数据做差分之后所组成，tn代表在n时刻收集到的无人机的A维基础飞行数据，将时间序列T作为历史数据。
对差分标准化预处理后的数据进行分段处理，具体如下：
将时间序列T划分成k组，每组包括m个时刻的无人机基础飞行数据，
选择每组的第i个时刻，作为第i段的数据，最终得到错位分段的时间序列，xj为所分的时间序列段中第j段；如公式(2)所示：
xj＝[T1,T2,T3,…,Ti,…Tk] i∈(0…k),j∈(0…m) (2)
得到m个时间段时间序列；使用所得到的时间段时间序列对通过仿真数据训练后的长短记忆神经网络进行训练；对于每段时间段时间序列xj，选取前k-1个时间点，作为通过仿真数据训练后的长短记忆神经网络的输入，预测下一时刻的状态；对于m段时间段时间序列进行训练，最终预测出未来m个时刻的无人机状态信息；
利用分段后的历史数据对通过仿真数据训练后的双层LSTM神经网络进行实时再次训练，调整双层LSTM神经网络的参数，本实施例中，在无人机稳定飞行了一段时间之后(通常需要训练三分之一的飞行时间)，得到再次训练后的双层LSTM神经网络；
17维基础飞行数据输入双层LSTM神经网络，输出13维数据，去掉无人机4个旋翼的动量数据；在通过仿真数据训练双层LSTM神经网络和使用分段后的历史数据对通过仿真数据训练过的双层LSTM神经网络进行实时再次训练的过程中，使用预测结果和实际结果的方差作为损失进行前向传播，具体如下：
其中，ypi为预测的i时刻无人机的13个维度的基础飞行数据，yi为实际的i时刻无人机的13个维度的基础飞行数据，使用ypi和yi的方差来修正双层LSTM神经网络中的参数，使得双层LSTM神经网络收敛。
S6、基于扩展卡尔曼滤波算法，将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的更新(预测)结果作为对于无人机未来一段时间状态的最终预测结果。
本实施例中，使用扩展卡尔曼滤波来对再次训练后的双层LSTM神经网络预测的无人机飞行轨迹进行动态调整，其中使用到扩展卡尔曼滤波算法的状态方程和观测方程分别如公式(4)和公式(5)：
Xk+1＝Fk+1×Xk+Wk； (4)
Zk+1＝Hk+1×Xk+1+Vk； (5)
其中，Xk为无人机的飞行状态向量，表示无人机在k时刻的状态矢量，即为无人机各个传感器在当下k时刻所收集的基础飞行数据；Fk+1为状态转移矩阵，表示无人机飞机轨迹中由k时刻的运动状态到k+1时刻的运动状态的转移方式；Wk为无人机运动时的系统状态噪声，相当于高斯白噪声；Hk+1为观测矩阵，Vk为无人机飞行轨迹预测过程中产生的观测噪声；Zk+1为观测向量，表示再次训练后的双层LSTM神经网络的预测结果，即预测的无人机在k+1时刻的状态量。
采用扩展卡尔曼滤波状态预测方程根据无人机飞行轨迹前一时刻最优的状态估计预测出无人机轨迹的下一时刻状态，同时要更新当前预测状态的协方差，状态预测方程如下：
Xk+1,k＝Fk+1×Xk,k (6)
Zk+1,k＝Hk+1×Xk+1,k (7)
其中Xk+1,k代表卡尔曼滤波算法根据k时刻的信息更新之后的k+1的结果，Zk+1,k代表最终基于k时刻信息之后，所滤波的最终结果。
在得到下一时刻的预测值之后，利用再次训练后的双层LSTM神经网络提供的观测值Zk+1,k，利用扩展卡尔曼滤波算法更新方程来推测最优无人机轨迹估计值，并通过状态噪声协方差和观测噪声协方差得出卡尔曼增益矩阵K；观测更新方程如公式(6)所示：
Xk+1,k+1＝Xk+1,k+K×[Zk+1-Hk×Xk+1] (8)
其中K为卡尔曼增益矩阵，Hk为量测矩阵，描述状态量和量测值之间的关系。
经过扩展卡尔曼滤波更新过程，通过不断迭代，得到未来一段无人机轨迹的最优位置，完成对再次训练后的双层LSTM神经网络预测的无人机飞行轨迹的动态调整。
S7、用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，若用户选择修正飞行路线，则无人机按照最终预测结果飞行，然后返回步骤S5；否则直接返回步骤S5；
将无人机偏离预定航线的行为进行记录，以便为之后对无人机偏离路线的原因进行进一步的分析。
综上所述，在采用以上方案后，本发明可以为无人机在执行任务的过程中，多提供一层保障，同时也降低了无人机在执行任务时的电量损耗以及安全事故的发生。本发明作为一种新的传感器数据融合方法，也为多传感器数据融合研究方向提供了一个可行的思路，具有实际推广价值，值得推广。
Claims (10)
1.一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，包括以下步骤：
S1、选取长短记忆神经网络作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的长短记忆神经网络；
S2、实时获取并存储每个无人机当前时刻的基础飞行数据；
S3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；
S4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；
S5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果，得到未来一段时间内的无人机飞行轨迹；
S6、将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的预测结果作为对于无人机未来一段时间状态的最终预测结果；
S7、用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，然后返回步骤S5。
2.根据权利要求1所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S1中，通过机器人操作系统ROS和仿真软件Gazebo，仿真单个无人机，并收集仿真数据，仿真数据包括无人机的基础飞行数据；
对仿真数据，进行差分标准化和分段处理，然后使用仿真数据对长短记忆神经网络进行训练，得到通过仿真数据训练过的长短记忆神经网络。
3.根据权利要求2所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S2中，通过传感器收集无人机的基础飞行数据，基础飞行数据包括里程计、陀螺仪、磁强计、加速度计和GPS的数据信息，以及无人机旋翼的动力值；其中，无人机旋翼的动力值为当下时刻无人机g个旋翼的动量数据，包括g维数据，基础飞行数据共包括A维数据。
4.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据均包括A维数据。
5.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，对于仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据中的A维基础飞行数据进行差分标准化预处理，具体如下：
T＝[t1-t0,t2-t1,t3-t2,…,tn-tn-1]； n∈N (1)
式中，T表示对基础飞行数据差分预处理后得到的时间序列，由n+1个时刻的A维基础飞行数据做差分之后所组成，tn代表在n时刻收集到的无人机的A维基础飞行数据，将时间序列T作为历史数据。
