CN113406968A - 基于数字孪生的无人机自主起降巡航方法 - Google Patents
基于数字孪生的无人机自主起降巡航方法 Download PDFInfo
- Publication number
- CN113406968A CN113406968A CN202110674627.5A CN202110674627A CN113406968A CN 113406968 A CN113406968 A CN 113406968A CN 202110674627 A CN202110674627 A CN 202110674627A CN 113406968 A CN113406968 A CN 113406968A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- model
- landing
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 28
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 230000001149 cognitive effect Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006855 networking Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 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 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的无人机自主起降巡航方法,将其创建在信息化平台上,从而使无人机在无法实现检测定位的情况下完成自主起降;引入大数据云平台对已经建立的场景模型进行在线优化,针对服务在线升级,引入物联网,实现现实中的无人机信息与虚拟场景中无人机进行实时高效实时交互,解决了无人机中信息化程度较低、数据采集具有延滞性、过于依赖操控手的飞行经验进行决策等现象是推动无人机向智能化发展的核心问题,实现高精度的人机交互,实现多传感器融合进行信息处理,达到远程高精度处理无人机信息,减少无人机本身的计算量,使得无人机更加安全、高效。
Description
技术领域
本发明涉及数字孪生技术,具体涉及一种基于数字孪生的无人机自主起降巡航方法。
背景技术
随着时代的进步,科技的发展,无人机被广泛应用于各个领域,同时新兴的数字孪生技术也逐渐充斥着人们的生活,数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。数字孪生是个普遍适应的理论技术体系,可以在众多领域应用,目前在产品设计、产品制造、医学分析、工程建设等领域应用较多。目前在国内应用最深入的是工程建设领域,关注度最高、研究最热的是智能制造领域。在工业,物流服务行业往往需要远程无人机自主完成任务,这是一项艰巨的任务,常规的无人机操控流程如下:
(1)首先,控制端针对控制任务,设计飞行路线,发送命令并传输给无人机。(2)其次,无人机接收到控制端传来的信号,执行飞行任务。(3)再者,无人机传不间断的传输信息至终端。(4)最后,终端把信息反馈给控制端,控制端进行对比,再次进行命令传输至无人机,形成负反馈。
目前随着控制技术的发展,很多优秀的算法应用于无人机自主起降上,在实验验证中取得了非常好的效果,但是这些都是在现实的环境下进行的无人机自主起降巡航,虽然大大降低了人力物力的需要,但是针对复杂的地形,恶劣的天气仍然不能满足当下的需要,其安全、效率方面存在很大的隐患,针对一些相对于狭小,复杂的地理环境难以利用跟踪检测算法进行自校正,自学习。
其次就是虽然近些年算法的进一步发展,SLAM技术的应用,鲁棒控制滤波的发展,使得无人机在控制方面效果显著提高,但是针对于环境应变,物体辨识,以及无人机承受大量的计算,其在进行自主起降,定点巡航方面存在很大的问题。
发明内容
本发明的目的是提供一种基于数字孪生的无人机自主起降巡航方法,利用数字孪生技术完成云平台搭建并在云端操控无人机群远程进行自主起飞、降落及巡航。
为了实现上述任务,本发明采用以下技术方案:
一种基于数字孪生的无人机自主起降巡航方法,包括以下步骤:
步骤1,搭建无人机3D模型以及场景。
使用模拟端建立3D无人机模型、传感器模型以及室内室外场景模型,将建立的无人机模型进行标注,并且设置无人机模型以及室内室外场景的建筑物的3D刚体、角色控制器以及对所有的场景设置位置,着色背景,针对无人机模型加碰撞器,设置旋翼,对无人机模型进行位置布控以及无人机模型局部渲染和贴图;
步骤2,设计无人机起飞降落
针对建立的无人机模型设计起飞降落,编写Script脚本对无人机模型进行控制,根据之前的无人机模型标注,按照标注编写Script脚本,在脚本中定义键盘按键,鼠标聚焦,从而更方便地控制无人机的航线,完成虚拟漫游程序实现虚拟视野在所建立场景中的移动与切换;