6.根据权利要求5所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，对差分标准化预处理后的数据进行分段处理，具体如下：
将时间序列T划分成k组，每组包括m个时刻的无人机基础飞行数据，
选择每组的第i个时刻，作为第i段的数据，最终得到错位分段的时间序列，xj为所分的时间序列段中第j段；如公式(2)所示：
xj＝[T1,T2,T3,…,Ti,…Tk] i∈(0…k),j∈(0…m) (2)
得到m个时间段时间序列；使用所得到的时间段时间序列对通过仿真数据训练后的长短记忆神经网络进行训练；对于每段时间段时间序列xj，选取前k-1个时间点，作为通过仿真数据训练后的长短记忆神经网络的输入，预测下一时刻的状态；对于m段时间段时间序列进行训练，最终预测出未来m个时刻的无人机状态信息。
7.根据权利要求6所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，A维基础飞行数据输入长短记忆神经网络，输出A-g维数据，去掉无人机g个旋翼的动量数据；在通过仿真数据训练长短记忆神经网络和使用分段后的历史数据对通过仿真数据训练过的长短记忆神经网络进行实时再次训练的过程中，使用预测结果和实际结果的方差作为损失进行前向传播，具体如下：
其中，ypi为预测的i时刻无人机的A-g个维度的基础飞行数据，yi为实际的i时刻无人机的A-g个维度的基础飞行数据，使用ypi和yi的方差来修正长短记忆神经网络中的参数，使得长短记忆神经网络收敛。
8.根据权利要求7所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S6中，基于扩展卡尔曼滤波算法，将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的预测结果作为对于无人机未来一段时间状态的最终预测结果。
9.根据权利要求8所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S7中，用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，若用户选择修正飞行路线，则无人机按照最终预测结果飞行，然后返回步骤S5；否则直接返回步骤S5。
10.根据权利要求9所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S7中，将无人机偏离预定航线的行为进行记录，以便为之后对无人机偏离路线的原因进行进一步的分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110363750.5A CN113190036B (zh) | 2021-04-02 | 2021-04-02 | 一种基于lstm神经网络的无人机飞行轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110363750.5A CN113190036B (zh) | 2021-04-02 | 2021-04-02 | 一种基于lstm神经网络的无人机飞行轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113190036A true CN113190036A (zh) | 2021-07-30 |
| CN113190036B CN113190036B (zh) | 2023-10-13 |
Family
ID=76974861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110363750.5A Active CN113190036B (zh) | 2021-04-02 | 2021-04-02 | 一种基于lstm神经网络的无人机飞行轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113190036B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673149A (zh) * | 2021-08-02 | 2021-11-19 | 南京航空航天大学 | 一种复杂环境下的无人机决策评估方法 |
| CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
| CN114326805A (zh) * | 2021-12-28 | 2022-04-12 | 广东电网有限责任公司 | 无人机架空线路巡检协同控制方法、系统和存储介质 |
| CN115577511A (zh) * | 2022-09-26 | 2023-01-06 | 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 |
| CN116841307A (zh) * | 2023-09-01 | 2023-10-03 | 中国民用航空飞行学院 | 基于Koopman神经网络的飞行轨迹预测方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108682023A (zh) * | 2018-03-21 | 2018-10-19 | 南京理工大学 | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 |
| CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
| WO2019051701A1 (zh) * | 2017-09-14 | 2019-03-21 | 深圳传音通讯有限公司 | 拍照终端及其基于长短期记忆神经网络的拍照参数设置方法 |
| CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
| CN110631592A (zh) * | 2019-10-28 | 2019-12-31 | 华南理工大学 | 基于lstm模型的室内自主导航agv运动轨迹融合方法 |
| CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
-
2021
- 2021-04-02 CN CN202110363750.5A patent/CN113190036B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019051701A1 (zh) * | 2017-09-14 | 2019-03-21 | 深圳传音通讯有限公司 | 拍照终端及其基于长短期记忆神经网络的拍照参数设置方法 |
| CN108682023A (zh) * | 2018-03-21 | 2018-10-19 | 南京理工大学 | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 |
| CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
| CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
| CN110631592A (zh) * | 2019-10-28 | 2019-12-31 | 华南理工大学 | 基于lstm模型的室内自主导航agv运动轨迹融合方法 |
| CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
| CN112351503A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673149A (zh) * | 2021-08-02 | 2021-11-19 | 南京航空航天大学 | 一种复杂环境下的无人机决策评估方法 |
| CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
| CN114326805A (zh) * | 2021-12-28 | 2022-04-12 | 广东电网有限责任公司 | 无人机架空线路巡检协同控制方法、系统和存储介质 |
| CN115577511A (zh) * | 2022-09-26 | 2023-01-06 | 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 |
| 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 |
| CN116841307A (zh) * | 2023-09-01 | 2023-10-03 | 中国民用航空飞行学院 | 基于Koopman神经网络的飞行轨迹预测方法和装置 |
| CN116841307B (zh) * | 2023-09-01 | 2023-12-01 | 中国民用航空飞行学院 | 基于Koopman神经网络的飞行轨迹预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113190036B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113190036B (zh) | 一种基于lstm神经网络的无人机飞行轨迹预测方法 | |
| Wang et al. | Multivariate regression-based fault detection and recovery of UAV flight data | |
| Ma et al. | Deep reinforcement learning of UAV tracking control under wind disturbances environments | |
| Doukhi et al. | Neural network-based robust adaptive certainty equivalent controller for quadrotor UAV with unknown disturbances | |
| CN116520870B (zh) | 一种无人机飞行姿态远程控制方法及系统 | |
| Bian et al. | System identification method for small unmanned helicopter based on improved particle swarm optimization | |
| CN113268074A (zh) | 一种基于联合优化的无人机航迹规划方法 | |
| Zhang et al. | Motion state recognition and trajectory prediction of hypersonic glide vehicle based on deep learning | |
| Ferdaus et al. | Online identification of a rotary wing unmanned aerial vehicle from data streams | |
| CN109375642B (zh) | 一种无人机节能控制方法 | |
| Thanaraj et al. | Actuator fault detection and isolation on multi-rotor UAV using extreme learning neuro-fuzzy systems | |
| Chen et al. | Real-time unmanned aerial vehicle flight path prediction using a bi-directional long short-term memory network with error compensation | |
| CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
| CN117591794A (zh) | 基于时间序列的鸟类迁徙轨迹预测方法 | |
| CN116520890A (zh) | 一种可三维全息巡视的无人机控制平台 | |
| CN116341377A (zh) | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 | |
| CN115759498A (zh) | 基于双向长短期记忆网络的无人机飞行路径实时预测方法 | |
| CN117136343A (zh) | 用于平衡自动感应交通工具的能源探测和观测时间的系统 | |
| Chen et al. | Real-time UAV Flight Path Prediction Using A Bi-directional Long Short-term Memory Network with Error Compensation [J] | |
| Ferdaus et al. | Evolving fuzzy inference system based online identification and control of a quadcopter unmanned aerial vehicle | |
| Al-sudany et al. | Comparison of adaptive fuzzy EKF and adaptive fuzzy UKF for state estimation of UAVs using sensor fusion | |
| Palamas et al. | A multi-task learning framework for drone state identification and trajectory prediction | |
| AU2021102531A4 (en) | Three-dimensional wind, airspeed calculation, and prediction method for aerial drones using deep learning | |
| CN117111629B (zh) | 基于自适应动态规划的多无人机固定时间最优控制方法 | |
| US12033445B1 (en) | Systems and methods for causal detection and diagnosis of vehicle faults |
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 |