步骤3,模拟端下的传感器模拟
在模拟端中,利用红外传感器进行红外避障,信息传递;利用超声波传感器进行超声波避障;利用普通相机传感器模拟机器视觉;利用深度相机传感器和激光雷达传感器,获取环境深度信息,进行自主定位导航;利用IMU传感器进行无人机姿态信息以及无人机运行信息获取;利用高度传感器获取无人机的高度信息及速度信息;利用接触式传感器获得无人机的感知范围,从而通过步骤1至步骤3完成数字孪生模型的构建;
步骤4,无人机模型的自组网络通信
基于现有的移动自组网体系结构,进行自组网络通信;无人机路径的偏差采用梯度下降法进行误差消除,将当前的位置与所规划的路径之间的差值进行梯度下降,使得无人机位置更加贴近于所规划的路径;
步骤5,利用数字孪生技术进行实时交互
采用三维建模的方法加上模拟端中渲染引擎技术对现实生活的场景进行建模,建立高精度模型也就是高沉浸式场景;同时,利用现有的4G、5G模块以及阿里云服务,网络通信技术实现云端远程对实际场景中的无人机发布指令,同时与模拟端场景进行对接,实现虚拟现实同步;利用大数据云平台,对实际场景中无人机数据进行采集,优化模拟端中的无人机模型;将实际场景中的无人机与物联网平台结合,加以虚拟地理环境和多源数据融合以及模拟仿真实现可视智能化监测,提升信息资源配置运行效率和价值,全面升级和优化云平台发布检测水平,达到更好的控制效果;
步骤6,在电脑网页启动云命令,通过执行Linux命令来对阿里云的资源进行管理,远程对实际场景中的无人机发布命令;
步骤7,利用云平台对实际场景中的无人机进行自组网络通信,以进行现实虚拟同步:先在模拟端进行无人机模型的自主起降巡航,实际的无人机同样实现无人自主起降巡航,实现同步。
进一步地,从多领域模型构建以及“几何-物理-行为-规则”多维模型构建两方面进行数字孪生模型的构建;
数字孪生模型涵盖多维度和多领域模型,从而实现对物理对象的全面真实刻画与描述,当模型构建对象相对复杂的时候,需构建模型的层次关系并明确模型的组装顺序,以避免出现难以组装的情况,并且需要构建与添加零部件之间的角度约束、接触约束、偏移约束等约束关系,其次进行模型融合,模型融合是针对一些系统级孪生模型构建,控件维度的模型组装不能满足物理对象的刻画要求,还需进一步进行的融合,即实现不同学科不同领域之间的融合;最后还需要对模型进行验证,在模型构建、组装、融合后,需要对模型进行验证,以确保模型的正确性和有效性,模型验证时针对不同需求,检验模型的输出与物理对象的输出是否一致。
进一步地,通过设置认知平面用于无人机通信网络动态信息的认知推理、控制和配置无人机网络相应动态参数,引导、测量和修复数据平面,将较为复杂的动态信息认知和主要的管理控制从单一平面分离,保证数据平面高效实时传输数据。
进一步地,在认知平面移动测量提供已知条件下,无人机间的直接链路状态和路径权重计算方法如下式:
fmap(SINRi,i+1)为相对映射函数:
链路聚合为路径,端对端的权重定义为:
因此,单一链路失效回导致整个源路径失效,需要改径并重新计算权重。
进一步地,所述模拟端采用Unity平台。
与现有技术相比,本发明具有以下技术特点:
1.通过使用数字孪生技术,进一步提升无人机任务的执行效率,在一些复杂的地理环境,恶劣的天气下以及降落的运动的载体上,传统的无人机起降定位不能很好的满足实际的要求,不能完成准确的起降,采用数字孪生进行的虚拟现实交互进行无人机起降,只要进行的高精度模型仿真可以达到指标,现实中对应的无人机亦可以达到。
2.多传感器融合达到更加真实的虚拟现实交互,实现精确交互,仿真与现实对应,结合目前主流的联合卡尔曼滤波技术,在GPS/视觉多传感器融合定位算法基础上,增加超宽带UWB无线定位技术,弥补GPS和视觉传感器无法提供有效位置数据的不足。为保证多传感器融合算法的容错性和鲁棒性,采用基于卡尔曼滤波测量值与预测值间马氏距离的卡方检验对传感器数据进行有效性检验。
3.通过数字孪生技术搭建大数据云平台,深度渲染现实场景,进行模型优化和渲染,利用4G、5G模块进行数据远程传输,将虚拟端的无人机内核与现实的无人机飞控集合,使用网络通信Unity-Unity、Unity-ROS、Unity-All等完美对接Ubuntu系统实现云平台远程发布ROS指令传输下达命令,将无人机航空遥感及遥感影像自动处理技术、倾斜摄影三维建模、地理信息系统技术(GIS)、建筑信息模型(BIM)和大数据应用等交叉学科进行深度融合,构建了空地一体,集数据采集、处理、决策辅助分析的完善体系,使得无人机变得精准、高效和高性价。
附图说明
图1为无人机3D模型以及场景示意图;
图2为Unity平台传感器模拟示意图;
图3为本发明模型体系框架结构示意图;
图4为Unity仿真实现自主起降;
图5为现实中无人机的自主降落示意图;
图6为现实中无人机自主巡航示意图。
具体实施方式
参见附图,本发明提供了一种基于数字孪生的无人机自主起降巡航方法,包括以下步骤:
步骤1,搭建无人机3D模型以及场景。
仿真中的无人机3D模型以及场景如图1所示,使用模拟端Unity建立3D无人机模型、传感器模型以及室内室外场景模型,将建立的无人机模型进行标注,并且设置无人机模型以及室内室外场景的建筑物的3D刚体Rigidbody、角色控制器Character Controller以及对所有的场景设置位置,着色背景,针对无人机模型加碰撞器,设置旋翼,对无人机模型进行位置布控以及无人机模型局部渲染和贴图,使之更加具有科技感、真实感,达到Unity场景美观,并且接近真实的场景。
步骤2,设计无人机起飞降落。
针对步骤1中建立的无人机模型设计起飞降落,由于建立的无人机模型是在Unity3D场景中,因此在Project下编写基于C#的Script脚本,对无人机模型进行控制,通常在场景中链接场景中模型,根据之前的无人机模型标注,按照标注编写Script脚本,Script脚本运行在Visual Studio下,此外还可以在脚本中定义键盘按键,鼠标聚焦,从而更方便地控制无人机的航线,完成虚拟漫游程序实现虚拟视野在所建立场景中的移动与切换。
步骤3,模拟端下的传感器模拟。
在该步骤中,例如可以使用模拟端Unity平台实现传感器模拟,如图3所示:在模拟端中,利用红外传感器进行红外避障,信息传递;利用超声波传感器进行超声波避障;利用普通相机传感器模拟机器视觉;利用深度相机传感器和激光雷达传感器,获取环境深度信息,进行自主定位导航;利用IMU传感器进行无人机姿态信息以及无人机运行信息获取;利用高度传感器获取无人机的高度信息及速度信息;利用接触式传感器获得无人机的感知范围,从而通过步骤1至步骤3完成数字孪生模型的构建,如图3所示。
模型构建是指针对物理对象,构建其基本单元的模型,可从多领域模型构建以及“几何-物理-行为-规则”多维模型构建两方面进行数字孪生模型的构建,数字孪生模型应涵盖多维度和多领域模型,从而实现对物理对象的全面真实刻画与描述,当模型构建对象相对复杂的时候,需构建模型的层次关系并明确模型的组装顺序,以避免出现难以组装的情况,并且需要构建与添加零部件之间的角度约束、接触约束、偏移约束等约束关系,其次进行模型融合,模型融合是针对一些系统级或复杂系统级孪生模型构建,控件维度的模型组装不能满足物理对象的刻画要求,还需进一步进行的融合,即实现不同学科不同领域之间的融合。最后还需要对模型进行验证,在模型构建、组装、融合后,需要对模型进行验证,以确保模型的正确性和有效性,模型验证时针对不同需求,检验模型的输出与物理对象的输出是否一致。
步骤4,无人机模型的自组网络通信
现有的移动自组网(MAENTs)TCP/IP五层体系结构,结合无人机自组网新型通信体系结构,进行自组网络通信。INTERNET最重要的TCP/IP五层体系最大的成功在于模块化协议分层和网络透明性带来的多方面的灵活性,设置认知平面用于无人机通信网络动态信息的认知推理、控制和配置无人机网络相应动态参数,引导、测量和修复数据平面,将较为复杂的动态信息认知和主要的管理控制从单一平面分离,保证数据平面高效实时传输数据,认知平面最重要的是发现引导协议,其在认知平面移动测量提供已知条件下,无人机间的直接链路状态和路径权重计算方法如下式:
fmap(SINRi,i+1)为相对映射函数,并且经过推导得到:
链路聚合为路径,端对端的权重定义为:
上式表明,单一链路失效回导致整个源路径失效,需要改径并重新计算权重,链路质量取决于链路两端节点的选高管参数“比较”,即:信号干燥噪声比(SINR)(最大值相当于即时接收最大速率)、最大发送速率、接受阈值(可靠传输考虑双向性)、信道接入忙闲等。
继而在上述的基础上,针对无人机路径的偏差采用梯度下降法进行误差消除,将当前的位置与所规划的路径之间的差值进行梯度下降,使得无人机位置更加贴近于所规划的路径。
步骤5,利用数字孪生技术进行实时交互。
此步骤旨在完成虚拟现实的交互,采用三维建模的方法加上模拟端Unity中渲染引擎技术对现实生活的场景进行建模,建立高精度模型也就是高沉浸式场景;同时,利用现有的4G,5G模块以及阿里云服务,网络通信技术实现云端远程对飞机发布指令,这是高实时双向交互的数据实时传输,同时与模拟端Unity场景进行对接,实现虚拟现实同步,加上现在机器学习,深度学习的发展,利用大数据云平台,对实际场景中无人机数据进行采集,优化模拟端中的无人机模型。将实际场景中的无人机与物联网平台结合,加以虚拟地理环境和多源数据融合以及模拟仿真实现可视智能化监测,提升信息资源配置运行效率和价值,全面升级和优化云平台发布检测水平,达到更好的控制效果。
步骤6,在电脑网页启动云命令,通过执行Linux命令来对阿里云的资源进行管理,远程对实际场景中的无人机发布命令。
步骤7,利用云平台对实际场景中的无人机进行自组网络通信,以进行现实虚拟同步:先在模拟端Unity平台进行无人机模型的自主起降巡航,实际的无人机同样实现无人自主起降巡航,实现同步,完成数据传输,数据采集。
本发明设计基于数字孪生技术的无人机自主起降巡航,实现现实虚拟交互,达到现实虚拟,实现数字版的克隆体,将其创建在信息化平台上,从而使无人机在无法实现检测定位的情况下完成自主起降;引入大数据云平台对已经建立的场景模型进行在线优化,针对服务在线升级,引入物联网,实现现实中的无人机信息与虚拟场景中无人机进行实时高效实时交互,解决了无人机中信息化程度较低、数据采集具有延滞性、过于依赖操控手的飞行经验进行决策等现象是推动无人机向智能化发展的核心问题。实现高精度的人机交互,实现多传感器融合进行信息处理,达到远程高精度处理无人机信息,减少无人机本身的计算量,使得无人机更加安全、高效。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于数字孪生的无人机自主起降巡航方法,其特征在于,包括以下步骤:
步骤1,搭建无人机3D模型以及场景
使用模拟端建立3D无人机模型、传感器模型以及室内室外场景模型,将建立的无人机模型进行标注,并且设置无人机模型以及室内室外场景的建筑物的3D刚体、角色控制器以及对所有的场景设置位置,着色背景,针对无人机模型加碰撞器,设置旋翼,对无人机模型进行位置布控以及无人机模型局部渲染和贴图;
步骤2,设计无人机起飞降落
针对建立的无人机模型设计起飞降落,编写Script脚本对无人机模型进行控制,根据之前的无人机模型标注,按照标注编写Script脚本,在脚本中定义键盘按键,鼠标聚焦,从而更方便地控制无人机的航线,完成虚拟漫游程序实现虚拟视野在所建立场景中的移动与切换;
步骤3,模拟端下的传感器模拟
在模拟端中,利用红外传感器进行红外避障,信息传递;利用超声波传感器进行超声波避障;利用普通相机传感器模拟机器视觉;利用深度相机传感器和激光雷达传感器,获取环境深度信息,进行自主定位导航;利用IMU传感器进行无人机姿态信息以及无人机运行信息获取;利用高度传感器获取无人机的高度信息及速度信息;利用接触式传感器获得无人机的感知范围,从而通过步骤1至步骤3完成数字孪生模型的构建;
步骤4,无人机模型的自组网络通信
基于现有的移动自组网体系结构,进行自组网络通信;无人机路径的偏差采用梯度下降法进行误差消除,将当前的位置与所规划的路径之间的差值进行梯度下降,使得无人机位置更加贴近于所规划的路径;
步骤5,利用数字孪生技术进行实时交互
采用三维建模的方法加上模拟端中渲染引擎技术对现实生活的场景进行建模,同时,利用现有的4G、5G模块以及阿里云服务、网络通信技术实现云端远程对实际场景中的无人机发布指令,同时与模拟端场景进行对接,实现虚拟现实同步;利用大数据云平台,对实际场景中无人机数据进行采集,优化模拟端中的无人机模型;将实际场景中的无人机与物联网平台结合,加以虚拟地理环境和多源数据融合以及模拟仿真实现可视智能化监测,提升信息资源配置运行效率和价值,全面升级和优化云平台发布检测水平,达到更好的控制效果;
步骤6,在电脑网页启动云命令,通过执行Linux命令来对阿里云的资源进行管理,远程对实际场景中的无人机发布命令;
步骤7,利用云平台对实际场景中的无人机进行自组网络通信,以进行现实虚拟同步:先在模拟端进行无人机模型的自主起降巡航,实际的无人机同样实现无人自主起降巡航,实现同步。
2.根据权利要求1所述的基于数字孪生的无人机自主起降巡航方法,其特征在于,从多领域模型构建以及“几何-物理-行为-规则”多维模型构建两方面进行数字孪生模型的构建;
数字孪生模型涵盖多维度和多领域模型,从而实现对物理对象的全面真实刻画与描述,当模型构建对象相对复杂的时候,需构建模型的层次关系并明确模型的组装顺序,以避免出现难以组装的情况,并且需要构建与添加零部件之间的角度约束、接触约束、偏移约束等约束关系,其次进行模型融合,针对一些系统级孪生模型构建,控件维度的模型组装不能满足物理对象的刻画要求,还需进一步进行的融合,即实现不同学科不同领域之间的融合;最后还需要对模型进行验证,在模型构建、组装、融合后,需要对模型进行验证,以确保模型的正确性和有效性,模型验证时针对不同需求,检验模型的输出与物理对象的输出是否一致。
3.根据权利要求1所述的基于数字孪生的无人机自主起降巡航方法,其特征在于,通过设置认知平面用于无人机通信网络动态信息的认知推理、控制和配置无人机网络相应动态参数,引导、测量和修复数据平面,将较为复杂的动态信息认知和主要的管理控制从单一平面分离,保证数据平面高效实时传输数据。
5.根据权利要求1所述的基于数字孪生的无人机自主起降巡航方法,其特征在于,所述模拟端采用Unity平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674627.5A CN113406968B (zh) | 2021-06-17 | 2021-06-17 | 基于数字孪生的无人机自主起降巡航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674627.5A CN113406968B (zh) | 2021-06-17 | 2021-06-17 | 基于数字孪生的无人机自主起降巡航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406968A true CN113406968A (zh) | 2021-09-17 |
CN113406968B CN113406968B (zh) | 2023-08-08 |
Family
ID=77684998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674627.5A Active CN113406968B (zh) | 2021-06-17 | 2021-06-17 | 基于数字孪生的无人机自主起降巡航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113406968B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115373290A (zh) * | 2022-10-27 | 2022-11-22 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
CN116149376A (zh) * | 2023-04-21 | 2023-05-23 | 西安迈远科技有限公司 | 一种基于装配式建筑平台的无人机巡航的控制方法 |
CN116578035A (zh) * | 2023-07-14 | 2023-08-11 | 南京理工大学 | 基于数字孪生技术的旋翼无人机自主降落控制系统 |
CN116665490A (zh) * | 2023-07-28 | 2023-08-29 | 中国民航管理干部学院 | 一种基于数字孪生的城市空中交通管理数据处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
WO2021031454A1 (zh) * | 2019-08-21 | 2021-02-25 | 佳都新太科技股份有限公司 | 一种数字孪生系统、方法及计算机设备 |
US20210132583A1 (en) * | 2019-11-02 | 2021-05-06 | Wenzhou University | Management platform for digital twin workshop for automated assembly of circuit breakers |
CN112802021A (zh) * | 2021-04-09 | 2021-05-14 | 泰瑞数创科技(北京)有限公司 | 基于数字孪生技术的城市桥梁道路诊断方法及其系统 |
CN112965396A (zh) * | 2021-02-08 | 2021-06-15 | 大连大学 | 一种四旋翼无人机硬件在环可视化仿真方法 |
-
2021
- 2021-06-17 CN CN202110674627.5A patent/CN113406968B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031454A1 (zh) * | 2019-08-21 | 2021-02-25 | 佳都新太科技股份有限公司 | 一种数字孪生系统、方法及计算机设备 |
US20210132583A1 (en) * | 2019-11-02 | 2021-05-06 | Wenzhou University | Management platform for digital twin workshop for automated assembly of circuit breakers |
CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN112965396A (zh) * | 2021-02-08 | 2021-06-15 | 大连大学 | 一种四旋翼无人机硬件在环可视化仿真方法 |
CN112802021A (zh) * | 2021-04-09 | 2021-05-14 | 泰瑞数创科技(北京)有限公司 | 基于数字孪生技术的城市桥梁道路诊断方法及其系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115373290A (zh) * | 2022-10-27 | 2022-11-22 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
CN115373290B (zh) * | 2022-10-27 | 2023-01-24 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
CN116149376A (zh) * | 2023-04-21 | 2023-05-23 | 西安迈远科技有限公司 | 一种基于装配式建筑平台的无人机巡航的控制方法 |
CN116578035A (zh) * | 2023-07-14 | 2023-08-11 | 南京理工大学 | 基于数字孪生技术的旋翼无人机自主降落控制系统 |
CN116665490A (zh) * | 2023-07-28 | 2023-08-29 | 中国民航管理干部学院 | 一种基于数字孪生的城市空中交通管理数据处理系统 |
CN116665490B (zh) * | 2023-07-28 | 2023-10-20 | 中国民航管理干部学院 | 一种基于数字孪生的城市空中交通管理数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113406968B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113406968B (zh) | 基于数字孪生的无人机自主起降巡航方法 | |
CN109613931B (zh) | 基于生物社会力的异构无人机集群目标跟踪系统及方法 | |
CN202549080U (zh) | 一种雷达数据、飞行计划数据与ads-b数据融合系统 | |
CN109213200A (zh) | 多无人机协同编队飞行管理系统及方法 | |
Wu et al. | Multi UAV cluster control method based on virtual core in improved artificial potential field | |
CN108966286B (zh) | 无人机辅助移动边缘计算系统及其信息比特分配方法 | |
EP3674657A1 (en) | Construction and update of elevation maps | |
WO2022077817A1 (zh) | 一种基于视觉与性能约束的多无人机协同控制方法及系统 | |
Schouwenaars et al. | Multivehicle path planning for nonline‐of‐sight communication | |
CN111831008A (zh) | 一种基于分布式架构的无人机编队协同控制系统及其方法 | |
CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
CN112462797A (zh) | 一种利用灰色预测模型的视觉伺服控制方法及系统 | |
CN104808676A (zh) | 基于外部视觉的四旋翼无人飞行器全自主飞行控制系统 | |
CN113271357B (zh) | 一种地空协同组网系统及控制方法 | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
CN113625733A (zh) | 一种基于ddpg多目标三维无人机路径规划方法 | |
CN112540625A (zh) | 无人机自主自动电网杆塔巡检系统 | |
CN116700343A (zh) | 一种无人机路径规划方法、设备和存储介质 | |
CN115877870A (zh) | 一种基于机会数据采集的无人机在线路径规划方法 | |
CN113721653B (zh) | 一种飞行器航迹实时规划系统 | |
Chen et al. | A fast coordination approach for large-scale drone swarm | |
CN107623590A (zh) | 用于无人机群实时监控的配置方法及系统 | |
CN111895998B (zh) | 一种大型固定翼无人飞行器分段堆栈式航路规划方法 | |
Yang et al. | Path planning of UAV base station based on deep reinforcement learning | |
Lu et al. | Research on trajectory planning in thunderstorm weather based on dynamic window algorithm during approach segment |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Meng Wei Inventor after: Zang Jiayao Inventor after: Yang Yuanlin Inventor before: Zang Jiayao Inventor before: Yang Yuanlin Inventor before: Meng Wei |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |